基于中心边选择的重叠社区发现算法研究

发布时间：2023-12-27 19:45

　　重叠社区结构普遍存在于社交网络、信息网络、技术网络和生物网络中,并蕴涵着有意义的信息,随着社区网络结构的日益复杂,网络中潜在的价值越来越有意义,进而有更多的学者投入到重叠社区发现的研究中,促进了重叠社区发现算法和重叠社区的评估方法更快速的发展。基于中心节点选择的重叠社区发现算法(CNS)是一种传统的重叠社区发现算法,CNS算法主要的内容是中心节点选择过程和聚类过程,在中心节点选择过程中主要根据节点之间的关系来选择网络中存在的中心节点,即网络中的关键节点,在聚类过程中主要根据中心节点来划分网络中其他节点。但在CNS算法中没有考虑节点之间的影响对于社区网络划分的重要性,使CNS算法的准确性降低,并且CNS算法是基于节点的划分,很难得到较合适的重叠节点率。针对这2个问题,本文提出了一种基于中心边选择的重叠社区发现算法(CES),主要有3方面改进:在中心边选择过程中,CES算法引入社区磁力干涉(community magnetic interference,CMI)理论,在CMI中不仅考虑节点本身的信息,还考虑了节点与节点的相互影响,每个中心节点的选择都会影响其周围节点,根据一定规律可以对节点...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 选题背景及意义
    1.2 研究现状
    1.3 本文内容
    1.4 论文结构与内容安排
第2章 重叠社区发现算法综述
    2.1 传统的社区发现算法
        2.1.1 图分割算法
        2.1.2 基于模块度的算法
    2.2 重叠社区发现算法
        2.2.1 派系过滤算法
        2.2.2 局部社区发现算法
    2.3 边社区发现算法
        2.3.1 LC算法
        2.3.2 iLCD算法
    2.4 本章小结
第3章 基于中心节点的重点社区发现算法
    3.1 算法过程
    3.2 算法局限性
    3.3 本章小结
第4章 基于中心边选择的重叠社区发现算法
    4.1 中心边选择过程
    4.2 社区划分过程
    4.3 重叠节点剪枝过程
    4.4 时间复杂度分析
    4.5 本章小结
第5章 实验结果分析
    5.1 实验评估指标
        5.1.1 扩展模块度评估指标EQ
        5.1.2 归一化互信息NMI
        5.1.3 覆盖率CR
        5.1.4 生物指标GO Enrichment
    5.2 标准网络的实验结果
        5.2.1 标准网络数据集
        5.2.2 标准网络结果分析
    5.3 蛋白质交互网络的实验结果
        5.3.1 蛋白质交互网络数据集
        5.3.2 蛋白质交互网络结果分析
    5.4 本章小结
第6章 总结与展望
参考文献
作者简介及在学期间所取得的科研成果
致谢



本文编号：3875788