考虑社区规模不平衡的非重叠社区检测

社区检测有助于理解社交网络错综复杂的结构,但现有的大部分社区检测方法并未考虑社交网络中社区规模的不平衡,发现的社区结构较为单一且准确率较低。为此,提出基于初始社区结构局部扩展的社区检测方法(LEICS)。LEICS分为3个阶段:第一阶段,充分利用网络的层次结构信息和局部结构信息发现不同规模的初始社区结构;第二阶段,通过计算节点与社区内节点的连接强度和节点对社区的模块度贡献扩展初始社区,再利用标签传播算法(LPA)处理剩余节点;第三阶段,重新分配小于平均社区大小的不稳定社区中的节点,以进一步优化社区检测的结果。在12个真实世界网络和兰奇基内蒂-福图纳托-拉迪奇(LFR)仿真网络上的实验结果表明,相较于次优的局部平衡标签扩散(LBLD)算法,LEICS在Polbooks和YouTube网络上的归一化互信息(NMI)提高了至少5个百分点,它的准确性和鲁棒性在小规模和大规模网络中得到充分验证,这表明LEICS可以适应社区规模的不平衡。