1.一种基于局部距离和节点秩优化函数的社交网络社区发现方法,其特征在于,包括以下步骤:S1,获取网络社交节点数据集,对获取的网络社交节点数据集进行拉普拉斯归一化处理;得到拉普拉斯节点矩阵;
S2,根据网络社交的内部距离和外部距离,计算得到网络社交节点值:若网络社交节点值大于或者等于预设网络社交节点值,则发现网络社交社区;
若网络社交节点值小于预设网络社交节点值,则重新发现网络社交社区。
2.根据权利要求1所述的基于局部距离和节点秩优化函数的社交网络社区发现方法,其特征在于,在步骤S1中,对获取的网络社交节点进行拉普拉斯归一化处理计算方法为:其中,D表示节点度矩阵;
表示未归一化的拉普拉斯矩阵;
A表示邻接矩阵。
3.根据权利要求1所述的基于局部距离和节点秩优化函数的社交网络社区发现方法,其特征在于,在步骤S1中,拉普拉斯节点矩阵中元素值的计算方法为:其中,deg(vi)表示节点i的度;
deg(vj)表示节点j的度;
vi表示节点i;
vj表示节点j;
表示拉普拉斯节点矩阵中第i行第j列的元素值。
4.根据权利要求1所述的基于局部距离和节点秩优化函数的社交网络社区发现方法,其特征在于,在步骤S2中,网络社交的内部距离的计算方法为:其中,Lsym表示拉普拉斯节点矩阵;
表示节点集合Vk的邻接矩阵;
G表示社交网络;
Vk表示节点集合;k=1,2,3,...,K;
internal
d (G,Vk)表示网络社交的内部距离。
5.根据权利要求1所述的基于局部距离和节点秩优化函数的社交网络社区发现方法,其特征在于,在步骤S2中,网络社交的外部距离的计算方法为:其中,Lsym表示拉普拉斯节点矩阵;
表示V-Vk的邻接矩阵;
表示节点集合Vk的邻接矩阵;
V表示节点分区集合;V={V1,V2,V3,...,VK};
G表示社交网络;
Vk表示节点集合;k=1,2,3,...,K;
dexternal(G,Vk)表示网络社交的外部距离。
6.根据权利要求1所述的基于局部距离和节点秩优化函数的社交网络社区发现方法,其特征在于,在步骤S2中,网络社交节点值的计算方法为:其中,Vk表示节点集合;k=1,2,3,...,K;
V表示节点分区集合;V={V1,V2,V3,...,VK};
dinternal(G,Vk)表示网络社交的外部距离;
dexternal(G,Vk)表示网络社交的内部距离;
SLDL(G,V)表示网络社交节点值。
7.根据权利要求4所述的基于局部距离和节点秩优化函数的社交网络社区发现方法,其特征在于,在步骤S2中,节点集合Vk的邻接矩阵 的计算方法为:其中,Vk表示节点集合;k=1,2,3,...,K;
V表示节点分区集合;V={V1,V2,V3,...,VK};
vx表示节点x;x=1,2,3,...,N;
vy表示节点y;y=1,2,3,...,N。
8.根据权利要求5所述的基于局部距离和节点秩优化函数的社交网络社区发现方法,其特征在于,在步骤S2中,节点集合V-Vk的邻接矩阵 的计算方法为:其中,Vk表示节点集合;k=1,2,3,...,K;
V表示节点分区集合;V={V1,V2,V3,...,VK};
vx表示节点x;x=1,2,3,...,N;
vy表示节点y;y=1,2,3,...,N。