一种多维图结构聚类的社交关系挖掘算法

　　社交关系的数据挖掘一直是大图数据研究领域中的热门问题。图聚类算法如SCAN（ Structural clustering　algorithm for networks）虽可迅速地从海量图数据中获得关系紧密的社区结构，但这类社区往往只表示了社交对象的聚集，无法反馈对象间的真实社交关系，如家庭成员、同事、同学等。要获取对象间真实的社交关系，需要更多维度地挖掘现实中社交对象间复杂的交互关系。对象间的交互维度很多，例如：通话、见面、微信、Email等，而传统SCAN等聚类算法仅能够挖掘单维度的交互数据。本文在研究社交对象间的多维社交关系图数据与传统图结构聚类算法的基础上，提出了一种有效的子空间聚类算法SCA（ Subspace Cluster Algorithm），首次对多维度下子空间的图结构聚类进行研究，目的是探索如何通过图数据挖掘发现对象间真实的社交关系。SCA算法遵循自底向上的原则，能够发现社交图数据中所有子空间的聚类集。为了提升SCA的运行速度，我们利用其子空间聚类单调性进行了性能优化，进而提出了剪枝算法SCA+。最后，我们进行了大规模的性能测试实验，以及真实数据的案例研究，其结果验证了算法的效率和效用。