基于模块度优化的重叠社团检测算法研究与应用

发布时间：2024-05-10 06:03

　　近几年,大数据、人工智能持续发展,变得越来越高效,在日常生活中也得到了广泛的应用。网络承载着庞大而复杂的数据信息。其内部结构的研究无疑蕴含着丰富的信息量和强大的吸引力,社团结构检测技术应运而生。分析网络的结构,描述网络的特征能够更好地认识网络的特质,预测网络更替的规律。现有研究的传统的社团检测方法中,非重叠社团检测算法为更多人所选择。但随着研究的深入,与实际网络更为匹配的重叠社团检测方法后来居上,开辟了新的研究思路。本文通过对SLPA算法的了解与研究的基础上,提出了基于模块度优化的重叠社团检测算法MLPA+算法。将模块度优化思想与SLPA算法相互融合,减少了SLPA在传播标签时的随机性,模块度比率平方根最大化的展现使得算法在前期进行初始社团划分,在标签传播阶段,通过计算比较Adamic-Adar指标选择最优邻居节点,当最优邻居节点有多个时,则选择它们的标签中出现次数最多的标签,对当前节点进行更新标签,最终使得社团检测结果更符合真实社团结构。通过在五组人工网络数据集和四组真实网络数据集进行社团检测,实验结果对比分析表明,MLPA+算法在功能上存在着明显的优势。加之算法的收敛速度较为迅速,...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 研究现状
        1.2.1 算法研究现状
        1.2.2 应用研究现状
    1.3 论文研究内容
    1.4 论文组织结构
第二章 理论基础及相关工作
    2.1 复杂网络相关概念
    2.2 社团基本概念
    2.3 节点重要性与相似性
        2.3.1 节点重要性指标
        2.3.2 节点相似性指标
    2.4 传统社团检测算法
        2.4.1 基于图分割的方法
        2.4.2 基于谱分析的方法
        2.4.3 基于图动力学的方法
        2.4.4 基于层次划分的方法
        2.4.5 基于信息传播的方法
        2.4.6 基于模块度优化的方法
    2.5 重叠社团检测算法
        2.5.1 基于派系过滤的方法
        2.5.2 基于边聚类的方法
        2.5.3 基于层次划分的方法
        2.5.4 基于局部扩张的方法
        2.5.5 基于信息传播的方法
    2.6 本章小结
第三章 基于模块度优化的重叠社团改进算法
    3.1 相关概念
        3.1.1 模块度
        3.1.2 节点相似性指标
        3.1.3 重叠节点
    3.2 算法思想及步骤
        3.2.1 输入处理
        3.2.2 初始社团划分
        3.2.3 标签传播过程
        3.2.4 重点节点
        3.2.5 算法流程图
    3.3 算法时间复杂度分析
    3.4 本章小结
第四章 实验论证与分析
    4.1 社团检测评价指标
        4.1.1 标准化互信息
        4.1.2 扩展模块度
        4.1.3 划分密度
        4.1.4 扩展划分密度
    4.2 实验数据集
        4.2.1 人工网络数据集
        4.2.2 真实网络数据集
    4.3 结果分析与展示
        4.3.1 MLPA+在人工数据集的结果分析
        4.3.2 MLPA+在真实数据集的结果分析
    4.4 本章小结
第五章 基于MLPA+算法的数据分析模型
    5.1 模型概述
    5.2 模型应用
        5.2.1 数据预处理
        5.2.2 案件分析
    5.3 本章小结
第六章 总结与展望
    6.1 论文总结
    6.2 工作展望
参考文献
在学期间的研究成果
致谢



本文编号：3968803