基于影响度的标签传播算法

大数据时代的迅速发展促进了网络结构的诞生。数据分析领域的一个重要问题就是寻找合适的网络结构进行社区检测。标签传播算法(LPA,Label Propagation Algorithm)是最公认的检测不相交社区的方法之一。它方便快捷,但是缺点就是随机更新导致的不稳定性。提出一种基于影响力的标签传播算法,选择高节点度的种子节点社区,提出影响度改进LPA算法的标签迭代顺序,邻居节点的相似度进行标签更新,最后进行社区合并。在真实网络上进行实验验证,结果表明了该方法对社区检测的有效性。

基于节点状态变化的社区检测算法

针对节点之间的相似性是社交网络研究中的一个核心概念,提出了一种因邻居节点状态变化引起的节点相似.度变化的算法称为动态相似度算法(TCS,Time Cosine Similarity)。首先,定义变化指数(TE,Time Exponent)来计算出节点状态变化中由邻居节点所带来的影响。其次,考虑节点和邻居节点的总体变化定义节点变化指数(TS,Time Similarity)。最后,在余弦相似度的基础.上提出了一个称为动态节点相似度的量来表示节点之间的相似程度。多个数据集实验结果显示:所提出的方法的划分效果优于同类型算法,相比LPA、GN、FN其模块性和标准归一化在数据集上都有明显提高。