基于最短路径相似度的复杂网社团识别算法

基于最短路径的思想,定义新的节点相似度,利用谱平分算法来识别复杂网络的社团结构.首先根据节点间最短路径的思想计算改进的共享最近邻(SNN)相似度,将其标准化后求出标准化矩阵的特征值及特征向量,然后根据网络选取一定数目的第一非平凡特征向量作为聚类样本,利用FCM算法可识别网络的社团.实验结果表明,该算法对于社团结构不明显的网络划分效果很好.     

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.     

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.     

社团结构改变对振子网络同步行为的影响

以二阶类Kuramoto振子为节点的振子电网为研究对象,研究了社团结构对振子电网同步能力的影响.借助于数值仿真,讨论了社团强度、社团数目改变对网络同步能力的影响.结果表明,社团强度对网络的同步能力有很大的影响.在一定范围内社团强度越大,网络的同步能力就越强;在社团强度和网络规模一定的条件下,社团数目越多,网络的同步能力越弱.网络规模扩大,社团数目越多,网络的同步能力反而越强.     

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.     

基于关系强度的复杂网络社团结构发现算法比较

实际复杂网络数据的合理预处理是社团结构分析的基础与前提,对划分结果有着显著的影响。本文通过定义节点间的关系强度,将社会调查得到的社交网络数据处理成社团结构算法中通用的邻接矩阵,提出了处理实际复杂网络数据使之适用于经典社团算法分析的一种方法。同时,本文进一步给出了关系强度强联系定义和关系强度弱联系定义,并比较了算法在这两种定义下展示出的不同性能。     

结合网络拓扑与节点内容的统一化半监督社团检测方法

在复杂网络分析中，社团检测发挥着越来越重要的作用，而在实际应用中如何提高社团检测的性能仍是一个共同研究目标.由于网络节点中内容信息有助于社团识别，一些方法侧重于将网络拓扑和节点内容相结合，并且获得了不错效果.此外，也有些方法借用节点之间的拓扑相似度，以提升实现社团检测性能.鉴于此，我们提出了一个统一化方法，结合节点内容的半监督社团检测，简称SCDNC.在该方法中，我们不仅将链接增强应用于社团检测，而且实现了拓扑和内容有机融合.首先，我们运用随机模型来描述节点社团隶属度.其次，我们构建出一个刻画节点内容社团隶属度的随机块模型，节点社团隶属度作为节点内容的权重向量，以实现拓扑和内容结合.再次，我们利用网络中节点之间的拓扑相似度构建先验信息，即，使网络中节点与其最相似的邻居节点具有相同的隶属度分布.最后，使用非负矩阵分解的方法学习新模型的统一化参数.在带有真实标签的人工网络和真实网络上，我们对新方法与一些当前流行的社团检测方法进行了性能比较.实验结果显示，通过融合节点内容和先验信息强化的链接，新方法检测社团的性能取得了显著提升.     

一种信任关系网络中的社团结构检测算法

针对群智计算和感知服务中不可信服务节点可能引入的安全威胁问题,提出了一种基于节点间信任关系网络的社团结构检测算法。该算法通过分析信任关系网络的功能和结构特点,引入连接的方向和权值因素,建立有向加权网络模型,定义最优路径相似度作为节点聚合标准,提出社团离散指数作为评价函数控制检测过程,从而准确识别信任关系网络中的可信节点集合,为服务节点选择提供参考。算法引入节点相似度阈值和归属判定指数控制社团聚合,与误分类节点再筛选环节配合,有效降低了检测过程中的节点误判概率,有针对性地设计社团离散指数作为评价函数,动态评估检测结果并调节聚合参数,保证了社团结构检测结果的准确率及合理性。实验结果表明:该算法能够有效实现信任关系网络中社团结构的检测与识别,与已有算法相比,检测准确率提高了5.88%。     

基于相邻节点聚类的社团划分算法

社团结构是复杂网络中的拓扑属性之一,具有同一社团内的节点连接紧密而不同社团的节点连接疏松的性质.作者基于复杂网络中的社团结构的性质并根据网络中相邻节点的距离关系,提出了一种社团划分算法--基于相邻节点聚类的社团划分算法.笔者对算法的基本概念以及实现进行了详细的描述,通过应用在实例上所得结果说明算法的可行性.     

基于节点向量和密度峰值的重叠社团检测方法

在真实世界网络中,数据量往往较大、维度较高,这使得数据难以处理,并且所包含的社团大多重叠,而大多数已经存在的算法针对的是非重叠社团,基于改进的密度峰值和标签传播的重叠社团检测算法(DPCL算法).采用低维向量表示网络中节点信息,根据节点的局部密度和相对距离选出中心节点.将只与一个中心节点直接相邻的节点分配到该中心节点所在的社团内,对剩余节点通过计算归属度进行分配,从而实现对重叠社团进行检测;在真实世界网络和LFR基准合成网络上与其他社团检测方法进行比较,实验结果表明能够有效的检测重叠社团.