舒 鹏，杜庆伟

(南京航空航天大学计算机科学与技术学院,江苏 南京 211106)

0 引 言

近年来，随着移动互联网的迅速发展和移动设备的日益普及，已经涌现出不同类型的应用服务，例如Foursquare、微博等社交应用。移动网络中充斥着大量的用户数据，包括社交通信数据、上网信息和轨迹信息等。利用这些信息挖掘大型网络中节点之间的关系和社区结构可以发现用户的行为特征和关联，进而为实现信息的共享和热点推荐等提供智能决策[1]。

社区发现即挖掘网络中存在的群体结构[2]。目前，针对社会化网络领域的社区发现已有许多成果，主要有基于标签传播的算法[3]、基于模块度的算法[4-6]和基于图分割的算法[7]。然而，这些传统的社区发现算法通常仅考虑单一实体的连接结构而忽略了用户间的共同兴趣特征，难以保证社区结构的内聚性。在复杂异质的移动社区网络中不仅包含用户、地理位置、主题内容等实体，还包含用户间的各种偏好关系，如何高效地对复杂异质的移动社区网络进行社区发现成为关键问题。

本文通过分析移动网络使用详单数据(UDR)和移动用户社交数据中的用户间社交关系、地理位置偏好关系和主题内容偏好关系这三维信息分别构建社交相似网络、地理位置相似网络和主题相似网络，然后利用网络融合(Network Fusion， NF)方法融合多维相似关系构建用户相似网络，并运用有界非负矩阵分解(Bounded Nonnegative Matrix Factorization, BNMF)来确定最优的社区结构划分结果。实验结果表明，在复杂异质的移动社区网络中，本文提出的BNMF-NF方法能够高效发现用户社区结构。……