基于聚類和SOM的復雜網(wǎng)絡中社團挖掘算法的研究.pdf

1、隨著計算機技術的迅猛發(fā)展，收集并處理規(guī)模龐大且種類繁多的實際網(wǎng)絡數(shù)據(jù)成為滿足物質(zhì)與文化需求的必要途徑，網(wǎng)絡科學也隨之扮演著愈來愈重要的角色。與人們生活緊密相關的網(wǎng)絡，如社會網(wǎng)，生物網(wǎng)，信息網(wǎng)，交通運輸網(wǎng)等，這些網(wǎng)絡之間相互交錯關聯(lián)。揭示網(wǎng)絡中共性的問題以及解決這些問題的普適方法便成為了網(wǎng)絡研究的一個重點，而這些網(wǎng)絡可以歸納于復雜網(wǎng)絡的范疇。挖掘出其中隱藏的社團結構，對病毒傳播的預防、輿情的控制、以及未知生物功能的預測均起到至關重要的作用

2、。本文針對復雜網(wǎng)絡中社團結構的挖掘所做工作如下：
　　(1)綜述了復雜網(wǎng)絡的研究現(xiàn)狀、相關定義、性質(zhì)及模型，分析了社團結構的層次劃分，敘述了研究社團結構的意義，總結了典型的社團結構劃分算法的優(yōu)缺點，論述了利用聚類的算法思想以及自組織競爭神經(jīng)網(wǎng)絡(簡稱SOM)的相關知識對社團結構進行挖掘。
　　(2)提出了基于最短路徑特征的社團挖掘算法(Community Discovery Algorithm Based on Shorte

3、st Path Feature,SPCDA)?；谧疃搪窂降奶卣鳎善鋽?shù)目的特征計算每個節(jié)點的中介系數(shù)從而獲取社團中心，據(jù)其長度的特征計算節(jié)點之間的相似度值。約定一種閾值作為劃分規(guī)則，該閾值最終由所有節(jié)點的平均相似度值確定。如此以來構成類似于聚類的模型，最后按照劃分規(guī)則將每個節(jié)點（不包括社團中心的節(jié)點）分別與閾值進行比較，取超過閾值的節(jié)點劃分聚類，據(jù)此過程不斷迭代，直至劃分完成。將該算法應用于經(jīng)典的復雜網(wǎng)絡實驗仿真平臺，并與典型的GN算

4、法和LPA算法進行比較分析，結果證實SPCDA算法能夠快速、準確的挖掘隱藏的社團結構。
　　(3)提出了基于自組織競爭神經(jīng)網(wǎng)絡的多特征社團挖掘算法(Multi-Feature Comm-unity Discovery Algorithm Based on Self-Organizing Competitive Neural Network,SOMCD A)?？紤]網(wǎng)絡的拓撲結構兼顧節(jié)點特征屬性，將聚類思想與SOM相結合。提出的算法基