复杂网络中社团发现的快速划分算法

复杂网络中的社团发现是具有重要理论意义和应用价值的研究领域。针对已有谱平分法和分裂法时间复杂度较高、不适用于社团结构未知的大规模网络等问题,本文提出以扩散距离为谱平分依据,以模块度函数为衡量社团结构划分效果的快速划分算法,并进一步说明了扩散距离的收敛性。实验结果表明,与已有的社团发现算法相比,基于扩散距离的快速划分算法能够得到满意度高的社团结构,时间复杂度较低,对稀疏网络和非稀疏网络都能高效求解,从而体现出算法具有较高的鲁棒性。     

基于聚类分析的复杂网络中的社团探测

社团结构是复杂网络中普遍存在的一种特征.本文应用改进了的谱分法将网络的社团探测问题转换为聚类分析问题,并将Girvan和Newman提出的模块度函数概念应用到聚类分析的4类算法中进行社团结构的探测,特别提出了一种新的结合模块度的聚类遗传算法.然后用3种类型的网络实验算例验证了本文算法的有效性,并对实验结果进行了比较分析,得出本文提出的新算法在初始化敏感性和准确性方面效果较好.最后指出本文算法的进一步研究方向.     

基于共享最近邻探测社团结构的算法

针对经典重叠社团结构发现的派系过滤算法中派系定义过于严格、算法缺乏实用性、时间复杂度高等问题,提出了一种基于共享最近邻的社团结构发现算法. 该算法不仅可以对网络进行社团结构的划分, 而且可以很好地把网络中的桥点找出,算法的时间复杂 度约为O(nhk), 其中n为网络中的节点数,h为核心社团的数目, k为网络中节点的 最大节点度.为了验证该算法的正确率和性能, 把该算法应用到计算机生成网络和真实网络中, 并与著名的社团探测算法——GN算法和NF快速算法进行了比较.实验的结果表明所提出的算法是有效可行的.     

利用堆数据结构实现邻域重叠社团结构挖掘

基于当前复杂网络中社团划分算法普遍存在算法复杂度过高以及重叠节点挖掘不准确的局限性,提出了一种高效、快速、准确的社团划分算法。基于贪婪算法,建立最大模块度矩阵,并采用堆数据结构,划分非邻域重叠社团。通过分析局部网络的连边情况,计算邻域社团的划分密度,以准确挖掘社团间的重叠节点。新算法经过仿真分析和实证研究表明,算法复杂度降到近线性。     

基于网络权重的多社团网络结构划分算法

利用社团网络的统计特性,提出一种适于社团网络线性时间复杂度的多社团识别算法.构造复杂网络中节点的权重计算函数,进而生成计算序列,用迭代算法对复杂网络各种类型的节点进行集合分配.通过多个不同规模的网络结构数据对算法的性能进行测试,实验结果表明该算法时间复杂度为线性,能够在较短时间内对复杂网络中的社团数和社团结构进行发现,该算法还表现出对不同密度网络社团识别良好的适应性.     

Internet拓扑的社团结构分析

对Internet AS级拓扑的社团结构进行了分析,发现其模块度在0.38和0.48之间,表明Internet拓扑具有一定的模块特性.社团分解结果表明,处于同一社团内的AS许多都是相同或邻近国家的AS,表明了地理因素是Internet社团结构形成的一个重要原因.对Internet国家级拓扑的社团结构的分析,更明显地表明了地理因素对Internet互联所产生的影响.PFP模型所生成的网络的模块度仅有0.30左右,与真实Internet有一定差距,因此提出了一种考虑了地理因素的Internet模型--GeoPFP模型,在包括小度值节点聚类特性等诸多性质上,新模型都能准确模拟Internet,同时新模型的模块度在0.42附近,与真实Internet一致.     

一种基于结构熵的类内聚度度量方法

内聚度是指模块内各成分之间的联结强度。在面向对象软件系统中,内聚度主要是指类内部的属性和方法之间的联结强度。在类依赖图的基础上,提出了一种基于结构熵类内聚度度量方法,从类的属性与属性、属性与方法和方法与方法之间依赖关系3个方面对类的内聚度进行度量。并综合以上3种内聚度给出了一个类内聚度的度量方法,为评价类的内聚度提供了指南。     

基于节点动态连接度的网络社团划分算法

首先定义了节点动态连接度这一概念,然后介绍了基于节点动态连接度的网络社团划分算法,之后再对其中相关参数的取值范围和社团划分结果之间的关系进行了分析,并以Zachary网络为例验证了分析结论。在此基础上,以dolphins、polbooks和football 3个实际网络为对象,进行了社团划分实验,证明了本算法可通过动态调整参数实现对不同网络的社团划分。最后将实验结果与其他几种常见的社团划分算法结果进行了比较,证明了算法的优势,并对算法中需要注意的一些问题进行了说明。     

基于共邻矩阵的复杂网络社区结构划分方法

提出了一种基于共邻矩阵和增益函数的划分算法来发现复杂网络中的社区结构.共邻矩阵中元素的含义为结点对之间拥有相同邻居的数目.以增益函数作为网络社区结构划分的目标函数,进一步推导出基于增益矩阵和增量矩阵的特征值和特征向量的社区结构划分方法.最后把这种算法应用于三个常用的实际网络数据中,并和Newman基于模块度矩阵 的谱算法结果做了比较,以验证该算法的可行性和有效性.     

一个中国科学家合作网的实证分析

研究了由<科学通报>过去20年间发表文章的作者所构建的科学家合作网络.按照统计学方法和基于复杂网络理论的实证分析表明,科学家产量满足幂律分布,而合作规模分布则是指数衰减的.合作网中存在一个明显的最大连通子图,该子图具有高聚类和小世界特性,并呈现社团结构和等级结构.网络的度分布介于指数与幂律之间,近似服从对数正态分布,社团规模分布亦显示出长尾特性.此外,还应用3种不同的指标研究了Hub节点的影响力.     

基于节点属性的社群结构探测算法改进

对Vincent D. Blondel等提出的B算法的特点及机理进行了分析, 讨论了节点属性对社群结构探测的可能影响. 进而通过重构初始化网络, 控制节点(社群)合并过程两个方面, 对B算法进行了改进, 获得更优的模块性指标及对应的社群划分. 经计算机模拟网络与实际网络的社群结构探测, 结果表明所提改进算法有效可用, 能在获得较大模块性指标的同时, 获得较好的社群划分结果, 且拥有更低的运算时间.     

Detecting community structure: From parsimony to weighted parsimony

Community detection has attracted a great deal of attention in recent years. A parsimony criterion for detecting this structure means that as minimal as possible number of inserted and deleted edges is needed when we make the network considered become a disjoint union of cliques. However, many small groups of nodes are obtained by directly using this criterion to some networks especially for sparse ones. In this paper we propose a weighted parsimony model in which a weight coefficient is introduced to balance the inserted and deleted edges to ensure the obtained subgraphs to be reasonable communities. Some benchmark testing examples are used to validate the effectiveness of the proposed method. It is interesting that the weight here can be determined only by the topological features of the network. Meanwhile we make some comparison of our model with maximizing modularity Q and modularity density D on some of the benchmark networks, although sometimes too many or a little less numbers of communities are obtained with Q or D, a proper number of communities are detected with the weighted model. All the computational results confirm its capability for community detection for the small or middle size networks.     

城市群交通网络层级结构与组团结构识别

为了深入研究城市群交通网络层次结构与组团结构,本文建立复杂网络层级结构和组团结构识别算法,并以长株潭城市群交通网络为例划分城市群交通网络的层级结构与组团结构。通过对长株潭城市群交通网络的层次结构与组团结构的研究可以得出以下几个重要结论:(1)层级结构和组团结构并不是孤立,二者同时存在的。(2)复杂网络的层次结构和组团结构算法能够有效地、准确地划分城市群层级结构与组团结构。(3)河流等自然地理条件对城市交通网络连通性和交通网络中的层次结构和组团结构有至关重要的影响。     

基于保守合并策略的复杂网络社区结构发现

为了有效的进行复杂网络社区结构发现,在CNM算法的基础上引进了一种具有额外头部节点的堆数据结构,在社区合并的过程中采用有偏的随机抽样方法,实现了较为保守的合并策略.随机合并算法的输出有更多的机会到达模块度函数的平台区域,在通常情况下其平均表现超过了原始CNM算法.在合成和真实的网络上验证了所提算法的可行性和有效性.     

卷积神经网络复杂性质与准确率的关系研究

卷积神经网络的结构也会对其性能造成影响,设计卷积神经网络更多的是依靠经验和强大的算力,如何设计出性能更好的卷积神经网络目前缺少有效的理论支撑.为了解决这一问题,在分析典型卷积神经网络拓扑复杂性的基础上,为快速实现满足给定复杂性特征的卷积神经网络,给出了由复杂网络拓扑到卷积神经网络的生成算法,通过建立系列不同拓扑特征的卷...     

BBS虚拟社区的演化规律探索及仿真

结合复杂网络理论对BBS中虚拟社区网络的演化规律进行了研究.首先,通过BBS版块的数据信息构建有向虚拟社区网络,研究了网络拓扑结构特性的演化,包括新增结点数和边数、度分布的幂指数、网络结构熵等随时间变化的规律,发现网络从"有序"到"无序"再到"稳定有序"的变化过程,并且在此类社区网络中存在富人俱乐部现象.然后,基于BBS版块虚拟社区的演化规律,提出了一种虚拟社区网络构造模型.该模型方法的仿真结果与真实虚拟社区网络演化特性相符,在一定程度上能解释虚拟社区的演化规律,具有很强的实际意义.     

复杂网络中的社团结构

对复杂网络社团结构问题进行了综述。介绍了无权无向网络中社团结构的定义、探索社团结构的算法及算法的评价标准和检验网络。重点总结与类比了具有代表性的算法及其在检验网络上得到的结果,并依据这些结果和评价标准对算法进行了评述。部分地概括了原有算法在加权无向网络中的推广方法。最后对部分社团结构算法的特点进行了横向的比较,对社团结构与网络功能的研究进行简略介绍,并对社团结构研究的发展做出展望。