在社区发现中,针对不同的应用场景和网络中愈加丰富的节点属性信息,目前缺乏一种普适性的社区发现方法.本文提出了一种基于综合社区性嵌入(Comprehensive Community Embedding,CCE)的社区发现方法.CCE基于节点的社区相似性假设,进行社...在社区发现中,针对不同的应用场景和网络中愈加丰富的节点属性信息,目前缺乏一种普适性的社区发现方法.本文提出了一种基于综合社区性嵌入(Comprehensive Community Embedding,CCE)的社区发现方法.CCE基于节点的社区相似性假设,进行社区游走,捕获网络结构的邻接特征、局部模块度和边介数的社区特征,并结合节点属性这一辅助社区特征,实现节点的综合社区性表征;社区划分通过K-聚类神经网络模型(K-Clustering Neural Network Model,K-CNN)以无监督节点聚类的方式实现.在社交网络和合著网络两类网络数据集上的实验结果表明,本文方法(CCE+K-CNN)表现稳定且优于传统方法,CCE采用的社区游走方法较其他游走方法更适用于解决社区发现问题.展开更多