發(fā)布時間：2018-06-25 15:49

  本文選題：復雜網絡 + 大數據　； 參考：《軟件學報》2017年03期

【摘要】：提出一種新的面向復雜網絡大數據的重疊社區(qū)檢測算法DOC(detecting overlapping communities over complex network big data),時間復雜度為O(nlog2(n)),算法基于模塊度聚類和圖計算思想,應用新的節(jié)點和邊的更新方法,利用平衡二叉樹對模塊度增量建立索引,基于模塊度最優(yōu)的思想設計一種新的重疊社區(qū)檢測算法.相對于傳統(tǒng)的重疊節(jié)點檢測算法,對每個節(jié)點分析的頻率大為降低,可以在較低的算法運行時間下獲得較高的識別準確率.復雜網絡大數據集上的算法測試結果表明:DOC算法能夠有效地檢測出網絡重疊社區(qū),社區(qū)識別準確率較高,在大規(guī)模LFR基準數據集上其重疊社區(qū)檢測標準化互信息指標NMI最高能達到0.97,重疊節(jié)點檢測指標F-score的平均值在0.91以上,且復雜網絡大數據下的運行時間明顯優(yōu)于傳統(tǒng)算法.
[Abstract]:A new overlay community detection algorithm for complex networks, big data oriented, is proposed. The time complexity of DOC (detecting overlapping communities over complex network big data), is O (nlog2 (n), algorithm is based on the idea of modular clustering and graph computing), and a new updating method of nodes and edges is applied. A new overlapping community detection algorithm is designed based on the idea of modularity optimization by using the balanced binary tree to index the modular degree increment. Compared with the traditional overlapped node detection algorithm, the analysis frequency of each node is greatly reduced, and the recognition accuracy can be obtained under the lower running time of the algorithm. The test results on the big data set of complex networks show that the big data algorithm can effectively detect the overlapping communities of the network, and the accuracy of community recognition is high. On the large scale LFR benchmark data set, the maximum of overlapping community detection standardized mutual information index (NMI) can reach 0.97, and the average value of overlapping node detection index F-score is above 0.91, and the running time of complex network big data is obviously better than that of the traditional algorithm.
【作者單位】： 成都信息工程大學信息安全工程學院;成都信息工程大學管理學院;西南交通大學信息科學與技術學院;北京大學計算機科學技術研究所;哈爾濱工業(yè)大學計算機科學與技術學院;Department
【基金】：國家自然科學基金(61100045,61363037) 教育部人文社會科學研究規(guī)劃基金(15YJAZH058);教育部人文社會科學研究青年基金(14YJCZH046) 成都市軟科學項目(2015-RK00-00059-ZF) 四川省教育廳資助科研項目(14ZB0458)~~
【分類號】：TP311.13;O157.5

【相似文獻】

相關期刊論文 前10條

1 梁鋒;一種求整體最優(yōu)的快速混合算法[J];數值計算與計算機應用;1989年02期

2 楊昭軍;;體能預測模型算法收斂性證明[J];湖南稅專學報;1996年01期

3 李枝勇;馬良;張惠珍;;蝙蝠算法收斂性分析[J];數學的實踐與認識;2013年12期

4 喻壽益;鄺溯瓊;;保留精英遺傳算法收斂性和收斂速度的鞅方法分析[J];控制理論與應用;2010年07期

5 堵丁柱,堵秀鳳;陡度引理的強化與應用[J];中國科學(A輯 數學 物理學 天文學 技術科學);1991年12期

6 朱賢陽,李敬,任朗,汪文秉;修正變步長自適應算法[J];科學通報;1996年16期

7 張業(yè)榮,聶在平,漆蘭芬;用于非均勻介質重建的選代算法收斂性的研究[J];電波科學學報;1998年02期

8 葉志偉;周欣;夏彬;;蟻群算法研究應用現(xiàn)狀與展望[J];吉首大學學報(自然科學版);2010年01期

9 沈繼紅;王侃;李璞;;基于改進蟻群算法的船舶人員疏散問題研究[J];控制工程;2013年05期

10 王則柯,徐森林;計算多項式零點的一種單純輪回算法[J];高等學校計算數學學報;1985年04期

相關會議論文 前2條

1 任偉建;陳建玲;韓冬;王鳳妤;;蟻群算法綜述[A];2007中國控制與決策學術年會論文集[C];2007年

2 張丹;華紅艷;邵麗紅;;擾動蟻群算法中參數的優(yōu)化選擇[A];中國自動化學會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

相關博士學位論文 前1條

1 王允良;飛行器總體參數優(yōu)化的進化算法及其應用研究[D];西北工業(yè)大學;2006年

相關碩士學位論文 前10條

1 孟曉琳;蟻群算法的研究及其應用[D];西南交通大學;2015年

2 丁雪海;基于群智能的多目標關聯(lián)規(guī)則挖掘算法應用研究[D];上海大學;2014年

3 陳貞貞;基于FPGA的壓縮感知恢復算法的研究與實現(xiàn)[D];中國科學院研究生院(空間科學與應用研究中心);2015年

4 葛曼;基于稀疏表示的魯棒相位恢復算法研究[D];燕山大學;2016年

5 胡瀛月;人工蜂群算法的改進及相關應用研究[D];中原工學院;2016年

6 高明芳;基于粒子群蟻群混合算法的物流車輛路徑問題研究[D];內蒙古農業(yè)大學;2016年

7 周文明;基于智能算法的移動機器人路徑規(guī)劃研究[D];南京理工大學;2016年

8 岳振芳;教與學優(yōu)化算法的改進研究[D];寧夏大學;2016年

9 繆志勇;車聯(lián)網平臺下基于優(yōu)化蟻群算法的公交調度系統(tǒng)優(yōu)化[D];江西農業(yè)大學;2016年

10 陳振;混合型蝙蝠搜索優(yōu)化算法及其應用研究[D];廣西大學;2014年

，

本文編號：2066577