基于遗传算法的异构社会网络社区检测方法

摘要

本发明公开一种基于遗传算法的异构社会网络社区检测方法，主要解决现有技术在社会网络数据和关系规模较大时，检测到的社区结构正确率明显降低的问题。其实现方案是：根据网络中的节点个数和节点之间的联系信息构建描述异构社会网络的邻接矩阵；利用邻接矩阵产生随机的符号编码个体；采用改进的模块密度作为适应度函数评价个体的优劣；根据个体的适应度函数值采用遗传算法对个体进行优化；将优化得到的适应度函数值最高的个体还原成对应的异构网络，解码得到划分出的社区结构。实验结果表明，本发明能够有效检测出异构社会网络的社区结构，且检测正确率较高，可用于大规模异构社会网络的社区检测。

主权项

1.一种基于遗传算法的异构社会网络社区检测方法，包括如下步骤：1)对异构网络中的节点类别数k和每类节点的个数n₁，n₂，…，n_k进行统计，得到网络中节点总个数n=n₁+n₂+…+n_k；用每类节点的个数和节点之间联系信息构建描述异构社会网络的k维邻接矩阵A，A的大小为n₁×n₂…×n_k；2)令初始种群的大小pn=50，根据节点总个数n随机产生pn个采用符号编码的个体，用这些个体组成初始种群p₀；设置交叉概率pc=0.8，变异概率pm=0.2，初始代数g₀=1，最大代数mg=50，当前代数g=g₀，令第g代父代种群p_g等于初始种群p₀，即p_g=p₀；3)计算第g代父代种群p_g中每个个体的适应度函数值D：$D=\underset{c=1}{\overset{m}{\Sigma }}\frac{L\left(V^c\right)-L\left({\bar{V}}^c\right)}{\left|V^c\right|}-\frac{L\left(V\right)}{n},$式中，m是个体中的基因值种类个数，V¹,V²,…,V^m是由个体得到的m个社区的节点集合，V是网络中所有节点集合，即V=V¹∪V²∪…∪V^m，是节点集合V^c在V中的差集，即1≤c≤m，|V^c|是社区V^c中的节点个数，L(V^c)是第c个社区内的连边条数，是从第个c社区连接到网络中除第c个社区之外的其他社区的连边条数，L(V)是网络中的总连边条数；4)根据第g代父代种群p_g中每个个体的适应度函数值D，对第g代父代种群p_g进行精英保留操作和锦标赛选择操作，得到更新后的第g代父代种群p_g’；5)随机产生第一随机数rand₁，并对第一随机数rand₁和交叉概率pc进行比较，如果rand₁<pc，执行第6)步；否则，得到与更新后的第g代父代种群p_g’相等的第g代子代种群chp_g，即chp_g=p_g’，执行第7)步；6)对更新后的第g代父代种群p_g’进行单路交叉操作，得到第g代子代种群chp_g；7)对第g代子代种群chp_g中每个个体R进行变异操作，得到更新后的第g代子代种群chp_g’；8)令当前代数g=g+1，将当前代数g与最大代数mg进行比较，若g≤mg，则第g代的父代种群p_g与更新后的第g-1代子代种群chp_g-1’相等，即p_g=chp_g-1’，返回步骤3)；否则，执行步骤9）；9)取更新后的第g-1代子代种群chp_g-1’中适应度函数值最高的个体，将该个体还原成对应的异构网络，解码得到划分出的社区结构。