基于核心度和偏移量的社区检测算法

发布时间：2021-03-30 21:10

　　为减少社区检测算法中大量中间结果的计算对社区划分的影响,同时能够准确检测到网络的社区划分以及网络的核心社区,提出了一种基于核心度和偏移量的社区检测算法,其中核心度和偏移量定义了任意节点作为社区核心的程度。首先针对复杂网络的邻接矩阵,应用广度优先搜索算法计算网络中节点之间的边介数,基于边介数确定网络中每条边的权值,计算得到网络的加权邻接矩阵及全局距离矩阵;然后计算网络节点的核心度和偏移量,来确定社区的核心节点和核心社区;最后对其余节点进行划分以完成社区检测。在数据集Karate、Dolphins、Football上的实验结果表明,该算法具有很好的稳定性,并且可以很好地检测出社区结构,相比其他的方法,该算法复杂度更低,计算量更少,更高效。 

【文章来源】：计算机技术与发展. 2020,30(10)

【文章页数】：5 页

【部分图文】：

算法流程

图2、图3表明，文中算法几乎完美地将Karate数据集的34个节点分为两个社区，只有一个节点（Karate数据集中的3号节点）被错误地分类，但该节点是在群体之间的边界上，所以可能是一个模糊的情况，是可以理解的。文中算法可以找出核心社区，在图3中，标签为3的节点和标签为4的节点分别为两个社区的核心社区，这些节点在网络中占据重要的地位，发现并准确定位这些节点将有很大的现实意义。图3 Karate数据集带有核心社区的社区划分结果（其中标签为3和4的节点分别代表两个社区的核心部分）

Karate数据集带有核心社区的社区划分结果（其中标签为3和4的节点分别代表两个社区的核心部分）

【参考文献】：
期刊论文
[1]一种社交网络的增量社区检测算法及实现优化[J]. 王冰玉,吴振宇,沈苏彬.  计算机技术与发展. 2018(10)
[2]基于点距离和密度峰值聚类的社区发现方法[J]. 黄岚,李玉,王贵参,王岩.  吉林大学学报(工学版). 2016(06)
[3]复杂网络社区的分形聚类检测方法[J]. 郭玉泉,李雄飞.  吉林大学学报(工学版). 2016(05)
[4]基于粒子群优化与模糊聚类的社区发现算法[J]. 孙延维,彭智明,李健波.  重庆邮电大学学报(自然科学版). 2015(05)
[5]基于单元网格近邻势的聚类方法[J]. 陈新泉.  重庆邮电大学学报(自然科学版). 2014(06)
[6]An Improved Gravitational Search Algorithm for Dynamic Neural Network Identification[J]. Bao-Chang Xu,Ying-Ying Zhang.  International Journal of Automation & Computing. 2014(04)



本文编号：3110159