基于复杂网络结构特征的社团检测算法研究

发布时间：2019-11-27 10:50

【摘要】：随着信息技术的飞速发展,互联网已经逐渐融入人们的日常生活当中。在此背景下,出现了大量的复杂网络。社团结构是复杂网络的重要特征,研究复杂网络的社团结构能够帮助研究者更好地理解复杂网络的特征和功能。论文详细介绍了复杂网络的基本概念、网络模型以及社团检测的几类常用算法。在此基础之上,作者对不同类型的复杂网络的拓扑结构进行深入研究之后,挖掘其隐含的信息,并提出了两个改进的社团检测算法。(1)提出一个基于节点相似度的社团检测算法—AR-Cluster算法,用于检测节点具有属性特征的复杂网络社团结构。通过对IGC-CSM算法进行分析和研究之后,我们发现IGC-CSM算法在计算节点的结构相似度时,只考虑拓扑结构中节点的三种连接关系,却未深入分析网络拓扑中,这些节点内部的密切关系。为了能够检测结构紧密且属性特征相似的社团,AR-Cluster算法提出吸引度和推荐度两个概念,重新定义节点的结构相似度,然后采用结构相似度和属性相似度的协同策略,定义节点之间的相似度;最后使用K-Medoids算法进行聚类。实验结果表明,AR-Cluster算法对于节点具有属性特征的复杂网络,能够有效检测社团结构。(2)提出一个基于节点重要度的社团检测算法—NI-DF算法,用于检测一般复杂网络中的社团结构和重叠点。算法分为两个阶段:网络硬划分和重叠点检测。第一阶段,NI过程,首先基于网络结构特征提出节点重要度的计算方法,然后选择重要度最大的节点作为簇的中心节点,通过TROC算法的中心节点扩展方法,最终得到网络的硬划分。第二阶段,DF过程,在第一阶段得到的划分结果之上,提出区别函数用于检测重叠点。实验结果表明,NI-DF算法能够较好地检测社团和重叠点。AR-Cluster算法目前只研究节点属性数目相同的社团检测问题,未考虑属性不对称的情况。NI-DF算法检测重叠点过于粗糙,需要细化。
【图文】：

合作网络,科学家,复杂网络

互联网现在已经融入人们的日常生活、微信、Facebook、维基（wiki）等各种社合作网络、生物系统中的蛋白质相互作用网近年来，随着不断对复杂网络进行深入的研性—社团结构。目前，复杂网络中的社团检络的研究可追溯到“Konigsberg 七桥问题”的关系则通过连接边表示。例如，在科学家点之间的连接边对应科学家之间的合作关系节点之间的连接边对应用户之间的社会关系构建复杂网络模型基础之上，研究者利用图分析复杂网络的功能，发现复杂网络的特征关于复杂网络研究的论文，复杂网络的研究

效应,社团,社交,消费者

在社交网络当中，社交网络由一些成员以及成员之间的关系进行社团检测能够帮助用户了解不同社团成员之间爱好、信仰等方面当中，工程项目的技术专业可以通过社会网络分析进行准确的定位。以利用社团检测算法分析恐怖组织的网络结构，进而找出该组织中的不法分子【5】。在电子商务领域当中，可以把消费者看作网络节点，在那的消费者之间构建连接边，，通过对该网络进行社团检测，可以预测处者具有哪些类似的购物偏好；进而可以有针对性地向消费者推荐物品法已经应用于社交网络分析、Web 社区挖掘、未知蛋白质功能预测等意义互联网逐渐融入人们的日常生活，各种复杂网络的实际应用也日渐兴的微博、微信，生物系统中的蛋白质相互作用网络和科学家合作网等络虽然在各个领域以不同的特点和方式呈现，但研究者们却发现复征：（1）“小世界效应”【6】；（2）“无标度特性”【7】；（3）“社团结构”【8，9 1-4 分别是对三个基本统计特征描述的图示。
【学位授予单位】：西安理工大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：O157.5

【参考文献】