基于局部相似性的社團檢測算法研究.pdf

1、現(xiàn)實生活中的很多網(wǎng)絡,如互聯(lián)網(wǎng),電力系統(tǒng)網(wǎng),神經(jīng)網(wǎng),人際關系網(wǎng),都可以看成是復雜網(wǎng)絡。這些網(wǎng)絡共同的特點就是具有小世界,無標度,社團結構等特性。其中社團結構是復雜網(wǎng)絡最重要的特性之一,尋找和分析社團結構有助于更好地了解網(wǎng)絡的內部結構,分析網(wǎng)絡的性質。所以,復雜網(wǎng)絡的社團結構研究近年來成為人們研究的熱點問題,大量的復雜網(wǎng)絡社團挖掘算法陸續(xù)被提出來。本文從社團的相似性定義出發(fā),研究了現(xiàn)有的節(jié)點相似性度量指標,提出了一種新的局部相似性指數(shù),結

2、合現(xiàn)有的基于相似性的社團檢測算法對網(wǎng)絡社團進行劃分。主要工作如下:
　　(1)研究經(jīng)典的復雜網(wǎng)絡社團結構檢測算法,分析了研究復雜網(wǎng)絡社團結構的一般方法。
　　(2)在研究現(xiàn)有的網(wǎng)絡節(jié)點的相似性指標的基礎上,定義了一種新的局部相似性指數(shù),從理論上證明了該局部相似性指數(shù)在社團檢測方面比其它局部相似性指數(shù)更具優(yōu)勢。
　　(3)提出了一種基于局部相似性的K-means譜聚類算法,該算法采用網(wǎng)絡節(jié)點相似性矩陣的前 K個最大特征值

3、所對應的特征向量為坐標,將網(wǎng)絡節(jié)點映射到歐式空間,再采用 K-means譜聚類算法對其進行社團劃分,算法根據(jù)最大特征值間距預測社團個數(shù),再采用模塊度進行驗證。在計算機生成的網(wǎng)絡和大量的實際網(wǎng)絡驗證該算法的可行性和有效性。
　　(4)提出了一種基于局部相似性的AP聚類算法,該算法以節(jié)點的局部相似性矩陣作為基礎,起初將所有的節(jié)點視為聚類中心,通過對每個節(jié)點的“吸引度”和“歸屬度”不斷修改,來確定最優(yōu)的聚類中心和每個節(jié)點的社團歸屬。在計