基于聚類和SOM的復(fù)雜網(wǎng)絡(luò)中社團(tuán)挖掘算法的研究.pdf

1、隨著計(jì)算機(jī)技術(shù)的迅猛發(fā)展，收集并處理規(guī)模龐大且種類繁多的實(shí)際網(wǎng)絡(luò)數(shù)據(jù)成為滿足物質(zhì)與文化需求的必要途徑，網(wǎng)絡(luò)科學(xué)也隨之扮演著愈來愈重要的角色。與人們生活緊密相關(guān)的網(wǎng)絡(luò)，如社會(huì)網(wǎng)，生物網(wǎng)，信息網(wǎng)，交通運(yùn)輸網(wǎng)等，這些網(wǎng)絡(luò)之間相互交錯(cuò)關(guān)聯(lián)。揭示網(wǎng)絡(luò)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(luò)研究的一個(gè)重點(diǎn)，而這些網(wǎng)絡(luò)可以歸納于復(fù)雜網(wǎng)絡(luò)的范疇。挖掘出其中隱藏的社團(tuán)結(jié)構(gòu)，對(duì)病毒傳播的預(yù)防、輿情的控制、以及未知生物功能的預(yù)測(cè)均起到至關(guān)重要的作用

2、。本文針對(duì)復(fù)雜網(wǎng)絡(luò)中社團(tuán)結(jié)構(gòu)的挖掘所做工作如下：
　　(1)綜述了復(fù)雜網(wǎng)絡(luò)的研究現(xiàn)狀、相關(guān)定義、性質(zhì)及模型，分析了社團(tuán)結(jié)構(gòu)的層次劃分，敘述了研究社團(tuán)結(jié)構(gòu)的意義，總結(jié)了典型的社團(tuán)結(jié)構(gòu)劃分算法的優(yōu)缺點(diǎn)，論述了利用聚類的算法思想以及自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)(簡(jiǎn)稱SOM)的相關(guān)知識(shí)對(duì)社團(tuán)結(jié)構(gòu)進(jìn)行挖掘。
　　(2)提出了基于最短路徑特征的社團(tuán)挖掘算法(Community Discovery Algorithm Based on Shorte

3、st Path Feature,SPCDA)?；谧疃搪窂降奶卣?，由其數(shù)目的特征計(jì)算每個(gè)節(jié)點(diǎn)的中介系數(shù)從而獲取社團(tuán)中心，據(jù)其長(zhǎng)度的特征計(jì)算節(jié)點(diǎn)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(diǎn)的平均相似度值確定。如此以來構(gòu)成類似于聚類的模型，最后按照劃分規(guī)則將每個(gè)節(jié)點(diǎn)（不包括社團(tuán)中心的節(jié)點(diǎn)）分別與閾值進(jìn)行比較，取超過閾值的節(jié)點(diǎn)劃分聚類，據(jù)此過程不斷迭代，直至劃分完成。將該算法應(yīng)用于經(jīng)典的復(fù)雜網(wǎng)絡(luò)實(shí)驗(yàn)仿真平臺(tái)，并與典型的GN算

4、法和LPA算法進(jìn)行比較分析，結(jié)果證實(shí)SPCDA算法能夠快速、準(zhǔn)確的挖掘隱藏的社團(tuán)結(jié)構(gòu)。
　　(3)提出了基于自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的多特征社團(tuán)挖掘算法(Multi-Feature Comm-unity Discovery Algorithm Based on Self-Organizing Competitive Neural Network,SOMCD A)?？紤]網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)兼顧節(jié)點(diǎn)特征屬性，將聚類思想與SOM相結(jié)合。提出的算法基