E = (k，s(i，k))集合。
[0033] 步骤S4包括以下步骤：
[0034] 步骤S40 :支持度消息的格式为（i，r (i，k))，r (i，k)为节点i对其近邻k的支持 度，所述r (i, k)初始化为0 ;
[0035] 步骤 S41 :map 运算：输入KEY = i，VALUE = (k, s(i, k))，以及（k, a(i, k))，a(i，k) 为适选度，根据公式：r(i, k) - s(i, k)-maxk, s.t.k, #kn k, {a(i, k' )+s(i, k' )}计算 r (i，k)，输出 KEY = i，VALUE = (k，r (i，k));
[0036] 步骤 S42 :reduce 运算：输入 KEY = i，VALUE = (k, r (i, k))集合，输出 KEY = i， VALUE = (k，r(i，k))集合。
[0037] 步骤S5包括以下步骤：
[0038] 步骤S50 :适选度消息的格式为（i，a(i，k))，a(i，k)表示节点k适合作为其近邻 i代表的程度，a(i，k)初始化为0 ;
[0039] 步骤 S51 :map 运算：输入KEY = i，VALUE = (k，r(i，k))集合，输出 KEY = k，VALUE =(i, r (i, k))；
[0040] 步骤 S52 :reduce 运算：输入 KEY = k，VALUE = (i, r (i, k))集合，输出 KEY = k， VALUE = (i，r(i，k))集合；
[0041] 步骤 S53 :map 运算：输入 KEY = k，VALUE = (i, r (i, k))集合，根据公式
[0042]算 a (i, k)，输出 KEY = i， VALUE = (k, a(i,k))；
[0043] 步骤 S54 :reduce 运算：输入 KEY = i，VALUE = (k, a(i, k))集合，输出 KEY = i， VALUE = (k，a(i，k))集合。
[0044] 步骤S6包括以下步骤：
[0045] 步骤 S61 :map 运算：输入 KEY = i，VALUE = (k, r (i, k))集合及（k, a(i, k))集合， 输出 KEY = i，VALUE = (r(i，k)，a(i，k));
[0046] 步骤 S62 :reduce 运算：输入 KEY = i，VALUE = (r(i, k), a(i, k))集合，根据公式 e⑴=argmaxks.t.kE NB(i) {r(i，k)+a(i，k) |r(i，k)+a(i，k)>0}计算 k = e(i)，同时将 k加入 集合 Sete,，输出 KEY = i，VALUE = k。
[0047] 步骤S8中根据代表点信息输出社区结构的主要过程：为根据代表点集Se%及 e⑴=argmaxks.t.kE ΝΒω {r(i, k)+a(i, k) |r(i, k)+a(i, k)>0}得到的每个节点 i 的代表点 e(i)，将代表点相同的节点划分到同一个社区Ck，使从属于同一个社区(；的成员的代表点 均指向同一个代表点k，再输出生成的社区集合。
[0048] 该算法应用于大规模社交网络中的社区发现，从而能够为当前日益蓬勃发展的 Web2. 0为特征的社交网络应用提供极具商业价值的社区、兴趣团体等信息，同时也为复杂 网络聚类在社交网络分析方向的发展提供有益补充。
[0049] 上列较佳实施例，对本发明的目的、技术方案和优点进行了进一步详细说明，所应 理解的是，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精 神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种基于混合近邻消息传播的并行社区发现算法，其特征在于，包括以下步骤： 步骤S1:读取原始数据，获取网络节点及节点近邻信息； 步骤S2:根据节点及近邻相似度信息进行并行相似度计算； 步骤S3 :初始化迭代次数iter= 1，代表点集Sei^i①； 步骤S4:支持度消息的并行计算及更新； 步骤S5:适选度消息的并行计算更新； 步骤S6:代表点的并行计算，及SetJ^更新； 步骤S7:若Se%不是空集且相邻两次迭代的Se%包含的元素完全相同，则迭代停止条 件满足；否则，判断迭代次数iter是否到达最大迭代次数maxlter，若是，则迭代停止条件 满足，其它情况表示迭代停止条件不满足，若迭代停止条件不满足，则iter=iter+1，返回 步骤S4; 步骤S8:根据代表点信息输出社区结构。2. 根据权利要求1所述的基于混合近邻消息传播的并行社区发现算法，其特征在于： 所述步骤S2包括以下具体步骤： 步骤S20:将原始数据组织成（i，NB(i))的形式，其中i表示节点，NB(i)节点的近邻集 合； 步骤S21:map运算：输入KEY=i，VALUE=NB(i)，输出KEY= (i，k)，VALUE=NB(i)，k为i的近邻； 步骤S22:reduce运算：输入KEY= (i，k)，VALUE=(NB(i)，NB(k))，根据公式：计算i和k的相似度s(i，k)，输出KEY=i，VALUE= (k，s(i，k))， 以及KEY=k，VALUE= (i，s(i，k)); 步骤S23:map运算：输入KEY=i，VALUE= (k,s(i,k))，输出KEY=i，VALUE= (k,s(i,k))； 步骤S24:reduce运算：输入KEY=i，VALUE= (k,s(i,k))集合，输出KEY=i，VALUE=(k,s(i,k))集合。3. 根据权利要求1所述的基于混合近邻消息传播的并行社区发现算法，其特征在于： 步骤S4包括以下步骤： 步骤S40 :支持度消息的格式为（i，r(i，k))，r(i，k)为节点i对其近邻k的支持度，将 所述r(i,k)初始化为0; 步骤S41:map运算：输入KEY=i，VALUE=(k, s(i, k))，以及（k, a(i, k))，a(i, k)为 适选度，根据公式：r(i,k)-s(i，k)-maxk, s.t.k, #knk, E_{a(i,k' )+s(i,k')}计算 r (i, k)，输出KEY = i，VALUE = (k, r (i, k)); 步骤S42:reduce运算：输入KEY=i，VALUE= (k,r(i,k))集合，输出KEY=i，VALUE=(k,r (i,k))集合。4. 根据权利要求1所述的基于混合近邻消息传播的并行社区发现算法，其特征在于： 步骤S5包括以下步骤： 步骤S50 :适选度消息的格式为（i,a(i,k))，a(i,k)表示节点k适合作为其近邻i代 表的程度，将a(i，k)初始化为0 ; 步骤S51:map运算：输入KEY=i，VALUE= (k,r(i,k))集合，输出KEY=k，VALUE= (i,r(i,k))； 步骤S52:reduce运算：输入KEY=k，VALUE= (i,r(i,k))集合，输出KEY=k，VALUE=(i，r(i，k))集合； 步骤S53 :map运算：输入KEY=k，VALUE= (i,r(i,k))集合，根据公式十算a(i,k)，输出KEY=i，VALUE =(k,a(i,k))； 步骤S54:reduce运算：输入KEY=i，VALUE= (k,a(i,k))集合，输出KEY=i，VALUE=(k,a(i,k))集合。5. 根据权利要求1所述的基于混合近邻消息传播的并行社区发现算法，其特征在于： 步骤S6包括以下步骤： 步骤S61:map运算：输入KEY=i，VALUE= (k,r(i,k))集合及（k,a(i,k))集合，输 出KEY=i，VALUE=(r(i，k)，a(i，k)); 步骤S62:reduce运算：输入KEY=i，VALUE=(r(i,k)，a(i,k))集合，根据公式e(i) =argmaxks.t.kENB(i) {r(i,k)+a(i,k) |r(i,k)+a(i,k)>0}计算k=e(i)，同时将k加入集合 Sete,，输出KEY=i，VALUE=k。6. 根据权利要求1所述的一种基于混合近邻消息传播的并行社区发现算法，其特征 在于：步骤S8中的根据代表点信息输出社区结构的过程为：根据代表点集Se%及e(i)= argmaxks.t.kENBW {r(i,k)+a(i,k) |r(i,k)+a(i,k)>0}得到的每个节点i的代表点e(i)，将 代表点相同的节点划分到同一个社区Ck，使从属于同一个社区Ck的成员的代表点均指向同 一个代表点k，再输出生成的社区集合。
【专利摘要】本发明涉及一种基于混合了局部与全局近邻消息传播和并行计算技术的社区发现算法。主要步骤：步骤S1：读取原始数据，获取网络节点及节点近邻信息；步骤S2：根据节点及近邻相似度信息进行并行相似度计算；步骤S3：初始化迭代次数<i>iter</i>=1，代表点集<i>Sete</i>=Φ；步骤S4：支持度消息的并行计算及更新；步骤S5：适选度消息的并行计算更新；步骤S6：代表点的并行计算，及<i>Sete</i>的更新；步骤S7：判断迭代停止条件，若条件不满足，则<i>iter</i>=<i>iter</i>+1，返回步骤S4；步骤S8：根据代表点信息输出社区结构。该算法应用于大规模社交网络中的社区发现，为Web2.0为特征的社交网络应用提供极具商业价值的社区、兴趣团体等信息。
【IPC分类】G06F17/30, G06Q50/00
【公开号】CN105095403
【申请号】CN201510396173
【发明人】郭昆, 郭文忠, 陈羽中
【申请人】福州大学
【公开日】2015年11月25日
【申请日】2015年7月8日