With the rapid development of mobile edge computing, mobile social networks are gradually infiltrating into our daily lives, in which the communities are an important part of social networks. Internet of People such as online social networks is the next frontier for the Internet of Things. The combination of social networking and mobile edge computing has an important application value and is the development trend of future networks. However, how to detect evolutionary communities accurately and efficiently in dynamic heterogeneous social networks remains a fundamental problem. In this paper, a novel User Interest Community Evolution (UICE) model based on subgraph matching is proposed for accurately detecting the corresponding communities in the evolution of the user interest community. The community evolutionary events can be quickly captured including forming, dissolving, evolving and so on with the introduction of core subgraph. A variant of subgraph matching, called Subgraph Matching with Dynamic Weight (SMDW), is proposed to solve the problem of updating the core subgraph due to the change of core user’s interest when tracking evolutionary communities. Finally, the experiments based on the real datasets have been designed to evaluate the performance of the proposed model by comparing it with the state-of-art methods in this area and complete data processing through the local edge computing layer. The experimental results demonstrate that the UICE model presented in this paper has achieved better accuracy, higher efficiency and better scalability against existing methods.

中文翻译：

---

移动边缘计算环境中基于子图匹配的社交网络用户兴趣社区演化模型

随着移动边缘计算的飞速发展，移动社交网络逐渐渗透到我们的日常生活中，其中社区是社交网络的重要组成部分。诸如在线社交网络之类的人联网是物联网的下一个前沿领域。社交网络与移动边缘计算的结合具有重要的应用价值，是未来网络的发展趋势。然而，如何在动态的异构社会网络中准确有效地检测进化群落仍然是一个基本问题。本文提出了一种基于子图匹配的用户兴趣社区演化模型，用于准确检测用户兴趣社区演化过程中的相应社区。通过引入核心子图，可以快速捕获社区演化事件，包括形成，溶解，演化等。提出了一种子图匹配的变体，称为动态权重子图匹配（SMDW），以解决由于跟踪进化社区时核心用户的兴趣变化而导致更新核心子图的问题。最后，设计了基于真实数据集的实验，通过将其与该领域的最新方法进行比较并通过本地边缘计算层完成数据处理，来评估所提出模型的性能。实验结果表明，本文提出的UICE模型相对于现有方法具有更高的准确性，更高的效率和更好的可扩展性。核心子图的引入等不断发展。提出了一种子图匹配的变体，称为动态权重子图匹配（SMDW），以解决由于跟踪进化社区时核心用户的兴趣变化而导致更新核心子图的问题。最后，设计了基于真实数据集的实验，通过将其与该领域的最新方法进行比较并通过本地边缘计算层完成数据处理，来评估所提出模型的性能。实验结果表明，本文提出的UICE模型相对于现有方法具有更高的准确性，更高的效率和更好的可扩展性。核心子图的引入等不断发展。提出了一种子图匹配的变体，称为动态权重子图匹配（SMDW），以解决由于跟踪进化社区时核心用户的兴趣变化而导致更新核心子图的问题。最后，设计了基于真实数据集的实验，通过将其与该领域的最新方法进行比较并通过本地边缘计算层完成数据处理，来评估所提出模型的性能。实验结果表明，本文提出的UICE模型相对于现有方法具有更高的准确性，更高的效率和更好的可扩展性。为了解决由于跟踪进化社区时核心用户兴趣的变化而导致的更新核心子图的问题，提出了一种新的方法。最后，设计了基于真实数据集的实验，通过将其与该领域的最新方法进行比较并通过本地边缘计算层完成数据处理，来评估所提出模型的性能。实验结果表明，本文提出的UICE模型相对于现有方法具有更高的准确性，更高的效率和更好的可扩展性。为了解决由于跟踪进化社区而导致核心用户兴趣变化而导致的核心子图更新的问题，提出了一种新的算法。最后，设计了基于真实数据集的实验，通过将其与该领域的最新方法进行比较并通过本地边缘计算层完成数据处理，来评估所提出模型的性能。实验结果表明，本文提出的UICE模型相对于现有方法具有更高的准确性，更高的效率和更好的可伸缩性。设计了基于真实数据集的实验，通过将其与该领域的最新方法进行比较并通过本地边缘计算层完成数据处理，来评估所提出模型的性能。实验结果表明，本文提出的UICE模型相对于现有方法具有更高的准确性，更高的效率和更好的可伸缩性。设计了基于真实数据集的实验，通过将其与该领域的最新方法进行比较并通过本地边缘计算层完成数据处理，来评估所提出模型的性能。实验结果表明，本文提出的UICE模型相对于现有方法具有更高的准确性，更高的效率和更好的可伸缩性。