交联网络中的可重叠社团结构分析算法的研究

社团结构是复杂网络呈现出的一个重要特征。现有的社团结构分析算法都是针对非交联结构的复杂网络，并且大多数是将网络划分为若干相互分离的社团，无法对彼此重叠、互相关联的社团结构进行分析。本文根据交联网络的结构特点，提出了交联网络中可重叠社团结构分析算法（IBCPM算法）。本文利用该算法对用户收藏文章的交联网络进行了社团结构分析，并对所获得的社团结构进行了统计分析。实验结果显示了该算法的有效性及效率，并且发现社团重叠量的累积分布与节点所属社团数的累积分布也具有幂律分布的特征。     

采用离散粒子群算法的复杂网络重叠社团检测

针对复杂网络重叠社团检测的问题,建立了衡量重叠社团划分优劣的评判函数,并基于该函数提出了一种采用混沌量子粒子群优化的复杂网络重叠社团检测算法。该算法采用量子编码,利用Logistic映射初始化粒子种群,并以粒子群速度改变方式更新转角的大小,以概率为1收敛。实验结果表明,所提算法具有较高的检测正确率,能更好地反映实际社团划分情况。     

社会性标签系统的k-派系社团发现的研究

社会性标签系统是一种新的信息组织和资源分类方式,呈现明显的复杂网络特性,存在许多相互重叠的社团结构,本文分析了社会性标签系统中不同主体的社团结构,并且利用社团发现算法挖掘系统中k-派系社团。     

基于量子模糊聚类算法的复杂网络社团结构探测

研究了复杂网络的社团结构特性,探讨了复杂网络的社团结构探测算法.针对现有算法中判断社团结构时的主观性问题,提出了量子模糊聚类算法,并将该算法用于复杂网络社团结构的探测.实验结果表明:该算法可以准确、有效地探测到网络中实际存在的社团结构.     

科研领域关联网络的社团结构分析

利用复杂网络对我国自然科学基础研究领域关联网络的社团结构进行研究.科研项目管理部门为申请者提供了代表各个研究领域的申报代码体系,每个立项建议书中填报了一个或两个研究领域代码.通过这些立项建议书构建了研究领域关联加权网络(WNRA),提出了一种应用于加权网络的社团结构发现算法,并使用公共实验数据验证了算法的有效性.应用本文提出的算法.对多个年度的领域关联网络的社团结构进行了分析,参照管理部门给出的申报代码体系,发现各年度的社团结构的变化状况.有助于了解我国各个学科领域的发展状况,并对管理部门调整申报代码提供支持.     

一种对分划分的复杂网络社团检测方法

在许多领域,例如社会科学,技术科学及生物科学,复杂网络中的社团发现是一项重要任务。这些社团结构暗含着系统功能方面的信息并用来帮助人们理解网络的功能及增长机制。谱分优化了由李等人最近提出的一种用来评估和发现社团的模块密度函数。提出了一种对分算法,该算法使用模块密度矩阵的主特征向量迭代来检测网络社团结构。在一个经典的计算机产生的随机网络中检验了算法。当社团结构变地模糊时,实验结果显示这种新的算法在发现复杂网络社团上是有效的。     

一种向量划分的网络社团发现方法

为有效地检测复杂网络中的社团结构,对评估与发现社团的模块密度函数(即D值)进行了优化.通过模块密度函数的优化进程,展示了模块密度函数被优化到向量划分方法中的社团向量幅度最大化,并且提出了一种新的向量划分方法.在一个经典的真实世界网络中检验了该算法.实验结果暗示这种新的算法在发现复杂网络社团上是有效的.     

一种基于熵的超网络重叠社团检测算法

研究了超网络的社团划分问题。超网络是实际应用中的超图,而超图则是一种广义上的图,它的一条超边可以连接任意多个顶点。提出了一个基于熵的超网络社团检测算法,该算法是对Cha等人的算法的推广,能够检测出重叠社团。将这两种算法应用到了中国大陆图论科研合作超网络中,对结果进行了分析和比较,认为提出的算法是有效的。     

基于模糊均值的细菌群体趋药性复杂网络社团结构发现

复杂网络的社团发现问题是网络数据挖掘中的重要问题之一.利用基于模糊C均值的细菌群体趋药性算法最大化网络的模块度,算法中模糊C均值的初始值由群体细菌取药性算法获得.模糊C均值算法在此基础上发现复杂网络的社团结构.其创新点在于最佳模块度的寻找.实验结果表明:该算法具有对现实世界网络社团划分的可行性和有效性.     

采用链路聚类的动态网络社团发现算法

针对当前基于节点的动态网络社团结构发现算法难以发现稳定的社团结构的问题,提出了一种采用链路聚类的动态网络社团发现算法(LDC)。该算法首先从链路的角度得到网络的链路图结构;然后对比不同时刻的链路图结构,将动态网络中节点的添加与移除以及边的添加与移除等复杂的变化信息简化为链路添加和链路移除2种增量变化信息;再在前一时刻社团结构的基础上以改进的链路划分密度函数对增量变化信息中变化的链路进行处理,判断该链路是否加入到社团中从而得到最优的社团结构;最后将得到的链路社团转化成为最终的节点社团结构。实验结果表明,相比于当前基于节点的动态社团发现算法,LDC算法能够有效地发现网络中结构稳定的社团结构,其模块度值和标准化互信息值至少提高了0.19和0.13,且算法的运行效率要明显优于基于节点的动态社团发现算法。     

Tolerance Granulation Based Community Detection Algorithm

Community structure is one of the most important features in real networks and reveals the internal organization of the vertices. Uncovering accurate community structure is effective for understanding and exploiting networks. Tolerance Granulation based Community Detection Algorithm(TGCDA) is proposed in this paper, which uses tolerance relation(namely tolerance granulation) to granulate a network hierarchically. Firstly, TGCDA relies on the tolerance relation among vertices to form an initial granule set. Then granules in this set which satisfied granulation coefficient are hierarchically merged by tolerance granulation operation. The process is finished till the granule set includes one granule. Finally, select a granule set with maximum granulation criterion to handle overlapping vertices among some granules. The overlapping vertices are merged into corresponding granules based on their degrees of affiliation to realize the community partition of complex networks. The final granules are regarded as communities so that the granulation for a network is actually the community partition of the network.Experiments on several datasets show our algorithm is effective and it can identify the community structure more accurately. On real world networks, TGCDA achieves Normalized Mutual Information(NMI) accuracy 17.55% higher than NFA averagely and on synthetic random networks, the NMI accuracy is also improved. For some networks which have a clear community structure, TGCDA is more effective and can detect more accurate community structure than other algorithms.     

异质网络社区发现方法研究综述

社区结构是复杂网络研究中的重要领域,也是复杂网络的重要特征之一,发现网络中的社区结构在理解网络功能方面起着重要作用。通过对国内外异质网络社区发现文献进行深入研究,较为全面地对现有异质网络社区发现算法进行了归纳总结。首先,通过对国内外异质网络社区发现文献进行归纳,给出异质网络社区发现的基本概述,明确异质网络社区发现领域相关问题的基本定义。其次,介绍了异质网络社区发现算法及主要评价指标,利用不同网络结构以及算法对现有方法进行分类概述。最后,对异质网络社区发现算法的发展趋势进行了总结与展望,提出未来可以将研究重点集中在以下几个方面:1)探索基于异质网络的社区发现评价标准,以推动该领域的快速发展;2)设计更加通用的算法模型,解决由先验知识引起的未知社区数量问题;3)开展更多关于动态网络的研究。     

基于极值优化模块密度的复杂网络社区检测

分析了基于优化模块度检测复杂网络社区结构的算法存在解的限制问题,即不能检测出小于一定内在尺度的社区,并提出了基于极值优化模块密度来检测复杂网络社区结构的启发式算法,通过调整局部极值来优化全局的变量,使算法具有更好的持续搜索和跳出局优解的能力.通过人工网络和现实网络实验分析表明,本文算法用于检测大型网络社区时,具有较高的正确率和效率,即使当网络结构变得很模糊时,算法也能很好地工作.     

基于向量划分的复杂网络社区结构发现

社区结构是复杂网络最重要的结构特性之一,通过优化模块度来进行社区结构发现是目前使用最为广泛的一类方法.通过将网络看做有向图,模块度矩阵可表示为顶点的有向边向量表示的交叉协方差矩阵,但是该矩阵不是正定的.现有方法通过对该矩阵的进行谱分解,提取大于零的特征根对应的成分,将社区发现问题描述为向量划分问题.本文通过修正交叉协方差矩阵的对角线,使之满足正定性条件,将其表示为顶点向量的内积矩阵.因此,无须对模块度矩阵进行谱分解,甚至无须显式计算顶点的表示向量,就可以将基于模块度的社区发现问题重构为一个向量划分问题.进一步,从向量划分的角度解释了有限分辨率现象的根源,设计了以最大化向量夹角为指导的贪婪算法,该方法比直接优化模块度的方法有更高的异质社区分辨能力.在合成网络和真实网络上分别进行了实验验证,实验结果证实了所提方法的可行性和有效性.     

一种基于介数和时效性的动态社区发现算法

为了发现动态变化的社区结构,在分析了动态社区划分算法的研究现状基础上,提出一种基于时效性和介数的动态社区发现算法,对历史信息的时效性进行了计算,建立了综合有权网络,基于局部边介数进行社区划分,发现了稳定社区结构。实验表明了算法的有效性。     

基于DCBM的马尔可夫谱聚类社区发现算法

谱聚类划分算法是经典社区发现算法之一,由于目前构造的相似图承载的社区结构信息较少,导致聚类效果与理想效果具有较大差距,因此,提出了基于DCBM的马尔可夫谱聚类社区发现算法MSCD.首先,基于DCBM模型提出了以节点间连接概率为元素的概率矩阵,并建立了概率矩阵与相似矩阵之间的映射关系;其次,利用马尔可夫链重构了谱聚类的相似图;最后,使用重构的相似图对网络进行社区划分.在人工合成网络和真实网络上与SC,MRW-KNN和FluidC三种典型算法进行了对比实验.实验结果表明,MSCD算法具有更加高效的聚类性能,能够揭示更加清晰的社区结构.     

一种基于高阶组织的学习者潜在重叠社区检测算法

学习者网络拓扑结构稀疏,且传统的社区检测算法无法为惰性/冷启动学习者检测其潜在的社区。针对该类问题,提出了一种基于高阶组织的学习者潜在重叠社区检测算法(POCDL)。POCDL算法是一种局部图聚类算法,首先利用社交化在线课程平台中的好友关系、同学关系和师生关系解决学习者网络数据稀疏问题;然后挖掘学习者网络中的高阶组织并重构学习者网络;最后,根据学习者的度中心性选取初始种子集,根据社区归属度和社区亲密度进行局部社区检测。在人工网络和学者网真实网络数据集上的实验结果表明：POCDL算法能够较好地为惰性/冷启动学习者检测社区;对其他类型的复杂网络也具有一定的普适性。     

基于密度峰值聚类标签传播的社区发现方法

社区发现的目标是发现复杂网络的结构、行为和组织形式。标签传播算法是一种快速有效的社区发现算法,然而在初始的标签传播算法中,节点的结构信息和特征信息没有得到充分利用,且存在标签传播过程不稳定的问题。针对上述问题,文章提出了一种基于改进的密度峰值聚类算法和标签传播算法的有向加权复杂网络社区发现算法(DPC-LPA)。该算法首先根据节点的结构和特征对其进行加权,充分利用了结构信息和特征信息;然后,采用改进的密度峰值聚类算法来寻找网络的社区中心,并据此构建初始社区,提高了社区划分的质量;其次,基于节点相似度和节点权重,合理确定标签传播的更新顺序,并通过衡量节点间标签传播的强度来完成标签传播,解决了标签传播算法不稳定的问题。最后,在CiteSeer、Cora、WebKB和SCHOLAT真实数据集上,将DPC-LPA算法与DCN、WCF-LPA、CLPE算法进行对比实验。实验结果证明了DPC-LPA算法的可行性和有效性：从模块度来看,利用DPC-LPA算法划分的社区具有更加显著的社区结构;从调整兰德系数来看,DPC-LPA算法的社区划分质量更稳定;从运行时间来看,DPC-LPA算法具有较高的效率。