重疊社區(qū)結(jié)構(gòu)挖掘旨在發(fā)現(xiàn)復(fù)雜網(wǎng)絡(luò)中多個獨立社區(qū)之間的重疊部分,其在社交、交通、輿情乃至反恐等領(lǐng)域具有廣泛的應(yīng)用。然而,目前基于標(biāo)簽傳播的重疊社區(qū)挖掘算法在社區(qū)結(jié)構(gòu)模糊的網(wǎng)絡(luò)中表現(xiàn)出較強(qiáng)的隨機(jī)性,導(dǎo)致準(zhǔn)確度不高。針對重疊社區(qū)模糊邊界導(dǎo)致的不確定性和低準(zhǔn)確度問題,提出一種融合特征向量中心性與標(biāo)簽熵的標(biāo)簽傳播算法ECLE-LPA。ECLE-LPA通過融合節(jié)點的K-核迭代因子與特征向量中心性來計算節(jié)點影響力并初始化節(jié)點標(biāo)簽,在標(biāo)簽傳播過程中,通過節(jié)點標(biāo)簽熵和節(jié)點間親密度更新節(jié)點標(biāo)簽列表及其標(biāo)簽隸屬度,從而較好地克服了社區(qū)模糊邊界的識別問題。實驗結(jié)果表明:在Les Miserables、Polbooks、Football、Polblogs和Netscience等真實網(wǎng)絡(luò)中,ECLE-LPA劃分結(jié)果的EQ值普遍比對比算法提高了1%～3%;在社區(qū)結(jié)構(gòu)模糊的人工網(wǎng)絡(luò)中,ECLE-LPA劃分結(jié)果的NMI值比其他標(biāo)簽傳播算法提高了10%以上。

【文章頁數(shù)】：11 頁

【部分圖文】：

圖1基于K-核分解算法的圖節(jié)點分層

其中,Ks(u)表示節(jié)點u的Ks值,mKs表示在計算第Ks個值時的迭代次數(shù),nKs(u)表示在mKs次迭代中節(jié)點u是第幾次迭代時被刪除。式(1)第1個項代表節(jié)點Ks值,保證了不同Ks值節(jié)點的隔離性,第2個項對具有相同Ks值的節(jié)點進(jìn)行進(jìn)一步的細(xì)分。比如,由式(1),圖1中節(jié)點2、6....

圖2示例網(wǎng)絡(luò)

首先本文以圖2作為示例網(wǎng)絡(luò),對ECLE-LPA算法進(jìn)行可視化分析。該示例網(wǎng)絡(luò)可以人為地劃分為2個重疊的社區(qū),分別為C1=(1,2,3,4,5)和C2=(4,6,7,8,9),其中節(jié)點4為重疊節(jié)點。下面由本文算法對其進(jìn)行劃分。表3是對示例網(wǎng)絡(luò)節(jié)點的δ,EC和NI計算結(jié)果,得到了根據(jù)....

圖3ECLE-LPA算法在示例網(wǎng)絡(luò)上的標(biāo)簽傳播過程

圖3展示了將本文的標(biāo)簽傳播過程應(yīng)用到示例網(wǎng)絡(luò)中的傳播過程,平滑常量ε=0.01。首先,基于降序序列(dQueue)的示例網(wǎng)絡(luò)的標(biāo)簽初始化結(jié)果如圖3a所示,相比于其他使用節(jié)點直接初始化每個節(jié)點標(biāo)簽的算法,本文的標(biāo)簽初始化策略能有效減少迭代過程中的冗余標(biāo)簽。從圖3a中已經(jīng)可以發(fā)現(xiàn)由4....

圖4不同算法在規(guī)模為1000的網(wǎng)絡(luò)(S1)上的NMI比較

由于生成的網(wǎng)絡(luò)中,om參數(shù)取值為4,所以在COPRA算法中的每個節(jié)點所擁有的標(biāo)簽個數(shù)最多為maxv,maxv取固定值4。由于DLPA算法的in參數(shù)在真實網(wǎng)絡(luò)中的取值大多數(shù)為6,可以將in取固定值6。實驗發(fā)現(xiàn),LPANNI算法在mu取值較大時會出現(xiàn)無法收斂的現(xiàn)象,導(dǎo)致出現(xiàn)異常值,所....

本文編號：3958627