【摘要】：針對傳統(tǒng)譜二分社團檢測算法一般只使用某一特定的特征向量對網(wǎng)絡(luò)進行劃分,并不能保證能夠得到最佳的社團結(jié)構(gòu)這一缺陷,提出了一種使用最優(yōu)特征向量的譜二分社團檢測方法。該方法利用網(wǎng)絡(luò)/子網(wǎng)絡(luò)轉(zhuǎn)移矩陣的特征向量持續(xù)將網(wǎng)絡(luò)分裂為若干個子網(wǎng)絡(luò),分裂過程并不固定使用單一的、特定的特征向量,每次分裂使用的是能使得模塊度增量最大的一個特征向量。此外,為了充分利用網(wǎng)絡(luò)的拓撲信息,還利用網(wǎng)絡(luò)中每條邊所關(guān)聯(lián)的兩個頂點擁有的共同鄰居的信息,將原始網(wǎng)絡(luò)轉(zhuǎn)換為帶權(quán)的網(wǎng)絡(luò),并基于此帶權(quán)網(wǎng)絡(luò)的轉(zhuǎn)移矩陣,使用最優(yōu)特征向量持續(xù)將其劃分為若干個子網(wǎng)絡(luò),得到其社團結(jié)構(gòu)。為了驗證這兩種方法的有效性,在7個實際網(wǎng)絡(luò)上進行了實驗。實驗結(jié)果證實,該方法能夠有效地從網(wǎng)絡(luò)中提取高質(zhì)量的社團結(jié)構(gòu)。
[Abstract]:In view of the fact that the traditional spectral dichotomous community detection algorithm generally only uses a specific eigenvector to divide the network, which can not guarantee the optimal community structure, a spectral dichotomous community detection method using the optimal eigenvector is proposed. In this method, the network is continuously divided into several subnetworks by using the eigenvector of the network / subnetwork transfer matrix. The split process does not use a single, specific eigenvector. Each split uses a eigenvector that can maximize the modularity increment. In addition, in order to make full use of the topological information of the network, the original network is transformed into a weighted network by using the information of the common neighbors owned by the two vertices associated with each edge of the network, and based on the transfer matrix of the weighted network, the optimal eigenvector is used to continuously divide it into several subnetworks, and its community structure is obtained. In order to verify the effectiveness of the two methods, experiments are carried out on seven practical networks. The experimental results show that this method can effectively extract high quality community structure from the network.
【作者單位】： 蘭州大學(xué)信息科學(xué)與工程學(xué)院;甘肅省資源環(huán)境科學(xué)數(shù)據(jù)工程技術(shù)研究中心;
【基金】：2015年甘肅省資源環(huán)境科學(xué)數(shù)據(jù)工程技術(shù)研究中心開放基金~~
【分類號】：O157.5

【相似文獻】

相關(guān)期刊論文 前10條

1 袁虎廷;對雙重特征向量的討論[J];雁北師院學(xué)報;1997年02期

2 晏木榮;消耗系數(shù)方陣的逆向優(yōu)化調(diào)整[J];經(jīng)濟數(shù)學(xué);2000年01期

3 劉干中;特征向量和奇異向量的擾動界[J];天津電大學(xué)報;2001年03期

4 黃力民;廣義特征向量幾種算法的比較[J];大學(xué)數(shù)學(xué);2004年01期

5 洪伯陽;關(guān)于特征向量的計算的一個問題[J];黃石師院學(xué)報(自然科學(xué)版);1982年01期

6 王植棠;廣義特征向量的計算程序[J];阜新礦業(yè)學(xué)院學(xué)報;1986年02期

7 蔡則彪,鄭鐵生;特征向量敏度分析的快速算法[J];計算結(jié)構(gòu)力學(xué)及其應(yīng)用;1991年01期

8 李紹寬;;近似特征向量方法的一些應(yīng)用[J];復(fù)旦學(xué)報(自然科學(xué)版);1981年04期

9 李治林,黃開斌;特征向量的幾個擾動定理[J];高等學(xué)校計算數(shù)學(xué)學(xué)報;1990年03期

10 王兆奇,解元元;特征向量的零輸入解定理及其證法探討[J];西北農(nóng)林科技大學(xué)學(xué)報(自然科學(xué)版);2004年05期

相關(guān)會議論文 前3條

1 陳力奮;宋漢文;王文亮;;確定退化模態(tài)可導(dǎo)特征向量轉(zhuǎn)換矩陣的一種新方法[A];振動工程學(xué)報（工程應(yīng)用專輯）[C];2001年

2 苗清影;汪小帆;;基于社團結(jié)構(gòu)的復(fù)雜網(wǎng)絡(luò)可控性研究[A];第五屆全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會議論文（摘要）匯集[C];2009年

3 胡延慶;趙爾波;張丹;狄增如;樊瑛;;社團結(jié)構(gòu)的局域和自適應(yīng)比較性定義及其相應(yīng)探測方法[A];第五屆全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會議論文（摘要）匯集[C];2009年

相關(guān)博士學(xué)位論文 前7條

1 龔世才;圖的特征向量的組合結(jié)構(gòu)[D];安徽大學(xué);2010年

2 程建軍;復(fù)雜網(wǎng)絡(luò)中的社團檢測方法研究[D];蘭州大學(xué);2015年

3 李琳;基于多元統(tǒng)計分析的社團挖掘算法研究[D];上海交通大學(xué);2014年

4 崔耀祖;基于復(fù)雜網(wǎng)絡(luò)邊的密度探索社團結(jié)構(gòu)算法研究[D];大連理工大學(xué);2016年

5 謝家榮;復(fù)雜網(wǎng)絡(luò)中基于已知分組的社團探測方法[D];中國科學(xué)技術(shù)大學(xué);2017年

6 何嘉林;復(fù)雜網(wǎng)絡(luò)中的社團結(jié)構(gòu)探測和應(yīng)用研究[D];電子科技大學(xué);2017年

7 武志昊;復(fù)雜網(wǎng)絡(luò)中的重疊社團發(fā)現(xiàn)問題研究[D];北京交通大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 梅海嬌;極大加代數(shù)矩陣的整特征向量和整像[D];河北師范大學(xué);2015年

2 張曉玉;一類8階Hamilton算子特征向量組和根向量組的完備性及其應(yīng)用[D];內(nèi)蒙古工業(yè)大學(xué);2015年

3 劉君偉;關(guān)于精化近似特征向量的一些性質(zhì)研究[D];廈門大學(xué);2009年

4 魏民;高中生對特征值與特征向量（2階矩陣）的理解水平[D];華東師范大學(xué);2009年

5 譚瑩瑩;混合圖的奇異度與特征向量[D];安徽大學(xué);2007年

6 李小新;兩類混合圖的特征值與特征向量[D];安徽大學(xué);2005年

7 劉微;復(fù)雜網(wǎng)絡(luò)中社團結(jié)構(gòu)的發(fā)現(xiàn)[D];遼寧師范大學(xué);2011年

8 王大軍;基于標簽傳播的社團檢測算法研究[D];遼寧大學(xué);2015年

9 楊強;微博社交網(wǎng)絡(luò)模型的建立及其性質(zhì)研究[D];北京化工大學(xué);2015年

10 付世海;基于社團結(jié)構(gòu)的網(wǎng)絡(luò)多傳播源定位算法研究[D];東北大學(xué);2013年

，

本文編號：2505437