复杂社会网络的两阶段社区发现算法

社区发现是当前复杂系统研究的前沿热点.本文提出了用于描述网络节点间依赖程度的关联度指标,能够有效描述社区节点向社区的聚集,提出了利用关联度进行社区挖掘的两阶段算法CDCDA.该算法首先采用局部扩张方法挖掘初始节点社区,对于初始社区外的独立结构(边缘稀疏结构、边缘聚集结构、中间稀疏结构和中间聚集结构),分别采用合并、分割合并的方式进行社区调整.真实网络的实验结果表明,算法不仅有较好的社区划分效果,而且能够发现社区中的微结构,并能够对社区给出更细致的分析.

群智感知网络中基于社会关系的社区发现算法

群智感知应用主要通过社区划分进行任务分配,然而现有群智感知应用中社区发现算法缺乏对社会关系的量化以及划分社区的特征因子单一。针对这些问题,提出了一种基于多维社会关系特征的社区发现算法,通过计算移动节点间的最优生成树、节点合并因子、社区调整因子,对移动节点的社会关系进行具体量化,将节点合理划分成不同的社区。实验结果表明,与现有方法相比,该算法在不同的数据集中具有更好的动态适应性、有效性和预测准确性,其准确性平均达到97.3%,高于对比算法15.2%。