基于加权树的层次社团划分算法

社团发现常用于挖掘复杂网络中的隐藏信息,如功能模块和拓扑结构.为提高复杂网络中社团结构挖掘的质量,提出一种基于加权树的层次社团划分算法HCD_WTree(Hierarchical Community Detection Algorithm Based on Weighted Tree).首先,结合邻域重叠比和节点的度中心性来度量节点间关系强度,基于该度量将原无权网络转换成加权网络;接着,对网络进行简化,得到加权树;最后,基于层次社团挖掘方法,根据边权依序裁剪加权树,得到层次的社团结构,并结合模块度函数获得最优的社团划分结果.在公用数据集上的实验结果表明,与现有的社团挖掘技术相比,HCD_WTree算法能够更准确地划分复杂网络中的社团结构.     

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.     

一种基于节点重要度的社团划分算法

指出了通过挖掘复杂网络中存在的社团结构,可以分析整个复杂网络的拓扑结构和功能,还可以发现网络中隐藏的规律.为了得到最佳社团划分结构,定义了网络的节点重要度矩阵和聚类矩阵,结合图的特征谱平分法和模块度函数,提出了一种基于节点重要度的社团划分算法(CDNIM).通过在空手道俱乐部、海豚关系网络等多个经典数据集上应用,结果表明:该算法能够有效提高发现社团结构的准确率.     

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.     

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。     

用遗传算法优化模块密度探测社团结构

为更精确地探测社团结构,通过选择优化函数,分析社团结构特性,设计适合社团检测的选择、交叉、变异等遗传算子,提出了基于遗传算法和模块密度的社团结构探测算法.该算法未采用传统的分裂或聚合方法用减边或加边的策略,没有引入其他中间变量,直接通过优化模块密度函数发现网络社团结构.分析和仿真结果表明,该算法探测的社团结构与模块度探...     

改进的基于模块度最大化二分图权重网络社团挖掘算法

复杂网络广泛应用于生态学、生物信息学等多个领域,其中加权二分图网络作为一种特殊结构的复杂网络可以用来对许多实际问题进行建模。网络的社团挖掘一直以来都是分析复杂网络的重要手段,也是复杂网络领域研究的热点问题。本文提出了一种改进的模块度最大化二分图权重网络社团挖掘算法,通过在实际网络中的测试,相较于其他的同类型算法,本算法可以得到更好的社团划分结果,其执行效率也明显高于现有的其他算法,可以用于大规模二分图网络的社团挖掘。     

基于共邻节点相似度的加权网络社区发现方法

为实现加权网络的准确划分,发现真实的社区结构,提出一种基于模块度和共邻节点相似性的层次聚类社区划分方法IEM.首先,定义两节点间基于共邻节点的相似度.之后,基于该度量快速聚合当前节点和与其关联紧密度最强的邻居节点以形成初始社区,并进行社区扩展.最后,以最大化网络模块度为目标进行社区合并以优化划分结果.算法通过形成初始社区、扩展社区、合并社区三步,实现了加权网络合理有效的社区划分.以加权模块度作为社区划分质量的评价标准,在多个数据集上的实验结果表明,IEM算法优于加权CN、加权AA、加权RA.同时,与CRMA算法相比,IEM算法对加权网络社区划分的有效性和正确性更高.     

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。     

空铁综合运输网络结构特征实证分析

为探究中国空铁综合运输网络结构特性,以城市为节点,若城市间有航班或高铁则连边,以航班数量和高铁数量为权重,分别建立了3个加权网络：高铁子网络、航空子网络和空铁综合运输网络。首先,通过均值关联、三角中介中心度、加权谐波中心度指标对比研究了不同网络的关键节点;其次,通过聚类系数和平均最短路径长度研究了三个网络的小世界特性;再次,通过Newman算法研究了三个网络的社团结构;最后,通过加权网络效率为指标,研究了三个网络的鲁棒性。研究结果表明,北上广深是三个网络的三种不同加权中心度的排名都很靠前,是共有的最为关键的节点。三个网络都具有小世界特性,但只有高铁子网络的模块度值大于0.3,存在明显的社团结构,并被划分为了10个社团。空铁综合运输网络具有更好的加权网络效率,约为0.32,为三个网络中最高,节点失效时的加权效率变化最小,鲁棒性最强。可见空铁综合运输网络集成了高铁网络、航空网络的互补优势,网络结构特征优于单一运输网络。     

基于贝叶斯后验模型的局部社团发现

基于节点的局部社团发现在大数据社会网络分析中非常重要。针对Newman模块度在社团发现中的局限性,基于贝叶斯后验模型提出了BS模块度度量法。该方法结合节点的模块度和推荐概率进行建模,并以邻接并入为框架得到了一种新的局部社团发现算法。该方法克服了Newman模块度在稀疏网络中区分度低的问题以及社团结构差异大的分辨率问题,有效地寻找大规模网络中的局部社团。通过与Newman模块度在真实社团中的比较,验证了该度量方法的有效性。     

复杂网络中的层次结构挖掘

挖掘复杂网络中的层次结构对复杂网络的研究有着重要的意义.复杂网络中的社团结构往往具有层次性.过去的研究中,研究者更多的关注于层次社团结构,而很少关注于社团内部成员的层次结构.因此,提出一种基于模糊相容关系的层次结构挖掘算法(fuzzy tolerance relation based hierarchical structure detection algorithm,FHSD),旨在挖掘层次社团结构以及社团内部成员层次结构.在该算法中,首先通过相似度函数计算节点之间的相似性从而获取一个满足模糊相容关系的相似度矩阵;其次,基于相似度矩阵获取对应的商空间链;然后,依据重叠节点对各社团的隶属度处理商空间链各层中的重叠节点,从而得到层次社团结构;最后,基于处理后的商空间链,获取对原始模糊相容的近似模糊等价关系,从而获取社团内部成员层次结构.在真实网络上的实验结果表明:(1)复杂网络中不仅存在层次社团结构,同时存在基于模糊相容关系的社团成员层次结构;(2)相比于当前主流的社团挖掘算法,FHSD挖掘出的社团结构具有最高的精准性(NMI accuracy)和较高的模块度值.     

遗传算法优化模块度的二分网络社团检测方法

目前二分网络社团检测研究处于探索阶段,评估标准和检测方法较少,模块度值具有局部性且偏差较大,检测结果不稳定。针对上述问题,提出一种基于遗传算法优化二分网络模块度的检测方法,依据节点相似度初始化染色体,通过不断改变社团个数,使用改进的遗传算法交叉、选择和变异等因子,遗传迭代获得全局模块度最大值以及对应的社团划分。仿真结果表明:能够有效检测到模块度全局最大值以及对应的社团个数和社团划分,社团划分更加精准,算法具有较强的鲁棒性和抗干扰能力。     

基于多子网复合复杂网络模型的多关系社交网络重要节点发现算法

为提高社交网络中重要节点评估的效率和有效性,根据社交网络中存在多种相互影响的关系的特性,基于复杂网络理论提出了一种适用于多关系社交网络的重要节点发现算法.首先使用多子网复合复杂网络模型建立包含多种关系的复杂网络,然后采用信号传播方法体现网络中多种关系和节点间的相互影响,以及这些影响的传递性,最后利用矩阵迭代方法模拟信号传播过程,定量分析网络中各节点的重要度.该算法综合了社交网络中节点的全局和局部重要性,考虑了各节点重要度的相互影响,在豆瓣网上的实验结果表明,与传统社交网络重要节点发现算法相比,该算法在迭代次数、涵盖率等指标上都有较大改善,有助于提高社交网络中舆情分析、社团结构发现、信息传播等工作的效率和准确性.     

基于中心度发现的中心社团

使用度中心度与流介数中心度相结合的方法,首先计算出节点的度中心度和流介数中心度,得出网络中的几何中心点和信息、物质或能量在网络上传输时经过路径最多的节点,并将这两个指标作为一个整体考虑,得到这两个指标相对比较大的节点,再在这些节点和其邻居节点上利用CPM社团发现算法,从而发现网络中的中心社团.此方法可以发现网络中相对"重要"的社团,对复杂网络上的传播机理、相继故障等分析都有一定的意义.随后利用该方法分析兰州市公共交通线路网络的中心社团结构,结果表明该社团在网络中的确可以起到比较重要的作用.     

基于最小社团链接度增量的社团结构挖掘算法

针对复杂网络社团结构挖掘算法复杂度高的问题,定义了一个衡量局部社团结构的指标,提出了一种基于最小社团链接度增量的社团结构挖掘算法.本算法的时间复杂度为O(kd),其中d为网络的平均节点度数,k为搜索的节点数.为了验证本算法的性能和计算的准确性,把本算法与一种经典的挖掘局部社团结构方法——Clauset算法,进行了比较.实验结果表明:本算法抽取的社团结构与Clauset算法相比基本一致,但在性能上有了显著提高.     

基于谱聚类的二分网络社团检测算法

针对二分网络社团检测算法存在精度不高和丢失原始网络信息等问题，设计了一种新的融合奇异值分解的谱聚类(SVD-MS)算法.该方法是将Barber的二分网络模块度最大化问题映射到奇异值向量分解上，并结合启发式算法快速求解向量划分问题.在3个真实世界的网络中对比SVD-MS算法与7种算法的模块度，结果表明，在保留原始网络信息的情况下，SVD-MS算法能更有效地划分二分网络的社团结构.     

基于社团密合度的复杂网络社团发现算法

传统的社团发现算法大多存在划分效果和复杂度相矛盾的问题,为了解决该问题,提出一种新的单社团结构评价标准——社团密合度(group density).在此基础上,设计了一种基于凝聚思想的社团发现算法,该算法通过不断融合小社团,使网络的社团结构向平均社团密合度最大的方向发展,并使用模块度检测算法的划分结果.通过与经典的GN,Fast Newman,LPA等算法对多个数据集进行实验对比,验证了本文算法在获得较好的划分效果的同时具有较低的时间复杂度.     

基于Newman快速算法的航运网络社团结构

为了研究航运网络的网络结构及其相关特性,以航运网络的社团结构为对象研究,构建了基于模块度的Newman快速算法。选择由453个港口和3 444条边构成的"二十一世纪海上丝绸之路"(简称"海丝之路")无向无权航运网络为案例,从航运网络连接性视角,采用Newman快速算法对"海丝之路"航运网络进行计算,得出该航运网络的社团结构性质:网络中只有一个由173个港口节点构成的核心社团,且为领导者社团,度值接近于幂律分布,其他均为小型社团,表明"海丝之路"集装箱航运网络为巨型社团结构,且具有核心节点。     

基于Q函数优化的加权有向复杂网络模糊聚类算法设计研究

研究加权有向复杂网络中社团的模糊聚类算法,在谱平分、FCM算法的基础上,构建新的适用于加权有向复杂网络模糊划分的Q函数,设计了复杂网络模糊聚类算法,并针对FCM聚类算法结果不稳定的现象进行了算法上的改进,使算法更适合于现实世界。通过实验数据验证了设计的算法,从总体上提高算法的划分精确度,结果也趋向于稳定。解决了从加权有向复杂网络、模糊集中发现、划分社团的实际问题。