基于节点重要性和局部扩展的重叠社区发现算法

发布时间：2021-07-31 09:22

　　在DOCNet算法基础上,对初始节点选取和节点隶属度计算方法进行改进,形成一种新的重叠社区发现算法DOCLLE。首先采用经典重要性排名算法LeaderRank对节点重要性进行排序,选取出重要性最高的节点及其邻节点组成初始社区。另外结合局部相似度概念重新定义节点隶属度,最后通过质量函数将符合标准的节点加入到已有社区。算法在人工生成网络和真实网络上进行实验,并对比了四种重叠社区发现算法,实验结果表明该算法在节点较多的社区结构划分上有较好的准确性和稳定性。 

【文章来源】：计算机与数字工程. 2020,48(12)

【文章页数】：6 页

【部分图文】：

各数据集上各个算法的EQ值

?图4DOCLLE在Zachary上的社区划分结果对真实网络来说，社区个数是未知的，采用以下比较适合衡量社区结构［23］的评价系数：社区连接紧密度指标EQ［17］和模块化指标Qov［24］对算法进行检验。评价系数的取值范围均为（0~1），值越大说明算法效果越好。将文中提出的DOCLLE算法与局部扩展经典算法LFM［16］、DEMON［25］、标签传播算法SLPA［14］以及DocNet［20］算法进行对比，并在上述四个真实数据集上做对比实验。从图5和图6中可看出，DocNet算法在不同数据集上均有比较好表现，但在规模较大的Netscience数据集上，Qov分值较DOCLLE来说相对较低；DOCLLE算法在不同数据集上均有比较好的表现，尤其在Netscience数据集上，相较于LFM、SLPA、Demon算法来说，DOCLLE算法的EQ值、Qov值是最高的，这意味着随着网络中节点数量的增多，DOCLLE算法的社区划分能力在逐步增强。图5各数据集上各个算法的EQ值图6各数据集上各个算法的Qov值2909

DocNet与DOCLLE在人工网络下NMI值对比

【参考文献】：
期刊论文
[1]复杂网络大数据中重叠社区检测算法[J]. 乔少杰,韩楠,张凯峰,邹磊,王宏志,Louis Alberto GUTIERREZ.  软件学报. 2017(03)



本文编号：3313199