基于迭代聚类的社区检测算法研究及应用

发布时间：2020-09-15 09:42

　　随着海量数据的爆发增长,它们刻画了一个多关系的多元网络并且为定量研究表征网络的结构演化提供了巨大的机遇和挑战,其研究成果也有助于更有效地改善信息服务和创造社会经济价值。在网络中存在着大大小小的社团结构,对网络中社团结构的研究是了解整个网络结构和功能的重要途径。基于复杂网络理论,本文通过将边聚类系数进行高阶拓展并作为节点相似性指标,建立其局部迭代模型。在此基础上,从合成网络和真实网络两个方面,分别对基于迭代聚类高阶拓展的社团检测算法进行研究分析。同时应用该算法进行在双层网络上重叠度分析,能够更好地刻画双层网络之间的内在联系,为双层网络节点分析研究提供一个良好的方法。本文的工作主要包括两个方面:1)基于迭代聚类高阶拓展的社团检测算法实现及分析。基于一个节点的次近邻节点对于社区聚类的结果也有很大影响这一观点,引出将边聚类系数进行高阶拓展,作为节点之间的相似性指标的思想。因此,本算法不局限于单独考虑直接相连的节点对于社区检测的影响,而是在基本的社区划分上继续考虑网络的次近邻节点对于聚类的效果;然后依照三种局部迭代模式:直接相连节点的影响、共有邻居节点的影响以及独有邻居的影响。通过这三种迭代模型,将网络中的节点进行聚类,相似的节点慢慢聚集在一起,不相似的节点逐渐远离彼此,最终形成稳定的状态,然后进行社团划分。通过将该算法应用在合成网络以及真实网络上,可以发现该算法具有较高的准确性以及鲁棒性。2)利用迭代聚类高阶拓展的社团检测算法进行双层网络上的重叠度分析。对双层网络上的重叠度分析能够揭示不同网络上相应节点的耦合程度,剖析节点在网络中所扮演的角色以及功能,了解不同网络之间的相互依赖关系。因此,将该算法应用在双层网络上,分别进行社团检测,通过得到的划分结果分别计算每层网络上的NMI值,最后计算双层网络上的重叠度。通过将该算法分别应用于秀杆线虫的神经元网络、微博转发网络以及蛋白质相互作用网络上进行重叠度分析,可以发现该算法在这些双层网络上依然具有较高的准确性,能够有效地揭示不同网络之间的相互依赖关系。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP311.13;O157.5

【相似文献】