隨著現(xiàn)代網(wǎng)絡(luò)世界的快速普及,數(shù)據(jù)挖掘技術(shù)也越來(lái)越成熟。在此條件下,復(fù)雜網(wǎng)絡(luò)成為了數(shù)據(jù)挖掘范疇內(nèi)的熱門研究課題。而復(fù)雜網(wǎng)絡(luò)這一課題當(dāng)中的熱點(diǎn)話題之一就是社團(tuán)檢測(cè),聚類分析是其探究的主要技術(shù)手段。對(duì)復(fù)雜網(wǎng)絡(luò)中的社團(tuán)結(jié)構(gòu)進(jìn)行分析可以協(xié)助研究人員更深刻地理解復(fù)雜網(wǎng)絡(luò)的結(jié)構(gòu)性能及其演化過(guò)程。論文中具體論述了復(fù)雜網(wǎng)絡(luò)的網(wǎng)絡(luò)模型、聚類分析的基本概念以及常見(jiàn)的社團(tuán)檢測(cè)算法。在對(duì)復(fù)雜網(wǎng)絡(luò)中的結(jié)構(gòu)和性能進(jìn)行分析、研究之后,論文針對(duì)復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)特性提出了兩個(gè)性能更優(yōu)的社團(tuán)檢測(cè)算法,并將其成功地應(yīng)用到圖聚類中。（1）提出了一個(gè)基于節(jié)點(diǎn)鄰近度的社團(tuán)檢測(cè)算法—CS-Cluster。該算法用于對(duì)帶有語(yǔ)義信息的節(jié)點(diǎn)進(jìn)行聚類檢測(cè)。經(jīng)過(guò)研究發(fā)現(xiàn),大部分復(fù)雜網(wǎng)絡(luò)中的社團(tuán)檢測(cè)算法都是在節(jié)點(diǎn)拓?fù)浣Y(jié)構(gòu)方面進(jìn)行研究、分析而提出的,它們忽略了節(jié)點(diǎn)自身的語(yǔ)義特性,這就導(dǎo)致社團(tuán)檢測(cè)的結(jié)果不準(zhǔn)確。基于此現(xiàn)象,論文提出了一個(gè)新的概念（節(jié)點(diǎn)鄰近度）來(lái)完成節(jié)點(diǎn)間的相異度計(jì)算;引入關(guān)聯(lián)度和匹配度的概念完成節(jié)點(diǎn)間結(jié)構(gòu)相異度的計(jì)算;之后重新定義了初始聚類中心點(diǎn)的選取規(guī)則。該方法避免了人為判斷帶來(lái)的弊端,提高了聚類的精確性。最后,CS-Cluster算... 

【文章來(lái)源】：西安理工大學(xué)陜西省

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Dolphin 網(wǎng)絡(luò)社團(tuán)檢測(cè)結(jié)果

基于節(jié)點(diǎn)核心度的重疊社團(tuán)檢測(cè)算法37圖4-3Dolphin網(wǎng)絡(luò)社團(tuán)檢測(cè)結(jié)果Fig.4-3TestresultsonDolphin圖4-4表示的是算法在足球俱樂(lè)部網(wǎng)絡(luò)上進(jìn)行社團(tuán)發(fā)現(xiàn)的結(jié)果，參數(shù)取值為0.08，我們的算法將該網(wǎng)絡(luò)分割成11個(gè)社團(tuán)，分別用不同的顏色代表，檢測(cè)到的重疊節(jié)點(diǎn)為83,81。圖4-4Collegefootball網(wǎng)絡(luò)社團(tuán)檢測(cè)結(jié)果Fig.4-4TestresultsonCollegefootball圖4-5表示的是在Zachary’sKarateClubnetwork數(shù)據(jù)集上的社團(tuán)劃分結(jié)果，08.0，我們采用的算法將該網(wǎng)絡(luò)劃分成兩個(gè)社團(tuán)1P和2P，其中社團(tuán)1P的中心節(jié)點(diǎn)為2，2P社團(tuán)的中心節(jié)點(diǎn)為33，重疊節(jié)點(diǎn)為10,3。

西安理工大學(xué)工學(xué)碩士專業(yè)學(xué)位論文38圖4-5Zarchary’skarateclub網(wǎng)絡(luò)重疊社團(tuán)檢測(cè)結(jié)果Fig.4-5DetectionresultsofoverlappingclusteringonZarchary"skarateclub此外，我們還在三個(gè)數(shù)據(jù)集上分析了參數(shù)的取值范圍對(duì)重疊節(jié)點(diǎn)的數(shù)目產(chǎn)生的影響，如下表所示：表4-4參數(shù)的取值對(duì)重疊節(jié)點(diǎn)數(shù)目的影響Tab.4-4Influenceofparametervaluesonthenumberofoverlappingnodes數(shù)據(jù)集重疊點(diǎn)數(shù)目重疊點(diǎn)Dolphin0<<0.052{8,20}0.05<13{8,20,40}CollegeFootball0<<0.041{83}0.04<12{81,83}Zachary’sKarateClub0<<0.031{3}0.03<12{3,10}最后，我們分別將4個(gè)對(duì)比算法ACC、GN、NLA以及本章提出的NCD算法運(yùn)用在三個(gè)切實(shí)有效的數(shù)據(jù)集上執(zhí)行5次，并對(duì)其平均值結(jié)果進(jìn)行對(duì)比，其中參數(shù)統(tǒng)一設(shè)置為0.08。圖4-6展示了4個(gè)對(duì)比算法分別在三個(gè)真實(shí)有效的數(shù)據(jù)集上模塊度的取值對(duì)比。若模塊度的值越高，則說(shuō)明社團(tuán)的劃分結(jié)果越準(zhǔn)確；實(shí)驗(yàn)結(jié)果表明NCD算法在三個(gè)數(shù)據(jù)集上的模塊度值都優(yōu)于其它三個(gè)算法；在Zachary’sKarateClub數(shù)據(jù)集上，GN算法和ACC算法的模塊度與其它兩個(gè)算法相比，值比較低，說(shuō)明了GN算法和ACC算法對(duì)Zachary’sKarateClub網(wǎng)絡(luò)進(jìn)行社團(tuán)劃分的結(jié)果較差；在海豚網(wǎng)絡(luò)數(shù)據(jù)集中，GN算法的模塊度最低，說(shuō)明其劃分的結(jié)果不理想，ACC算法和NLA算法的模塊度分別為0.494和0.482，說(shuō)明其劃分結(jié)果相差不大；在CollegeFootball網(wǎng)絡(luò)中，我們提出的NCD算法的模塊度最高，值為0.592，說(shuō)明它的社團(tuán)檢測(cè)結(jié)果最好，其次，NLA算法的模塊度值為0.532，說(shuō)明其劃分效果良好；就整體而言，在三個(gè)數(shù)據(jù)集上GN算法的模塊度值最低，因此可以判斷出GN算法不能有效地進(jìn)行社團(tuán)的劃分。

【參考文獻(xiàn)】：
期刊論文
[1]基于新的距離度量的K-Modes聚類算法[J]. 梁吉業(yè),白亮,曹付元.  計(jì)算機(jī)研究與發(fā)展. 2010(10)
[2]復(fù)雜網(wǎng)絡(luò)及其在國(guó)內(nèi)研究進(jìn)展的綜述[J]. 劉建香.  系統(tǒng)科學(xué)學(xué)報(bào). 2009(04)
[3]基于社會(huì)網(wǎng)絡(luò)可視化分析的數(shù)據(jù)挖掘(英文)[J]. 楊育彬,李寧,張瑤.  軟件學(xué)報(bào). 2008(08)



本文編號(hào)：2913518