基于深度编码器的复杂网络社区发现算法

发布时间：2022-12-09 00:54

　　复杂网络是复杂系统的典型表现形式,社区结构是复杂网络最重要的结构特征之一。针对目前社区发现算法精确度低以及不适合大规模网络的问题,提出一种新的算法DA-EF和用于度量节点之间相似度的影响力扩散指标。DA-EF利用多层自动编码器与森林编码器构成二级级联模型,相似度矩阵进行降维和表征学习处理,转化成低维高阶特征矩阵,最终使用K-means得到准确的社区划分结果。级联结构在保持算法同等深度的情况下,大幅降低了算法时间复杂度。在人工合成数据集和真实数据集上的实验表明,DA-EF与同类算法K-means、DA-EML和CoDDA相比,其标准互信息NMI和模块度Q值高,而且聚类运行时间最少,具有精确度高和效率快的优势。在算法性能实验中,验证了算法的级联结构、自动编码器的深度以及影响力扩散指标的合理性和有效性。 

【文章页数】：9 页

【文章目录】：
1引言
2相关工作
    2.1影响力扩散
    2.2自动编码器
    2.3森林编码器
3 DA-EF算法
4实验结果与分析
    4.1评价指标
    4.2人工合成数据集
    4.3真实数据集
5算法DA-EF有效性探讨
    5.1森林编码器的影响
    5.2自动编码器的层数影响
    5.3相似度指标的影响
    5.4算法优势的结论
6结束语


【参考文献】：
期刊论文
[1]基于节点动态连接度的网络社团划分算法[J]. 贾珺,胡晓峰,贺筱媛.  复杂系统与复杂性科学. 2016(04)
[2]基于深度稀疏自动编码器的社区发现算法[J]. 尚敬文,王朝坤,辛欣,应翔.  软件学报. 2017(03)



本文编号：3714484