挖掘復雜網(wǎng)絡的重疊社區(qū)結構對研究復雜系統(tǒng)具有重要的理論和實踐意義。針對局部擴展算法（local fitness method,LFM）隨機選取種子節(jié)點造成的社區(qū)結果魯棒性較低等問題,提出了一種基于最大生成樹的重疊社區(qū)發(fā)現(xiàn)算法:提出一種新穎的邊權重定義,將無權的網(wǎng)絡轉換為帶權重的網(wǎng)絡,而且該權重真實反映了網(wǎng)絡真實結構;提出一種節(jié)點影響力計算方法,反映節(jié)點在整個網(wǎng)絡結構中的重要程度;提出了一種新的生成候選種子集的方法,并借助最大生成樹使得到的候選種子節(jié)點在網(wǎng)絡中更具有代表性;對初始社區(qū)劃分結果進行優(yōu)化,避免社區(qū)之間重疊度過多。經(jīng)仿真實驗發(fā)現(xiàn),該算法與經(jīng)典的重疊社區(qū)發(fā)現(xiàn)算法相比,無論在真實網(wǎng)絡還是LFR人工網(wǎng)絡上,均有良好的表現(xiàn)。 

【文章來源】：計算機應用研究. 2020,37(S2)北大核心CSCD

【文章頁數(shù)】：4 頁

【文章目錄】：
0 引言
1 相關定義
    1.1 基本概念
    1.2 邊權重模型
    1.3 最大生成樹
    1.4 節(jié)點影響力
    1.5 社區(qū)適應度
    1.6 添加節(jié)點適應度
    1.7 刪除節(jié)點適應度
    1.8 社區(qū)重疊度
2 算法思想與分析
    2.1 候選種子集
    2.2 生成初始社區(qū)集合
    2.3 社區(qū)結果優(yōu)化
3 評價
    3.1 實驗數(shù)據(jù)
        3.1.1 真實數(shù)據(jù)
        3.1.2 LFR人工數(shù)據(jù)集
    3.2 評價指標
        3.2.1 模塊度（EQ)
        3.2.2 標準互信息（NMI)
    3.3 實驗條件
    3.4 實驗結果
4 結束語


【參考文獻】：
期刊論文
[1]基于平均互信息的最優(yōu)社區(qū)發(fā)現(xiàn)方法[J]. 李東,程鳴權,徐楊,袁峰,陳奕男,付雅晴.  中國科學:信息科學. 2019(05)
[2]基于結構緊密性的重疊社區(qū)發(fā)現(xiàn)算法[J]. 潘劍飛,董一鴻,陳華輝,錢江波,戴明洋.  電子學報. 2019(01)
[3]面向復雜有權網(wǎng)絡的社區(qū)發(fā)現(xiàn)方法研究[J]. 譚紅葉,吳永科,張虎,劉全明,李茹.  中文信息學報. 2018(08)
[4]一種基于邊界節(jié)點識別的復雜網(wǎng)絡局部社區(qū)發(fā)現(xiàn)算法[J]. 劉陽,季新生,劉彩霞.  電子與信息學報. 2014(12)



本文編號：3275127