基于结构的有效社区划分算法研究

发布时间：2017-10-22 05:04

  本文关键词：基于结构的有效社区划分算法研究

  更多相关文章： 复杂社会网络 社区划分 蚁群优化模型 节点结构相似性 信息素浓度

【摘要】：随着科学的发展,人们对复杂性科学的关注越来越大,复杂性网络的研究也成为了热点。社会网络指的是网络中的成员通过一定的联系和互动而形成的一种体系,这种体系较稳定且有一定的规律性。其中,联系比较紧密的社会团体被称为社区。目前科学家对社区的定义一直没被广泛认可。一般来说,社区内的成员在某方面拥有相同的特性,从而联系比较紧密；社区内部的个体容易受到同一社区其他人的影响。有效的社区挖掘技术能够发现真实的社区结构并可以展现出来,这对大规模网络数据的分析和应用具有重要的应用价值和现实意义。目前适用于大规模复杂网络的社区划分算法,很难在时间消耗和划分效果中达到让人满意的结果。 针对这些问题,本文在算法中引入节点的结构信息和适应度的概念,将结构相似性较强的节点快速加入同一个社区,通过不断提高适应度的值,来达到划分效果。这样可以使得算法在时间上消耗较低,而且这种算法得到的社区模块度值很高,能够有一个较满意的结果。此外,本文利用结构相似性信息对蚁群模型进行优化,通过计算节点的结构相似度,来得到初始节点之间的距离。将结构信息加入到蚁群模型,不仅兼顾了复杂网络的局部信息和全局特征,也能够降低算法的时间复杂度。通过对人工模拟复杂网络和真实社会复杂网络的常用数据集进行实验表明,算法在时间效率和社区划分效果上都达到了让人满意的结果。
【关键词】：复杂社会网络 社区划分 蚁群优化模型 节点结构相似性 信息素浓度
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：O157.5
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-10
• 1 引言10-17
• 1.1 研究背景和研究意义11-13
• 1.1.1 研究背景11-12
• 1.1.2 研究意义12-13
• 1.2 研究现状13-15
• 1.3 本课题研究内容15-17
• 2 社区划分的相关背景和基本知识17-31
• 2.1 网络模型的分类17-21
• 2.1.1 规则网络模型17-18
• 2.1.2 随机网络模型18-19
• 2.1.3 小世界网络模型19-20
• 2.1.4 无标度网络模型20-21
• 2.2 社区定义和模块度21-23
• 2.3 社区划分算法23-30
• 2.3.1 GN算法23-26
• 2.3.2 谱分析法26-27
• 2.3.3 电流算法27-28
• 2.3.4 KL算法28
• 2.3.5 蚁群模型算法28-30
• 2.4 本章小结30-31
• 3 基于结构和适应度的社区发现31-41
• 3.1 结构相似性和相似度31-33
• 3.2 基于结构和适应度的社区发现算法33-35
• 3.3 实验结果与分析35-40
• 3.3.1 人工网络实验结果36-39
• 3.3.2 真实网络实验结果39-40
• 3.4 本章小结40-41
• 4 基于结构相似性和蚁群聚类模型的社区划分41-52
• 4.1 相关工作41-42
• 4.2 算法介绍42-47
• 4.2.1 以结构为基础的相似性42-44
• 4.2.2 以蚁群为基础的相似性44-47
• 4.3 实验结果47-51
• 4.3.1 人工网络实验结果47-50
• 4.3.2 真实网络的实验结果50-51
• 4.4 本章小结51-52
• 5 结论52-53
• 参考文献53-57
• 作者简历及攻读硕士学位期间取得的研究成果57-59
• 学位论文数据集59

【参考文献】

中国期刊全文数据库 前2条

1 王亮;;社区社会资本与社区归属感的形成[J];求实;2006年09期

2 彭玲;徐汀荣;乔志伟;;基于核心图聚类的邮件网络社区发现[J];微型机与应用;2010年17期

，

本文编号：1076836