融合结构与属性视图的可重叠社区发现算法

发布时间：2021-08-12 06:44

　　社区发现算法是发现社区内部结构和组织原则的基本工具。现有的基于模型的算法和基于优化的算法通常考虑2种信息源,即网络结构和节点属性,以获得具有更密集的网络结构和相似属性信息的社区。然而此类算法在聚类过程中无法自动确定结构与属性之间的相对重要性,以揭示子空间,因此检测到的社区质量还需提升。将子空间集成到一个重叠社区发现框架中,设计了自适应结构和属性权重策略,有效地揭示子空间,从而发现多样性的社区。在人工和真实网络上进行了广泛的实验,进一步分析验证了揭示子空间对于捕获更好的社区的重要性,说明了本文算法的合理性和有效性。 

【文章来源】：计算机工程与科学. 2020,42(08)北大核心CSCD

【文章页数】：8 页

【部分图文】：

融合结构和属性视图的可重叠社区发现算法流程图

图2a和图2b分别显示了COCD算法在5个人工数据集上取不同η和λ值时对聚类结果的影响。由于篇幅限制,且使用NMI分数的量化结果与F1分数的一致,故仅将使用F1分数量化的结果表示出来。从图2能看出,η和λ从0.5变为6的过程中,F1分数的波动不大,即聚类精度对这2个参数不敏感。结果表明COCD算法对参数η和λ具有鲁棒性。图3 算法运行时间比较

算法运行时间比较

【参考文献】：
期刊论文
[1]基于多特征融合的微博用户权威度定量评价方法[J]. 张仰森,郑佳,唐安杰.  电子学报. 2017(11)
[2]基于联合矩阵分解的节点多属性网络社团检测[J]. 常振超,陈鸿昶,刘阳,于洪涛,黄瑞阳.  物理学报. 2015(21)



本文编号：3337808