基于符号网络的两阶段融合社区发现算法

发布时间：2021-05-10 00:01

　　目前针对符号网络社区发现研究越来越受到重视,CRA（Clustering20Re-clustering20Algorithm）算法代表比较流行的一种思路,即将社区划分过程分为两个阶段:第一步先删除负边,对剩余网络用传统社区发现算法进行社区划分;第二步再用符号网络特定社区质量评价函数调整分区.此类算法由于没有充分考虑负边信息而导致了划分不正确的问题.本文通过引入网络正密度,提出一种两阶段融合算法TFCRA（Two-stage20Fusion20Clustering20Re-clustering20Algorithm）,在社区划分过程中,不再删除负边,通过网络正密度和社区正密度的比较调整带负边的顶点的归属.实验证明,TFCRA能解决CRA算法存在的对某些网络无法划分和从不同顶点出发可能导致划分出错的问题. 

【文章来源】：小型微型计算机系统. 2016,37(05)北大核心CSCD

【文章页数】：6 页

【文章目录】：
1 引言
2 CRA算法
    2.1 某些网络或网络中一部分无法实现划分
    2.2 访问起始点发生改变时可能划分出错
3 TFCRA算法
    3.1 相关定义和定理
    3.2 TFCRA算法主要思想
    3.3 TFCRA算法流程
4 实验分析
    4.1 图1所示网络图实验
    4.2 图2所示网络图实验
    4.3 Gahuku-Gama Subtribes Network实验
    4.4 The Karate Club Network实验
    4.5 实验结果总结
5 总结和展望


【参考文献】：
期刊论文
[1]一种面向社会网络社区发现的改进粒子群优化算法[J]. 邱晓辉,陈羽中.  小型微型计算机系统. 2014(06)
[2]符号网络研究综述[J]. 程苏琦,沈华伟,张国清,程学旗.  软件学报. 2014(01)
[3]符号网络聚类算法FEC的改进[J]. 孔令旗,杨梦龙.  计算机应用. 2011(05)
[4]Web社区谱聚类的比较研究[J]. 黄发良,肖南峰.  小型微型计算机系统. 2011(04)



本文编号：3178273