為減少社區(qū)檢測算法中大量中間結(jié)果的計算對社區(qū)劃分的影響,同時能夠準(zhǔn)確檢測到網(wǎng)絡(luò)的社區(qū)劃分以及網(wǎng)絡(luò)的核心社區(qū),提出了一種基于核心度和偏移量的社區(qū)檢測算法,其中核心度和偏移量定義了任意節(jié)點(diǎn)作為社區(qū)核心的程度。首先針對復(fù)雜網(wǎng)絡(luò)的鄰接矩陣,應(yīng)用廣度優(yōu)先搜索算法計算網(wǎng)絡(luò)中節(jié)點(diǎn)之間的邊介數(shù),基于邊介數(shù)確定網(wǎng)絡(luò)中每條邊的權(quán)值,計算得到網(wǎng)絡(luò)的加權(quán)鄰接矩陣及全局距離矩陣;然后計算網(wǎng)絡(luò)節(jié)點(diǎn)的核心度和偏移量,來確定社區(qū)的核心節(jié)點(diǎn)和核心社區(qū);最后對其余節(jié)點(diǎn)進(jìn)行劃分以完成社區(qū)檢測。在數(shù)據(jù)集Karate、Dolphins、Football上的實(shí)驗(yàn)結(jié)果表明,該算法具有很好的穩(wěn)定性,并且可以很好地檢測出社區(qū)結(jié)構(gòu),相比其他的方法,該算法復(fù)雜度更低,計算量更少,更高效。 

【文章來源】：計算機(jī)技術(shù)與發(fā)展. 2020,30(10)

【文章頁數(shù)】：5 頁

【部分圖文】：

算法流程

圖2、圖3表明，文中算法幾乎完美地將Karate數(shù)據(jù)集的34個節(jié)點(diǎn)分為兩個社區(qū)，只有一個節(jié)點(diǎn)（Karate數(shù)據(jù)集中的3號節(jié)點(diǎn)）被錯誤地分類，但該節(jié)點(diǎn)是在群體之間的邊界上，所以可能是一個模糊的情況，是可以理解的。文中算法可以找出核心社區(qū)，在圖3中，標(biāo)簽為3的節(jié)點(diǎn)和標(biāo)簽為4的節(jié)點(diǎn)分別為兩個社區(qū)的核心社區(qū)，這些節(jié)點(diǎn)在網(wǎng)絡(luò)中占據(jù)重要的地位，發(fā)現(xiàn)并準(zhǔn)確定位這些節(jié)點(diǎn)將有很大的現(xiàn)實(shí)意義。圖3 Karate數(shù)據(jù)集帶有核心社區(qū)的社區(qū)劃分結(jié)果（其中標(biāo)簽為3和4的節(jié)點(diǎn)分別代表兩個社區(qū)的核心部分）

Karate數(shù)據(jù)集帶有核心社區(qū)的社區(qū)劃分結(jié)果（其中標(biāo)簽為3和4的節(jié)點(diǎn)分別代表兩個社區(qū)的核心部分）

【參考文獻(xiàn)】：
期刊論文
[1]一種社交網(wǎng)絡(luò)的增量社區(qū)檢測算法及實(shí)現(xiàn)優(yōu)化[J]. 王冰玉,吳振宇,沈蘇彬.  計算機(jī)技術(shù)與發(fā)展. 2018(10)
[2]基于點(diǎn)距離和密度峰值聚類的社區(qū)發(fā)現(xiàn)方法[J]. 黃嵐,李玉,王貴參,王巖.  吉林大學(xué)學(xué)報(工學(xué)版). 2016(06)
[3]復(fù)雜網(wǎng)絡(luò)社區(qū)的分形聚類檢測方法[J]. 郭玉泉,李雄飛.  吉林大學(xué)學(xué)報(工學(xué)版). 2016(05)
[4]基于粒子群優(yōu)化與模糊聚類的社區(qū)發(fā)現(xiàn)算法[J]. 孫延維,彭智明,李健波.  重慶郵電大學(xué)學(xué)報(自然科學(xué)版). 2015(05)
[5]基于單元網(wǎng)格近鄰勢的聚類方法[J]. 陳新泉.  重慶郵電大學(xué)學(xué)報(自然科學(xué)版). 2014(06)
[6]An Improved Gravitational Search Algorithm for Dynamic Neural Network Identification[J]. Bao-Chang Xu,Ying-Ying Zhang.  International Journal of Automation & Computing. 2014(04)



本文編號：3110159