專利名稱：：一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于數(shù)據(jù)挖掘領(lǐng)域，涉及一種社區(qū)劃分方法，具體設(shè)計一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法。
背景技術(shù)：
：20世紀90年代以來，以互聯(lián)網(wǎng)為代表的信息技術(shù)的迅猛發(fā)展使人類社會大步邁入了網(wǎng)絡(luò)時代。復雜網(wǎng)絡(luò)無處不在，在現(xiàn)實世界中，從互聯(lián)網(wǎng)萬維網(wǎng)，從城市公路網(wǎng)到航空路線圖，從超大規(guī)豐莫集成電路到大型電力網(wǎng)格，從細胞神經(jīng)網(wǎng)絡(luò)到蛋白質(zhì)相互作用網(wǎng)絡(luò)；復雜網(wǎng)絡(luò)還可以用來描述人與人之間的社會關(guān)系，科學家之間的合作關(guān)系，論文之間的引用關(guān)系，生物界中物種之間的捕食關(guān)系；甚至文本中詞與詞之間的語義關(guān)系等，都可以看作是復雜網(wǎng)絡(luò)，可以說，人們已經(jīng)生活在一個充滿著各種各樣的復雜網(wǎng)絡(luò)的世界中。如圖1所示是2001年美國A.L.Barabasi研究組構(gòu)造的芽殖酵母蛋白質(zhì)相互作用的復雜網(wǎng)絡(luò)，芽殖酵母是生物學研究中廣泛應(yīng)用的單細胞真核模式生物，將蛋白質(zhì)抽象為節(jié)點，蛋白質(zhì)直接的相互作用抽象為邊，用網(wǎng)絡(luò)的方法構(gòu)建出蛋白質(zhì)相互作用網(wǎng)絡(luò)對系統(tǒng)研究細胞內(nèi)各種生命活動有著重要意義，從圖中可以看出，蛋白質(zhì)交互網(wǎng)絡(luò)中，每個蛋白質(zhì)的與其他的蛋白質(zhì)連接不是均勻的，蛋白質(zhì)的連接度服從冪率分布，即越重要的蛋白，與它連接的線段數(shù)目越多，如果有針對性的刪除網(wǎng)絡(luò)中連接度非常大的節(jié)點，網(wǎng)絡(luò)很容易被破壞，進一步研究發(fā)現(xiàn)越是年齡古老的蛋白，與它連接的線段數(shù)目越多，說明了蛋白質(zhì)網(wǎng)絡(luò)結(jié)構(gòu)上的無標度特性。這些都是復雜網(wǎng)絡(luò)所包含的典型特性，下面分別介紹小世界特性看似毫不相干、形態(tài)各異的真是網(wǎng)絡(luò)都是受某些簡單規(guī)則驅(qū)動自組織形成的，它們都具有一些相同的拓撲性質(zhì)，小世界網(wǎng)絡(luò)既有與規(guī)則網(wǎng)絡(luò)類似的聚集特性，又具有與隨機網(wǎng)絡(luò)類似的較小的平均路徑長度。由于不同集團之間的長程連接導致網(wǎng)絡(luò)的平均直徑較小，即為小世界特性；無標度特性大量的復雜網(wǎng)絡(luò)中，節(jié)點的度分布明顯地不同于泊松分布，而是具有冪律形式，這種冪律分布的形式與分形(Fractal)中的自相似(self-similarity)特點一樣，沒有明顯的特征長度，如果把函數(shù)曲線放在雙對數(shù)坐標系下，則其大致成直線，即函數(shù)的相對變化與變量的相對變化成線性關(guān)系，這正是自相似的數(shù)學含義，即為無標度特性；社區(qū)特性網(wǎng)絡(luò)中呈現(xiàn)出社區(qū)結(jié)構(gòu)，或者說是抱團(clustering)特征。大量實證研究表明，許多網(wǎng)絡(luò)是異構(gòu)的，可以被分解為若干個社區(qū)，各個社區(qū)內(nèi)部節(jié)點之間存在較多的連接，而不同社區(qū)之間的節(jié)點連接則相對較少；目前，復雜網(wǎng)絡(luò)研究已經(jīng)滲透到數(shù)理學科、生命學科和工程學科等眾多不同的領(lǐng)域，對復雜網(wǎng)絡(luò)的定量和定性特征的科學理解，已成為網(wǎng)絡(luò)時代科學研究中一個極其重要的挑戰(zhàn)性課題，甚至被稱為"網(wǎng)絡(luò)的新科學(newscienceofnetworks)"。而復雜網(wǎng)絡(luò)中的社區(qū)結(jié)構(gòu)是網(wǎng)絡(luò)高聚集性與模塊化特征的反映。在網(wǎng)絡(luò)中自動搜索或發(fā)現(xiàn)社區(qū)結(jié)構(gòu)，具有重要的實用價值。例如，社會網(wǎng)中的社區(qū)可能代表具有共同興趣、愛好的社會團體；科學引文網(wǎng)中的社區(qū)可能代表與某一主題相關(guān)的論文；生物化學網(wǎng)絡(luò)或電子電路網(wǎng)絡(luò)中的社區(qū)可能代表功能相關(guān)的蛋白質(zhì)組或某一類功能單元；萬維網(wǎng)中的社區(qū)可能代表主題相關(guān)的若千網(wǎng)頁，可進一步用于提高網(wǎng)絡(luò)搜索結(jié)果的相關(guān)性和準確性，實現(xiàn)信息過濾、熱點話題跟蹤和網(wǎng)絡(luò)情報分析等。因此，如何從大規(guī)模的復雜網(wǎng)絡(luò)中識別不同類型的節(jié)點，對異構(gòu)的節(jié)點類型其進行分類，從而發(fā)掘網(wǎng)絡(luò)中的社區(qū)結(jié)構(gòu)，有助于我們更好地理解系統(tǒng)不同層次的結(jié)構(gòu)和功能特性。采用物理場中的物質(zhì)粒子間的相互作用及其場描述的方式，引入抽象的網(wǎng)絡(luò)拓撲空間進行處理，通過節(jié)點之間的相關(guān)作用，產(chǎn)生了節(jié)點影響力的疊加，由于節(jié)點位置的差異，節(jié)點所受到網(wǎng)絡(luò)中其它所有節(jié)點對其的影響力以及它擴散到網(wǎng)絡(luò)中其它節(jié)點的影響力都是不同的，可以很好的刻畫出復雜網(wǎng)絡(luò)拓撲中節(jié)點分布的不均勻性和局部社區(qū)聚集的特性。同時網(wǎng)絡(luò)中節(jié)點間的相互作用具有局域特性，每個節(jié)點的影響能力會隨網(wǎng)絡(luò)距離的增長而快速衰減，同時節(jié)點作用力的范圍較小，可以忽略較遠范圍外的節(jié)點影響力值的疊加計算，從而有效減少運算復雜度。在一個網(wǎng)絡(luò)拓撲中，與局部核心節(jié)點緊密連接的節(jié)點，即為網(wǎng)絡(luò)中的骨干成員，在這個局部的區(qū)域內(nèi)，它們受到了核心節(jié)點的影響與作用，同時也反作用的影響著該區(qū)域內(nèi)的核心節(jié)點；重疊節(jié)點是從社區(qū)提取出骨干成員后，網(wǎng)絡(luò)呈現(xiàn)出不同局部中心的社團結(jié)構(gòu)，如果兩個社區(qū)之間的節(jié)點存在著交集，即該節(jié)點與多個局部社區(qū)都存在相互的關(guān)聯(lián)和影響，稱為重疊節(jié)點，這種類型的節(jié)點更多的承擔著多面性和中立性的角色，孤立節(jié)點是在局部中心的擴散過程中，沒有被該局部中心影響力所覆蓋的一些外圍節(jié)點，這類的節(jié)點在網(wǎng)絡(luò)拓撲中往往處于邊緣的位置，它們對網(wǎng)絡(luò)中其它節(jié)點的影響力很少，同樣，也很少受到其它節(jié)點對它的影響。對于社區(qū)劃分方法，傳統(tǒng)可分為兩類自下而上的凝聚式方法(agglomerativemethods)和自上而下的分裂式方法(divisionmethods)。第一種是對于網(wǎng)絡(luò)中的任意一對節(jié)點K和Vj，定義一個描述節(jié)點間連接緊密程度的量Wy。算法開始時，去除網(wǎng)絡(luò)中所有的邊，將剩下的每個節(jié)點視為一個個單獨的社區(qū)。按照Wy由大到小的順序，依次連接網(wǎng)絡(luò)中的節(jié)點。在每一步，網(wǎng)絡(luò)中的節(jié)點組成了若干個連通分支，隨著算法的進行，連通分支數(shù)量越來越少，最后，所有的節(jié)點均連接到一個分支中。算法進行的每一步所得到的分支構(gòu)成了一個樹狀圖(dendrogram)。第二種是分裂式方法該方法與凝聚式方法正好想法，是從原網(wǎng)絡(luò)出發(fā)，按照一定的規(guī)則，依次移除網(wǎng)絡(luò)中的邊，從而將網(wǎng)絡(luò)分解成越來越小的連通分支，直至最后所有節(jié)點自成一個社區(qū)。復雜網(wǎng)絡(luò)中的社區(qū)現(xiàn)象，已經(jīng)成為復雜網(wǎng)絡(luò)領(lǐng)域中一個非常重要的研究熱點。Girvan,Newman等很多著名的科學家都提出了自己的社區(qū)挖掘方法，對復雜網(wǎng)絡(luò)的社區(qū)挖掘目前呈現(xiàn)百家爭鳴的狀態(tài)，然而，不同算法的時間、空間復雜度也相差很大。下面列舉3種比較廣泛應(yīng)用的方法。M.Girvan與M.E.丄Newman在2001年提出了基于邊介數(shù)的社區(qū)發(fā)現(xiàn)方法，即GN算法。這種算法在社會學的分級聚類方法中屬于分裂方法。提出以邊介數(shù)作為劃分不同社區(qū)的標準。邊介數(shù)定義為網(wǎng)絡(luò)中所有最短路徑經(jīng)過該邊的次數(shù)。根據(jù)社區(qū)的特性可知，社區(qū)間的最短路徑通過社區(qū)間邊的頻率遠大于社區(qū)內(nèi)部的邊，所以社區(qū)之間的邊比社區(qū)內(nèi)部的邊有更大的邊介數(shù)，通過反復移除這些介數(shù)較高的邊就能使整個網(wǎng)絡(luò)分解為不相連的社區(qū)。GN算法的核心算法如下(1)計算網(wǎng)絡(luò)中所有邊的邊介數(shù)(2)移除介數(shù)最高的邊(3)重新計算所有受影響邊的邊介數(shù)(4)從2重復執(zhí)行，直到所有的邊都被移除GN算法的缺點1、由于每次計算都要分析整個網(wǎng)絡(luò)的介數(shù)，算法時間復雜度較高(O(mn)),n和m分別為網(wǎng)絡(luò)的節(jié)點數(shù)和邊數(shù)2、通過樹狀圖把網(wǎng)絡(luò)分解到節(jié)點，強迫任何一個節(jié)點必須屬于一個社區(qū)，而并沒有考慮是否真正有意義。Kernighan-Lin算法是一種貪婪(Greedy)算法，通過對社區(qū)內(nèi)部以及社區(qū)間邊的優(yōu)化，對網(wǎng)絡(luò)進行劃分。算法的核心思想是引入一個增益函數(shù)Q，Q等于兩個社區(qū)內(nèi)部的邊數(shù)之和減去這兩個社區(qū)之間的邊數(shù)，基于貪婪思想找到使Q的增益最大的劃分。算法可以分為如下幾個步驟(1)指定規(guī)?；蛘唠S機地將現(xiàn)有網(wǎng)絡(luò)劃分為兩個社區(qū)i和j;(2)分別從兩個社區(qū)內(nèi)各取一個節(jié)點Ni和Nj,計算并記錄這兩個節(jié)點的增益函數(shù)的變化值A(chǔ)QHQ交換后一Q交換前I，其中，Q交換后表示交換后的增益函數(shù)值，Q交換前表示交換前的增益函數(shù)值。根據(jù)記錄的AQ的最大值，將其關(guān)聯(lián)的一對節(jié)點Nk和N,進行交換。(3)不再選擇已經(jīng)交換過的節(jié)點，重復2)的過程，直到某個社區(qū)i或j內(nèi)的所有節(jié)點都被交換一次為止。經(jīng)過上述步驟后，所得網(wǎng)絡(luò)的結(jié)構(gòu)即為對該網(wǎng)絡(luò)的社區(qū)劃分。Kernighan-Lin算法是一種二分法，即通過這種方法將網(wǎng)絡(luò)劃分為兩個社區(qū)，但是這兩個社區(qū)的大小需要事先給定，否則，就很可能不會得到正確的結(jié)果。Kernighan-Lin算法的這個缺陷使得它在實際網(wǎng)絡(luò)分析中難以應(yīng)用?；趫D的Laplace矩陣的特征值的譜二分法(Spectralbisectionmethod),是通過分析圖的拉普拉斯(Laplacian)矩陣的特征向量來完成社區(qū)的劃分的。當一個網(wǎng)絡(luò)中僅存在兩個社團，也就是說該網(wǎng)絡(luò)的Laplace矩陣L僅對應(yīng)兩個對角矩陣塊時的情況。對一個實對稱的矩陣而言，它的非退化的特征值對應(yīng)的特征向量總是正交的。因此，除最小特征值O以外，矩陣L其它特征值對應(yīng)的特征向量總是包含正、負兩種元素。這樣，當網(wǎng)絡(luò)由兩個社團構(gòu)成時，就可以根據(jù)非零特征值相應(yīng)的特征向量中的元素對應(yīng)網(wǎng)絡(luò)的節(jié)點迸行分類。其中，所有正元素對應(yīng)的那些節(jié)點都屬于同一個社團，而所有的負元素對應(yīng)的節(jié)點則屬于另一個社團。這是譜平分法的理論基礎(chǔ)。譜平分方法最大的缺陷就是當網(wǎng)絡(luò)的確是近似地分成兩個社團時，用譜平分法可以得到非常好的效果。如果要將一個網(wǎng)絡(luò)分成兩個以上的社團，就必須對子社團多次重復該算法。而且譜平分法劃分結(jié)果的優(yōu)點也不能得到充分體現(xiàn)?？傊?，與社區(qū)相關(guān)的理論涉及圖論、模式識別和社會學等多個領(lǐng)域等，但大部分算法都存在如下一些問題。1、對于一個大規(guī)模的網(wǎng)絡(luò)，需要根據(jù)不同的情境引入各種節(jié)點相似性度量標準，例如結(jié)構(gòu)化等價和層次聚類中的節(jié)點間路徑的數(shù)目等等，計算網(wǎng)絡(luò)中任意兩個節(jié)點間連接緊密程度，算法效率比較低，復雜度較大；2、不能保證得到最優(yōu)的網(wǎng)絡(luò)劃分結(jié)果，由于需要人為指定期望的社區(qū)數(shù)目或者是提供算法終止的一個臨界閾值，因此，并不能保證得到的劃分是一種最優(yōu)的網(wǎng)絡(luò)劃分結(jié)果，并且實際應(yīng)用中，由于用戶無法預知社區(qū)的大小，通常需要用多種大小不同的劃分方案對網(wǎng)絡(luò)進行劃分，之后通過引入一些最優(yōu)化原則選取最佳的劃分方案，算法的復雜度比較高。3、在所有的社區(qū)劃分方法中，對于每個節(jié)點的劃分結(jié)果只能僅僅屬于一個單獨的社區(qū)，屬于一種硬劃分，這與現(xiàn)實世界的網(wǎng)絡(luò)結(jié)構(gòu)與節(jié)點位置在某種程度上存在著差異，譬如真實網(wǎng)絡(luò)中存在節(jié)點成員可以屬于不同的社區(qū)，可以從不同的視角發(fā)現(xiàn)該成員在不同的社區(qū)連接的網(wǎng)絡(luò)拓撲中承擔不同的角色與任務(wù)，而傳統(tǒng)的算法只能進行精確的劃分，對真實網(wǎng)絡(luò)而言,丟失了很多重要的信息。
發(fā)明內(nèi)容本發(fā)明提出一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法，以若干個不同的局部帶有影響力的節(jié)點為核心，并使節(jié)點的影響力從核心逐層向外均勻擴散，最終形成了以影響力最大的節(jié)點為核心，逐層擴展中節(jié)點的影響力不斷衰減，它們之間相互關(guān)聯(lián)形成一個局部區(qū)域，擴展到方法的停止，節(jié)點影響力很小，到達該局部區(qū)域的網(wǎng)絡(luò)邊緣。本方法能夠很好的識別網(wǎng)絡(luò)中的局部社團結(jié)構(gòu)，并對網(wǎng)絡(luò)內(nèi)成員類型進行分類，更加符合真實網(wǎng)絡(luò)中節(jié)點多樣性的特點，尤其對于一個大規(guī)模的無序復雜網(wǎng)絡(luò)，能夠迅速的定位不同重要程度的節(jié)點位置，挖掘出一些更細粒度上的信息，同時可以保持了原有網(wǎng)絡(luò)的結(jié)構(gòu)特性不變，對原有的大規(guī)f莫復雜網(wǎng)絡(luò)進行簡化與規(guī)模的縮小，不僅可以提高搜索的效率，更可以從宏觀上更清晰的分析出大規(guī)模網(wǎng)絡(luò)的結(jié)構(gòu)。一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法，包括如下步驟步驟1:對于給定的拓撲結(jié)構(gòu)，基于節(jié)點局部影響力的特性，選取整個網(wǎng)絡(luò)結(jié)構(gòu)中的影響范圍，計算網(wǎng)絡(luò)中所有節(jié)點相互作用之后而產(chǎn)生的影響力疊加值；步驟2:選取影響力值最大的節(jié)點為中心，選取與該節(jié)點直接相連的節(jié)點為第一層，按跳數(shù)向外擴展，擴展與它相鄰的鄰居節(jié)點作為下一層，形成一個以影響力最大的節(jié)點為中心，各層節(jié)點中最大影響力數(shù)值不斷下降趨勢的區(qū)域；步驟3:計算每層擴展節(jié)點對下一層節(jié)點和對上一層節(jié)點連接的邊數(shù)的比值，當這個比值下降時，停止該局部中心的擴展；在擴展的過程中，如果在當前擴展層中存在節(jié)點的影響力數(shù)值大于前一層節(jié)點的最大影響力值，那么就刪除該節(jié)點，并且對該次擴展的所有剩余節(jié)點，利用歸屬度對剩余節(jié)點中每個節(jié)點是否屬于該局部區(qū)域進行判斷；否則當前擴展層中存在節(jié)點的影響力數(shù)值都小于前一層節(jié)點的最大影響力值，全部歸入該中心形成的局部社團；步驟4:輸出與該局部中心最大值節(jié)點存在緊密連接的所有成員，即屬于該局部區(qū)域的骨干成員(它們對該局部影響力最大的節(jié)點都產(chǎn)生影響力的疊加，同時也被最大影響力的局部中心所影響和覆蓋)，結(jié)束本次擴展；步驟5:對網(wǎng)絡(luò)中剩余的節(jié)點，轉(zhuǎn)到步驟2，直至網(wǎng)絡(luò)中所有節(jié)點都被擴展過；步驟6:輸出不同局部社區(qū)之間的重疊節(jié)點和邊緣節(jié)點，并對邊緣節(jié)點進行社區(qū)歸屬的判斷，統(tǒng)計它與已有局部社區(qū)的連接情況，判斷該邊緣節(jié)點是屬于哪個局部社區(qū)，本方法結(jié)束。所述步驟1中計算網(wǎng)絡(luò)中所有節(jié)點相互作用之后而產(chǎn)生的影響力疊加值，采用香農(nóng)熵的方式，公式如下所示<formula>formulaseeoriginaldocumentpage8</formula>其中，H表示香農(nóng)熵的值，Z-t^(v,)為標準化因子，WW…，為網(wǎng)絡(luò)中節(jié)點n，…,^的影響力值；如果每個節(jié)點的影響力值相同，則說明網(wǎng)絡(luò)拓撲中節(jié)點沒有差異，即具有最大的香農(nóng)熵，反之，如果節(jié)點的影響力非常的不同，則說明不確定性最小，具有最小的香農(nóng)熵，選取香農(nóng)熵為最小的影響范圍值。所述步驟3中的邊數(shù)比值，計算公式如下N(s，d)N(s，d-l)其中，N(s，d)表示d層所有的擴展節(jié)點s的邊數(shù)，N(s，d-l)表示d層所有的擴展節(jié)點s在d-l層的邊數(shù)。所述步驟3的歸屬度為節(jié)點與前層節(jié)點的連接邊數(shù)與該節(jié)點本身固有的度數(shù)的比值，對該節(jié)點是否屬于該局部區(qū)域進行判斷，當歸屬度大于0.5時，則認為該節(jié)點屬于該局域社區(qū)，對該節(jié)點進行歸并到該局部的社區(qū)內(nèi)部。所述步驟6中對該邊緣節(jié)點進行社區(qū)歸屬的的判斷，具體方法是選擇每個邊緣節(jié)點與每個不同社區(qū)內(nèi)部存在的連邊數(shù)目，連邊數(shù)目越大的社區(qū)為該邊緣節(jié)點的所屬社區(qū)。本發(fā)明一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法的優(yōu)點在于(1)借用物理學中場的思想，可以更真實的反應(yīng)網(wǎng)絡(luò)中節(jié)點拓撲位置的差異性和影響力程度，并且對于不同的網(wǎng)絡(luò)，調(diào)整網(wǎng)絡(luò)中節(jié)點的影響力范圍，更加體現(xiàn)了節(jié)點的本質(zhì)特性;(2)以影響力大的節(jié)點為網(wǎng)絡(luò)中的局部中心，不僅從數(shù)學分析還是從網(wǎng)絡(luò)中社區(qū)的本質(zhì)特性，這種思想都能夠很好的體現(xiàn)出社區(qū)的結(jié)構(gòu)和網(wǎng)絡(luò)內(nèi)節(jié)點之間的交互關(guān)系，而不需要更多的人為指定與先驗知識對網(wǎng)絡(luò)進行限制；(3)通過節(jié)點之間的影響力和交互關(guān)系，可以將網(wǎng)絡(luò)中的節(jié)點分為多種不同的類型，骨干成員、重疊節(jié)點和孤立節(jié)點。從不同類型節(jié)點的分布情況，也可以進一步的發(fā)現(xiàn)整個網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)，從而完成對社區(qū)結(jié)構(gòu)的發(fā)掘，并且沒有對節(jié)點唯一歸屬的約束，劃分的結(jié)果不僅準確性高而且更自然合理；(4)算法的復雜程度低，由于對節(jié)點進行了預處理，因此在發(fā)掘網(wǎng)絡(luò)中節(jié)點類型和分類的過程中，大大降低了計算的復雜程度，相對于其它的社區(qū)結(jié)構(gòu)發(fā)現(xiàn)方法而言，性能更優(yōu)，并且對于大規(guī)模的網(wǎng)絡(luò)，有更多的應(yīng)用價值。圖1為現(xiàn)實世界中蛋白質(zhì)相互作用的復雜網(wǎng)絡(luò)，呈現(xiàn)出明顯的復雜網(wǎng)絡(luò)特性；圖2為本發(fā)明一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法的實驗載體空手道俱樂部的真實網(wǎng)絡(luò)拓撲圖3為本發(fā)明一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法的實驗載體空手道俱樂部網(wǎng)絡(luò)的原始圖；圖4為本發(fā)明一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法的步驟流程圖5為本發(fā)明一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法的網(wǎng)絡(luò)成員識別的初始狀態(tài)1;圖6為本發(fā)明一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法的網(wǎng)絡(luò)成員識別的初始狀態(tài)2;圖7為本發(fā)明一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法的網(wǎng)絡(luò)成員識別的初始狀態(tài)3;圖8為本發(fā)明一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法的網(wǎng)絡(luò)成員識別的初始狀態(tài)4;圖9為本發(fā)明一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法的網(wǎng)絡(luò)成員識別的初始狀態(tài)5;圖10為本發(fā)明一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法的網(wǎng)絡(luò)成員識別的初始狀態(tài)6;圖11為本發(fā)明一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法的網(wǎng)絡(luò)成員識別的最終結(jié)果網(wǎng)絡(luò)拓撲圖;圖12為本發(fā)明一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法的網(wǎng)絡(luò)成員識別的節(jié)點的影響力變化曲線。具體實施例方式下面將結(jié)合附圖對本發(fā)明作進一步的詳細說明。本發(fā)明的目的在于基于網(wǎng)絡(luò)中節(jié)點的影響力大小而提出一種挖掘不同節(jié)點類型的方法，采取物理學中場的思想，計算網(wǎng)絡(luò)拓撲空間中節(jié)點的影響力場的相互作用大小，并按照影響力從大到小的結(jié)果進行輸出，提取以最大影響力為核心的節(jié)點所覆蓋的節(jié)點成員稱為骨千成員，局部區(qū)域之間相互重疊的節(jié)點集合為重疊節(jié)點，沒有被該區(qū)域的核心節(jié)點所覆蓋的節(jié)點即為孤立節(jié)點，從而對大規(guī)模復雜網(wǎng)絡(luò)中眾多的節(jié)點從微觀的層面進行了分類，發(fā)現(xiàn)更細粒度上的一些潛在的信息。為了驗證本方法的正確性與有效性，本實施例采用該領(lǐng)域研究者公認的數(shù)據(jù)集為實驗載體，進一步的詳細說明，采用著名的Zachary社會關(guān)系網(wǎng)。20世紀70年代，WayneZachary用三年時間(1970~1972年)觀察美國一所大學空手道俱樂部成員間的社會關(guān)系，并構(gòu)造如圖2所示的俱樂部成員社會關(guān)系網(wǎng)。網(wǎng)絡(luò)包含34個節(jié)點，78條邊，每個節(jié)點表示一個俱樂部成員，節(jié)點間的連接表示兩個成員經(jīng)常一起出現(xiàn)在俱樂部活動(如空手道訓練、俱樂部聚會等)之外的其他場合，即在俱樂部之外他們可以被稱為朋友。調(diào)査過程中，該俱樂部因為主管JohnA.(節(jié)點34)與教練Mr.Hi(節(jié)點1)之間的爭執(zhí)而分裂成2個各自以他們?yōu)楹诵牡男【銟凡?，圖中不同顏色與形狀的節(jié)點代表分裂后的小俱樂部成員。由于該網(wǎng)絡(luò)作為一個真實的小型社會關(guān)系網(wǎng)，大量被研究者用于測試社區(qū)發(fā)現(xiàn)方法的有效性。首先對整個網(wǎng)絡(luò)中所有節(jié)點的類型不進行任何的標注和處理，節(jié)點的類型和大小形狀進行統(tǒng)一，即最原始的網(wǎng)絡(luò)拓撲圖，如圖3所示，圖中所有的34個點都表示該俱樂部的個體，從圖中可以看出，這些個體地位均等，體現(xiàn)不出個體周圍的緊密連接程度，下面進行按實例逐步實施，如圖4所示步驟1:對俱樂部網(wǎng)絡(luò)中的所有節(jié)點，計算它們的影響力值，所以首先根據(jù)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，選取最優(yōu)的影響范圍大小，從而，說明在此影響范圍的情況下，網(wǎng)絡(luò)中節(jié)點的差異性最大，整個網(wǎng)絡(luò)的不確定性程度也最大。計算網(wǎng)絡(luò)節(jié)點的影響范圍，采用香農(nóng)熵的方式，公式如下所示，信息論中，香農(nóng)熵是用來度量系統(tǒng)不確定性程度，熵越大，不確定性就越大，如果每個節(jié)點的影響力值相同，則說明網(wǎng)絡(luò)拓撲中節(jié)點沒有差異，即具有最大的香農(nóng)熵，反之，如果節(jié)點的影響力非常的不同，則說明不確定性最小，具有最小的香農(nóng)熵，因此為了突出節(jié)點位置與影響力范圍的不同，選取香農(nóng)熵為最小的影響范圍值。<formula>formulaseeoriginaldocumentpage11</formula>其中，<formula>formulaseeoriginaldocumentpage11</formula>為標準化因子，幽)，伊(w…，<^n)為網(wǎng)絡(luò)中節(jié)點n，…，^的影響力值。采用香農(nóng)熵公式選取影響力最小時候的影響因子取值，即為最優(yōu)的影響范圍，具體采用搜索中的折半方法，通過不斷折半選取影響范圍值，使搜索的區(qū)間不斷減小，直至獲得滿足精度要求的影響范圍極小值，即為最優(yōu)影響范圍，對于該俱樂部網(wǎng)絡(luò)取得的值為a等于0.942463。使用物理場中的高斯函數(shù)的形態(tài)，抽象出如下公式計算節(jié)點的影響力大小，如下式所示，即為網(wǎng)絡(luò)拓撲中每個節(jié)點被整個空間其它所有節(jié)點影響力的一個疊加的影響力總和，數(shù)值最大，表明該節(jié)點在整個網(wǎng)絡(luò)中影響程度越大其中，n表示網(wǎng)絡(luò)中的節(jié)點數(shù)目，dij表示節(jié)點Vi,Vj間的網(wǎng)絡(luò)距離，這里采用最短路徑長度(即從一個節(jié)點到另外一個節(jié)點所經(jīng)過的邊的條數(shù)的最小值)來度量；a是網(wǎng)絡(luò)中所求取得最優(yōu)影響范圍。從而得到該網(wǎng)絡(luò)中每個節(jié)點的影響力大小結(jié)果如表1所示。表1Zachaiy網(wǎng)絡(luò)原始的網(wǎng)絡(luò)中每個節(jié)點的影響力大小結(jié)果<table>tableseeoriginaldocumentpage11</column></row><table><table>tableseeoriginaldocumentpage12</column></row><table>步驟2:對于該俱樂部網(wǎng)絡(luò)而言，影響力值最大的節(jié)點為34號節(jié)點，擴展以34號節(jié)點為中心的所有鄰居節(jié)點作為下一層，之后在以34號節(jié)點的所有鄰居的直接鄰居進行不斷循環(huán)擴展，形成一個以影響力最大的34號節(jié)點為中心，擴展的各層節(jié)點中最大影響力數(shù)值不斷下降的趨勢的區(qū)域；從表中的結(jié)果我們可以看出該網(wǎng)絡(luò)中影響力值最大的節(jié)點為34，選取34號節(jié)點為一個局部中心，逐層擴展與它相鄰的鄰居節(jié)點，形成一個以影響力最大的34號節(jié)點為中心，各層節(jié)點中最大影響力數(shù)值不斷下降的趨勢；步驟3:計算以34為局部中心進行擴展的過程，每層擴展出來的所有節(jié)點對下一層節(jié)點和對上一層節(jié)點連接的邊數(shù)的比值，計算公式如下N(s，d)N(s,d-l)其中，N(s,d)表示以局部中心向下擴展到d層,d層中所有的擴展節(jié)點s的邊數(shù),N(s，d-l)表示d層中所有的擴展節(jié)點s在d-l層的邊數(shù)。當上述的比值出現(xiàn)下降時，停止該局部中心的循環(huán)擴展過程；在之前的擴展過程中，如果出現(xiàn)當前擴展層中存在節(jié)點的影響力數(shù)值大于前一層節(jié)點的最大影響力值，那么就刪除該節(jié)點，并且對該次擴展的所有剩余節(jié)點，利用歸屬度判斷該次擴展的所有剩余節(jié)點是否屬于該局部區(qū)域，歸屬度為節(jié)點與前層節(jié)點的連接邊數(shù)與該節(jié)點本身度數(shù)的比值，對該節(jié)點是否屬于該局部區(qū)域進行判斷，當歸屬度大于0.5時，則認為該節(jié)點屬于該局域社區(qū)，對該節(jié)點進行歸并到該局部的社區(qū)內(nèi)部。如果當前擴展層中存在節(jié)點的影響力數(shù)值都小于前一層節(jié)點的最大影響力值，即每層擴展的節(jié)點中最大的影響力數(shù)值都呈一個下降的趨勢，全部歸入該局部中心形成的局部社團。以34號節(jié)點為局部中心值進行擴展，初始狀態(tài)1如圖5所示。從圖中可以看出，34號節(jié)點為圓形標記，其它圓形外層為方型的節(jié)點表示以34為節(jié)點下層待擴展的所有節(jié)點。因此，選取影響力值最大的節(jié)點34為局部中心進行鄰居節(jié)點的擴展，包含節(jié)點{9,10，14,15，16，19，20，21,23，24，27，28，29,30，31,32,33},從表1中可以看出該層節(jié)點中影響力最大的為33號節(jié)點，值為4.892616;計算34號節(jié)點向外層擴展的所有節(jié)點{9,10，14，15，16，19，20,21，23，24，27,28,29,30，31,32，33}，對前一層節(jié)點和對后一層節(jié)點連接的邊數(shù)，分另!l為(34—9,34—10,3"14,3"15,34—16,3"19,3"20，3"21,3"23，3"24，3"27，3"28，3"29，34~>30,3"31,34~>32,3"33},共17條；{2"26,28—25,26~>32，25~>32,1~>32，1—20,1—9,1—14,3~>28,3—293—10，3—9，3~>14，2~>20，2—31,2~>14,"14，3~>33}，共18條；計算后一層與前一層之間的邊數(shù)的比值為1.058824,沒有滿足比值下降的終止條件，因此繼續(xù)擴展。此時，以34為局部中心的節(jié)點包括{9，10,14，15，16，19,20,21，23，24，27,28，29,30,31,32,33}。形成的初始狀態(tài)2如圖6所示，從圖中我們可以看出，與表示初始狀態(tài)1的圖5相比，第一層擴展的所有節(jié)點{9，10，14，15，16,19，20，21，23，24，27，28，29，30，31，32，33}的形狀都變成了圓形，即都是屬于34為中心的局部區(qū)域，而下一層待擴展的節(jié)點U，2，3,4,25,26}用圓形帶外方型輪廓來標識，表示待擴展的所有節(jié)點。繼續(xù)擴展以34為局部中心的節(jié)點的下層節(jié)點U，2，3,4，25,26}，統(tǒng)計該層節(jié)點U，2,3,4,25,26}對上一層和對下一層的邊數(shù)，分別為18條{24—26,28—25，26—32，25—32,1—32，1—20,1—9，1~>14，3—28，3—29,3~>10，3~>9,3~14，2—20，2—31，2—14,"14，3—33}和15條{3~>8，1~>7，1~>6,1—5,1~>11，1—13，1—12，1—22,1—18，4—13，2~>22，2—18，2~>8,1—8，"8},比值為0.833333,小于上次擴展中的比值1.058824,即在該層擴展過程中出現(xiàn)了邊比值下降的趨勢，即以34號節(jié)點為局部中心的擴展到達社區(qū)的邊緣，該次擴展停止。對該層中所有節(jié)點進行比較，從表1中可以看出，由于1的影響力值大于前層的最大值，即33號節(jié)點，因此在擴展的該層節(jié)點中刪除節(jié)點1,并且對最外層的節(jié)點{2，3，4，25，26}依據(jù)歸屬度進行判斷，如下所示節(jié)點標號向內(nèi)的度數(shù)總度數(shù)結(jié)論229排除3610保留416排除2523保留2623保留步驟4:輸出俱樂部網(wǎng)絡(luò)中以34號節(jié)點為局部中心的所有骨干成員，包括{34,9，10,14,15，16,19，20,21，23，24，27，28，29，30,31，32，33，3，25,26}，初始狀態(tài)3如圖7所示，從圖中我們可以看出，這是本方法以34節(jié)點為中心擴展的最終結(jié)果，與圖6相比，將圖6中待擴展的節(jié)點，即圓形方型外框的節(jié)點，依據(jù)歸屬度和影響力值進行比較，刪除了不屬于本區(qū)域的成員，所有的節(jié)點都是圓形節(jié)點，用外輪廓標記了本方法的最終結(jié)果成員。步驟5:對網(wǎng)絡(luò)中剩余的節(jié)點，轉(zhuǎn)到步驟2，步驟2a:從剩余的所有節(jié)點中，選取影響力值最大的節(jié)點為1，新一輪的遞歸査找開始，初始狀態(tài)4如圖8所示。從圖中可以看出，l號節(jié)點為豎方型標記，其它圓形外層為方型的節(jié)點表示以34為節(jié)點下層待擴展的所有節(jié)點。因此，選取影響力值最大的節(jié)點1為局部中心進行鄰居節(jié)點的擴展，包含節(jié)點{2，3，4，5，6，7,8，9,11，12，13，14，18，20，22，32}。->步驟3a:從表1中可以看出該層節(jié)點中影響力最大的為3號節(jié)點，值為4.243847;計算1號節(jié)點向外層擴展的所有節(jié)點{2,3，4，5，6，7，8,9，11,12,13,14,18,20,22,32}對上一層和對下一層的邊的數(shù)目，分別為16條:{1->2,1->3，1->4，1->5,1->6，1->7，1->8，1->9，1->11，1->12，1->13，1->14，1->18,1->20，1->22，1~>32}和17條{32->25,32->26,->28，3->29,29->32，3->32，34->20，34—9，3->14,33->32，33->3,33—9，10—3，31—9，31—2，17—6，17—7}，計算它們之間的比值為1.062500，此時形成的初始狀態(tài)5如圖9所示。從圖中我們可以看出，與表示初始狀態(tài)4的圖8相比，第一層擴展的所有節(jié)點{2，3，4，5,6,7，8，9,11，12，13，14，18，20，22,32}的形狀都變成了豎方型，即都是屬于以1號節(jié)點為中心的局部區(qū)域，而下一層待擴展的節(jié)點U7，25，26，28,29,33，34,31,10}用圓形帶外方型輪廓來標識。以1號節(jié)點為局部中心進行第二層的擴展，包含的節(jié)點為U7，25,26，28,29，33,34,31，10},統(tǒng)計該層節(jié)點U7，25，26,28，29,33,34,31，10}對上一層和對下一層的邊數(shù)，分另U為17條17條{32—25，32~>26，3—28,3—29，29~>32,3->32,34—20，34—9，34—14,33—32，33~>3,33~>9,10~>3，3->9，31~>2,17~>6,17—7}和17條{2"26，24—28，2"34,2"33，30—34,30—33,27~>34,2"34，2"33，15—34，15—33，19—34，19—33,23—34，23—33,16—33,16—34}計算它們之間的比值為1,比值出現(xiàn)下降，停止局部中心1號節(jié)點的擴展。對該層的所有節(jié)點U7，25，26，28，29,33，34，31,IO腿行影響力值與歸屬度的比較，從表l中可以發(fā)現(xiàn)，由于該層的節(jié)點33(4.892616)和34(6.514539)的影響力值大于前層節(jié)點的影響力值得最大值3號節(jié)點，為4.243847。因此刪除33和34,并對該層剩余的所有節(jié)點U7，25，26,28,29,31,10}進行歸屬度的比較，如下所示節(jié)點標號向內(nèi)的度數(shù)總度數(shù)結(jié)論1012刪除3124刪除2923保留2814刪除2513刪除2613刪除1722保留步驟4a:輸出俱樂部網(wǎng)絡(luò)中以1號節(jié)點為局部中心的所有骨干成員，包括{2，3,4，5，6，7，8，9,11，12，13，14，18，20,22，32,17,29},如圖10所示，從圖中我們可以看出，這是本方法以1節(jié)點為中心擴展的最終結(jié)果，與圖9相比，將圖9中待擴展的節(jié)點，即圓形方型外框的節(jié)點，依據(jù)歸屬度和影響力值進行比較，刪除了不屬于本區(qū)域的成員，所有的節(jié)點都是方形節(jié)點，用外輪廓加粗標記了l社區(qū)的最終結(jié)果成員。步驟5a:此時網(wǎng)絡(luò)中所有節(jié)點都已經(jīng)被發(fā)現(xiàn)，算法完畢步驟6:輸出不同局部社區(qū)內(nèi)同時存在的節(jié)點，即兩個局部社區(qū)之間的重疊節(jié)點；輸出邊緣節(jié)點，并對邊緣節(jié)點進行社區(qū)歸屬的判斷，統(tǒng)計它與已有局部社區(qū)的連邊情況，判斷該邊緣節(jié)點是屬于哪個局部社區(qū)。也就是對節(jié)點的連邊情況進行判斷，選擇連邊數(shù)目最大的社區(qū)為該邊緣節(jié)點的所屬社區(qū)。本方法結(jié)束。以34為局部中心的區(qū)域和以1號節(jié)點為局部中心的區(qū)域中的重疊節(jié)點為{3，9,14,32，29,20};該網(wǎng)絡(luò)不存在邊緣節(jié)點；實驗結(jié)果最終形成的拓撲結(jié)構(gòu)圖如圖11所示，其中黃色圓圈代表34為局部中心的社區(qū)成員，紅色方形代表l為局部中心的社區(qū)成員，其中藍色三角型的代表兩個社區(qū)之間的重疊節(jié)點。從圖中可以看出對于整個網(wǎng)絡(luò)拓撲，實際是分別以兩個局部中心(34號節(jié)點和1號節(jié)點)而形成了相對連接緊密的區(qū)域，在各自的局部空間內(nèi)，成員之間的關(guān)系更緊密，并且逐層向下影響力越來越小，它們的邊界區(qū)分非常明顯，并且在兩個區(qū)域的中間位置，存在一些節(jié)點與兩個區(qū)域都存在著緊密的聯(lián)系，為重疊節(jié)點。在整個網(wǎng)絡(luò)擴展的過程中，節(jié)點的影響力變化趨勢如圖12所示，橫坐標表示網(wǎng)絡(luò)中節(jié)點的標簽，縱坐標表示節(jié)點的拓撲勢值。從折線圖中可以看出，首先選出了影響力最大的34號節(jié)點，之后進行擴展它的下一層節(jié)點{9,10，14，15，16,19，20，21，23，24，27,28，29,30，31，32，33},它們的影響力值也不斷的衰減，由于邊數(shù)比值沒有下降，所以進行再下一層的擴展，節(jié)點為{3,25,26}，第一次循環(huán)結(jié)束，重復步驟2，以l為局部中心，之后進行擴展它的下一層節(jié)點U7，25，26，28,29，33,34，31,10}，它們的影響力值也不斷的衰減，由于邊數(shù)比值沒有下降，所以進行再下一層的擴展，節(jié)點為U7，29}，算法停止，從折線圖的變化趨勢可以很好的看出，在擴展的過程中，每層節(jié)點的影響力呈下降趨勢。進一步，如果對該網(wǎng)絡(luò)中的重疊節(jié)點進行精確劃分，在歸屬度的基礎(chǔ)上，比較每個重疊節(jié)點與各自每個社區(qū)內(nèi)骨干成員之間的邊的數(shù)目，邊數(shù)越多，則與該社區(qū)的連接更為緊密，判斷其屬于該社區(qū)，這樣對各種類型的節(jié)點進行了精確的歸屬度劃分，便形成了明確的社區(qū)結(jié)構(gòu)。針對該俱樂部網(wǎng)絡(luò)中的重疊節(jié)點分析結(jié)果如下社區(qū)1(34)社區(qū)2(1)結(jié)論3342931114132324112910120122因此，對所有的重疊節(jié)點進行歸屬后，便得到了俱樂部網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)，實驗結(jié)果表明，經(jīng)過該方法得到的社區(qū)結(jié)果與俱樂部網(wǎng)絡(luò)的真實結(jié)構(gòu)劃分結(jié)果完全相同如圖2所示，不存在任何誤分的節(jié)點。這也體現(xiàn)了本方法的正確性和有效性。權(quán)利要求1、一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法，其特征在于，包括如下步驟步驟一對于給定的拓撲結(jié)構(gòu)，基于節(jié)點局部影響力的特性，選取整個網(wǎng)絡(luò)結(jié)構(gòu)中的影響范圍，計算網(wǎng)絡(luò)中所有節(jié)點相互作用之后而產(chǎn)生的影響力疊加值；步驟二選取影響力值最大的節(jié)點為中心，選取與該節(jié)點直接相連的節(jié)點為第一層，按跳數(shù)向外擴展，擴展與它相鄰的鄰居節(jié)點作為下一層，形成一個以影響力最大的節(jié)點為中心，各層節(jié)點中最大影響力數(shù)值不斷下降趨勢的區(qū)域；步驟三計算每層擴展節(jié)點對下一層節(jié)點和對上一層節(jié)點連接的邊數(shù)的比值，當這個比值下降時，停止該局部中心的擴展；在擴展的過程中，如果在當前擴展層中存在節(jié)點的影響力數(shù)值大于前一層節(jié)點的最大影響力值，那么就刪除該節(jié)點，并且對該次擴展的所有剩余節(jié)點，利用歸屬度對剩余節(jié)點中每個節(jié)點是否屬于該局部區(qū)域進行判斷；否則當前擴展層中存在節(jié)點的影響力數(shù)值都小于前一層節(jié)點的最大影響力值，全部歸入該中心形成的局部社團；步驟四輸出與該局部中心最大值節(jié)點存在緊密連接的所有成員，即屬于該局部區(qū)域的骨干成員(它們對該局部影響力最大的節(jié)點都產(chǎn)生影響力的疊加，同時也被最大影響力的局部中心所影響和覆蓋)，結(jié)束本次擴展；步驟五對網(wǎng)絡(luò)中剩余的節(jié)點，轉(zhuǎn)到步驟二，直至網(wǎng)絡(luò)中所有節(jié)點都被擴展過；步驟六輸出不同局部社區(qū)之間的重疊節(jié)點和邊緣節(jié)點，并對邊緣節(jié)點進行社區(qū)歸屬的判斷，統(tǒng)計它與已有局部社區(qū)的連接情況，判斷該邊緣節(jié)點是屬于哪個局部社區(qū)，本方法結(jié)束。2、根據(jù)權(quán)利要求1所述一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法，其特征在于所述步驟一中計箅網(wǎng)絡(luò)中所有節(jié)點相互作用之后而產(chǎn)生的影響力疊加值，采用香農(nóng)熵的方式，公式如下所示<formula>formulaseeoriginaldocumentpage2</formula>其中，H表示香農(nóng)熵的值，2=|>(^)為標準化因子，^W,WW…，<^K)為網(wǎng)絡(luò)中節(jié)點K，…,^的影響力值；如果每個節(jié)點的影響力值相同，則說明網(wǎng)絡(luò)祐撲中節(jié)點沒有差異，即具有最大的香農(nóng)熵，反之，如果節(jié)點的影響力非常的不同，則說明不確定性最小，具有最小的香農(nóng)熵，選取香農(nóng)熵為最小的影響范圍值。3、根據(jù)權(quán)利要求1所述一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法，其特征在于所述步驟三中的邊數(shù)比值，計算公式如下<formula>formulaseeoriginaldocumentpage2</formula>其中，N(s，d)表示d層所有的擴展節(jié)點s的邊數(shù)，N(s，d-l)表示d層所有的擴展節(jié)點s在d-l層的邊數(shù)。4、根據(jù)權(quán)利要求1所述一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法，其特征在于所述步驟三的歸屬度為節(jié)點與前層節(jié)點的連接邊數(shù)與該節(jié)點本身固有的度數(shù)的比值，對該節(jié)點是否屬于該局部區(qū)域進行判斷，當歸屬度大于0.5時，則認為該節(jié)點屬于該局域社區(qū)，對該節(jié)點進行歸并到該局部的社區(qū)內(nèi)部。5、根據(jù)權(quán)利要求1所述一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法，其特征在于所述步驟六中對該邊緣節(jié)點進行社區(qū)歸屬的的判斷，具體方法是選擇每個邊緣節(jié)點與每個不同社區(qū)內(nèi)部存在的連邊數(shù)目，連邊數(shù)目越大的社區(qū)為該邊緣節(jié)點的所屬社區(qū)。全文摘要本發(fā)明提出一種復雜網(wǎng)絡(luò)中的社區(qū)劃分方法，以若干個不同的局部帶有影響力的節(jié)點為核心，并使節(jié)點的影響力從核心逐層向外均勻擴散，最終形成了以影響力最大的節(jié)點為核心，逐層擴展中節(jié)點的影響力不斷衰減，它們之間相互關(guān)聯(lián)形成一個局部區(qū)域，擴展到方法的停止，節(jié)點影響力很小，到達該局部區(qū)域的網(wǎng)絡(luò)邊緣。對于一個大規(guī)模的無序復雜網(wǎng)絡(luò)，能夠迅速的定位不同重要程度的節(jié)點位置，挖掘出一些更細粒度上的信息，同時可以保持了原有網(wǎng)絡(luò)的結(jié)構(gòu)特性不變，對原有的大規(guī)模復雜網(wǎng)絡(luò)進行簡化與規(guī)模的縮小，不僅可以提高搜索的效率，更可以從宏觀上更清晰的分析出大規(guī)模網(wǎng)絡(luò)的結(jié)構(gòu)。文檔編號G06F17/30GK101383748SQ20081022417公開日2009年3月11日申請日期2008年10月24日優(yōu)先權(quán)日2008年10月24日發(fā)明者張書慶,李德毅,武文琛,韓言妮申請人:北京航空航天大學