基于Louvain重叠社区发现算法

重叠社区发现技术对于分析网络社区间关系具有重要意义,本文提出了基于Louvain重叠社区发现算法,该算法在Louvain算法的基础上使用模块度Q的增益度函数dq判断节点是否具有重叠性,并且发现重叠社区;设计实验验证该算法,使用经典数据集American College Football对该算法与常用重叠社区发现算法CPM、LFM和COPRA进行实验对比,结果表明:增益度函数dq能判断重叠节点,且通过找到社会网络中的重叠节点发现重叠社区;该算法在重叠模块度EQ上比CPM、LFM和COPRA算法分别提高17.05%、12.81%和9.45%,在运算时间上比CPM算法、COPRA算法分别增加了12.62%、7.15%,比LFM算法减少了23.06%,表明在综合重叠模块度EQ与算法时间上,本文基于Louvain重叠社区发现算法都优于其他的算法。     

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.     

基于网络距离和内容相似度的微博社交网络社区划分方法

现有的微博社交网络社区挖掘方法多是基于网络结构进行,忽略了节点本身行为的重要性,并且不能同时实现对大规模复杂网络结构适应性和社区挖掘的高效性。为缓解上述问题,提出了一种基于网络距离和内容相似度的微博社交网络社区划分方法,该方法在考虑微博社交网络结构的同时兼顾了网络中节点的历史微博内容,通过对历史微博数据的分析提高社区划分的精确度。文中对Louvain算法和其模块性的修改使用,保证了该方法能够处理大规模网络数据,同时又能保证社区挖掘的效率。实验证明,该方法能够高效地挖掘微博网络社区结构,对学术研究和商业应用都有十分重要的意义。     

基于相似度的加权复杂网络社区发现方法

针对加权复杂网络中的社区结构发现问题,本文定义基于权重关系的相似度,并在此基础上定义了节点中心度和归属度,改进GN算法的模块度评价函数,提出一种基于相似度的中心聚类算法(SCC).该算法通过计算节点间的相似度,选取合理的中心度大的节点作为社区中心节点,最后基于节点归属度来聚集从而形成社区;同时,提出了用相似度代替边介数的改进GN算法SGN.通过理论分析,并在数据集上进行实验验证,结果表明SCC算法与WGN算法、SGN算法相比,速度和精度上均有较大改善.同时与I2C算法相比,社区的划分有效性更好.     

基于不同划分优度的因特网拓扑聚合特征

因特网拓扑的社区聚合特征对网络性能具有重要影响.本文选取两种不同的社区划分算法:基于模块度Q的MOME算法与基于伸缩变换覆盖测度SCM的SACA算法,利用10年实际测量数据,对因特网AS层拓扑分别进行社区划分,获得的社区结构具有显著差异,究其根源在于两种算法采用的社区划分优度不同.分析发现:微小社区占大多数的幂律分布以及社区结构以星型为主的现象是SCM测度自身限制的效果.基于模块度Q的社区划分显示因特网拓扑聚合程度显著且呈增长趋势,社区规模随网络规模增长,社区结构以稠密的非星结构为主.研究表明,设计适当的社区划分优度及划分算法对于正确理解实际网络真实聚合特征具有重要意义.     

基于结构和适应度的社区发现

复杂社会网络无处不在,对复杂社会网络进行社区发现越来越被人们重视.基于局部结构的社区发现可以在不用了解全局的情况下对某些节点进行划分;社会网络的社区适应度特性可以找出不同适应度下的社区结构.基于局部结构以及社区适应度的网络属性,提出一种新的社区发现算法.通过实验比较,算法能较好、较快的发现社区结构,在人工网络以及真实社会网络均取得较之已有方法更好的效果.     

基于网页内容相似度和链接关系的社区发现及动态添加

给出了一种基于网页内容相似度和网页之间链接关系的社区发现方法.该方法不仅考虑了网页之间的超链接关系,而且着重考虑了网页在内容上的相似度并克服了传统社区发现算法忽略网页内容的局限性,使发现的社区在内容上更相关.在原始社区的基础上对其进行动态添加,将网络中新出现的与原始社区中的网页存在链接关系同时与主题相关的网页加入到原始社区.实验表明,此方法可以有效地应用于网络的社区发现,使发现的社区在内容上更相关.     

采用模糊层次聚类的社会网络重叠社区检测算法

为了能够发现社会网络中的重叠社区以及解决重叠社区之间关系的模糊性和层次性,提出了一种基于模糊层次聚类的重叠社区检测算法(CDHC)。算法中引入了距离加权因子来计算社区间的相似度,通过模糊层次聚类来合并相似度高的社区;针对合并生成的原始社区计算社区中节点的隶属度,再将隶属度小于阈值的节点从社区中移除,从而形成最终的网络重叠社区结构。该算法不仅可以发现重叠的社区结构,还可以处理孤立节点。在Lancichinetti基准网络和真实网络上将CDHC算法与具有代表性的重叠社区发现算法CMP和LFM进行了比较,结果表明:影响社区检测精度的主要因素是社区间的混合程度,而网络规模和网络中社区的规模的影响并不显著;CDHC算法在小社区网络上的社区检测精度优于LFM,在大社区网络上的社区检测精度优于CMP。CDHC算法在保持社区检测质量的同时,还具有较好的稳定性,是一种有效的社会网络重叠社区检测算法。     

基于拓扑势的局部化重叠社区识别

针对传统社区识别算法中需要根据先验知识设定参数、 社区划分结果具有随机性及复杂度过高的问题, 提出一种基于拓扑势的局部化重叠社区识别算法. 该算法通过引入拓扑势计算节点的影响力, 利用节点间的局部相似性度量指标, 采用标签传播策略进行重叠结构的社区识别. 在真实网络及人工合成网络上与多种经典算法进行对比实验验证了算法的高效性.     

一种全局与局部结合的两步式重叠社区挖掘算法

基于全局划分和局部凝聚原理,改进得到一种两步式挖掘算法,该算法以寻找最优模块性Q值为基准,最终挖掘出重叠社区.对两个经典真实世界网络的Zacharys Karate俱乐部数据和海豚网络数据进行了实验测试,实验表明该算法能够有效地划分出重叠社区.     

基于子团规模的社团划分算法与地理位置

针对以往社团划分算法中存在的子团规模过大的问题,在CNM算法的基础上重新定义子团规模,提出了CLCNM社团划分算法.社团划分结果表明,改进后的算法在子团数量和模块度方面要优于CNM算法.在此基础上,研究社团划分与地理位置间的关系,提出地址前缀相似度的概念,子团地址前缀相似度越大,说明社团划分后的地理效应越明显.CLCNM社团划分结果表明:IPv6网络子团具有明显的地理效应,即子团中节点分布在相邻的地理位置.这一结论可对网络拓扑的再部署提供借鉴性意见.     

挖掘IETF专家社区的原型系统

 IETF是全球互联网较权威的技术标准化组织。为分析IETF各个专业领域内的标准化专家，更好地掌握当前互联网标准的研究热点，设计了挖掘IETF专家社区的原型系统。该系统可对IETF的多种数据来源进行针对性的解析和存储，对数据进行清洗和合并，利用优化和改进后的Louvain算法进行社区发现，从而将专家划分到多个不同的互联网专业领域方向，随后挖掘出各个专业领域内的活跃专家，并采用TF-IDF算法挖掘出研究热点，能为制定互联网国际标准提供准确的动态信息。     

基于先验知识与模块性的网络社区结构探测算法

在分析模块性指标和Newman有关网络社区结构探测算法的基础上，提出了一种基于先验知识与模块性的社区结构探测算法．利用节点度等社会网络结构先验知识，获得一个社区结构的基本划分，然后进行社区的合并，以此获得一个清晰的社区结构．经计算机模拟网络、Ucinet软件网络和中国农民工社会网络的社区结构探测，结果表明所提算法比Newman的迭代次数减少近50％，并且可以获得更好的模块性指标．     

基于多目标蚁群算法的复杂设备拆卸序列规划

针对复杂设备转化成混合图信息模型后面临的组合爆炸和搜索爆炸问题,提出了一种改进的Louvain算法,对其模型进行社团化处理。将拆卸工具、拆卸方向改变次数以及拆卸时间作为优化目标,构造了基于多目标蚁群算法搜索社团划分可行解;并得出由多个Pareto解构成的平衡解集。最后结合直升机旋翼,利用所提方法进行算法验证;对比未被社团化处理的多目标蚁群算法而得出的拆卸序列,在算法运行效率上提升了17.2%;且复杂设备中紧密度越小零件占比越多时,运行效率越高;对比单目标蚁群算法社团化后得出的拆卸序列,在迭代次数相同的条件下,更易得到较高效率的解。实验结果表明,在实际拆卸序列规划问题上,该方法为方案设定人员提供了更合理高效的选择。     

基于H指数的改进标签传播算法研究

发现复杂网络中的结构和特征是社区发现的一个重要任务.标签传播算法(LPA)因具有接近线性的时间复杂度,常用于快速处理大规模的社区网络.针对该算法在节点的更新顺序和标签选择策略上存在很大的随机性,严重破坏了算法的稳定性和社区划分结果的准确性.提出了一种基于节点H指数的标签传播算法,即利用节点的综合影响力改进标签传播算法的节点更新顺序和标签选择策略.实验研究表明,改进算法有效地降低了算法的随机性,提高了社区划分的稳定性和准确性.     

基于三元闭包和会员闭包的社区发现算法研究

随着网络的发展和人们沟通方式的扩展,社交网络影响了人们的生活,改变了人们传播与分享消息的方式,吸引了越来越多的人关注和研究社交网络。社交网络即社交网络服务,源自英文SNS(social network service)的翻译,社交网络有多种表现平台,比如QQ、微博、Facebook和微信。本文主要研究微博这一新兴的社交平台,研究微博的主要目的是搞清用户之间的种种关系。当代人一般认为,微博中存在5种关系即关注关系、提及关系、转发关系、评论关系以及好友关系。由于社交网络中人数众多,关系错综复杂,因而产生的社交数据和传统的数据相比具有数据量大、结构复杂、语义丰富等特点,针对这种情况,依据用户之间的关系,提出了一种基于三元闭包的社区划分算法。该算法首先设初始社区为空,在所有的顶点中,选择度最大的顶点作为初始顶点;然后求初始顶点与其邻接顶点的三元闭包数和顶点属于该社区的概率PS,取它们最大的邻接顶点加入初始顶点所在社区,形成新的社区,继续迭代,当剩余的顶点很少时,可以使用会员闭包和三元闭包这种归集算法把剩余的顶点划分到不同的社区,直到把整个社区划分完毕;最后以图形这种直观、形象的方式把每一个社区表示出来。在该算法中,三元闭包数、顶点属于某社区的概率、扩张度的差是评估复杂网络中顶点划分的关键。该方法综合了顶点全局重要性的特点,即在复杂网络中,三元闭包数越大,它们处在一个社区的可能性就越大;顶点的会员闭包越大,该顶点就会越优先被划分;扩张度的差是确定第i个社区是否被划分完毕的关键。社交网络的研究不仅可以帮助人们了解网络结构、分析网络结构特性、探测分析网络的社团结构,而且还可以把虚拟世界中这种关系链接到现实世界中,即把虚拟关系转化成利润,为企业提供有价值的关系网络,从而挖掘出潜藏在社交网络背后的巨大的经济价值,具体体现在:1)帮助企业找到潜在的商机,比如分析某个用户的评论和发表内容,可知他的消费能力、喜好和最近的购买习惯,从而知道他购买自己产品的概率;2)危机预警,根据用户的消息内容可以知道他对自己产品的满意度;3)带动了消息的传播速度和广度。企业可以利用这一点,为自己的产品更好地做宣传。通过与宽吻海豚网和Zachary空手道俱乐部的社区网络作比较,证明了该算法的有效性和可行性。     

一种可变分辨率的社团发现算法

介绍了复杂网络及社团结构的相关概念,给出节点的综合特征值和增益函数的定义,然后提出一种新的社团发现算法(CNCD).综合特征值与节点的度数及其聚类系数有关,用于发现社团中的核心节点;增益函数决定何时获得社团结构的最佳划分.作者用C++语言实现算法,并使用经典数据集对算法进行验证,实验结果表明此算法不仅能够得到正确的社团结构,而且通过动态调整算法中的参数值,能够得到比传统算法更加详细的社团划分结果,获得网络的细节信息.     

面向大规模在线社交网络的社团抽取算法

针对现有的社团分析算法无法在大规模网络上应用的问题,提出一种社团抽取算法,可以高效地分析网络的社团特征.该方法无需事先获取网络的全部拓扑结构,采用网络搜索与社团判定相结合的思路,可有效地抽取结构未知的社交网络上的某个特定社团,从而使分析超大规模网络社团结构成为可能.在仿真数据集上进行实验,分析抽取准确率的影响因素,得出网络平均度越大抽取准确率越高.进一步实验结果表明,社团抽取算法的准确率与现有方法接近,并且执行效率明显高于现有方法,验证了该算法的可行性和有效性.     

多方面改进的自动搜索断面研究

断面是电网的脆弱环节,而断面的识别通常依靠专家经验,针对此局限,提出了多方面改进的自动搜索断面法。首先基于电网分区原则对Louvain算法进行改进,进而采用改进后的算法对电网进行分区,将各区域之间的联络线作为初始断面,再根据支路开断分布系数、安全裕度等约束递进识别输电断面、关键断面。为高效计算断面热稳定极限,建立断面热稳定极限的数学模型,通过改进鸡群优化算法对该模型进行求解,得到断面传输极限,从而得到关键断面。在IEEE39节点系统验证了所提方法的有效性。     

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.