基于密度峰值和社区归属度的重叠社区发现算法

现实世界中,网络节点通常会隶属于多个重叠社区,例如社交网络、文献引用网络等.因此,重叠社区发现在复杂网络分析中具有重要意义,如何高效准确地识别网络中的重叠社区是社区发现研究的难点.提出一种基于密度峰值和社区归属度的重叠社区发现算法.首先,提出一种基于节点直接邻居和间接邻居的节点间距离度量方法.其次,给出密度峰值聚类算法簇中心的局部密度阈值和跟随距离阈值计算方法,根据这两个阈值自动选取簇中心.最后,把密度峰值聚类算法应用到社区发现中,并给出社区归属度的计算方法,根据社区归属度对社区边界节点进行社区归属划分.在人工数据集和真实数据集上的实验表明:该算法能够准确的识别重叠社区结构,且具近似线性的时间复杂度,适用于大规模复杂网络.

一种基于改进密度峰值聚类的社区发现算法

从复杂网络中发现可能存在的群体或社区结构是复杂网络分析的一个重要研究方向.基于密度峰值社区发现的目标是以图聚类的方式来对复杂网络进行社区划分.但是,直接应用密度峰值聚类于社区发现,还存在着如何衡量节点距离和簇中心无法自动选取等问题.在密度峰值聚类算法的基础上,提出一种基于等效电阻距离和自动选取密度峰值簇中心的社区发现算法.首先,在衡量复杂网络中节点的距离上采用了等效电阻路径长度来作为距离度量.其次,在密度峰值算法的决策图上,通过DBSCAN算法自动选取簇中心,而不是通过观察决策图人工选择,以减少人为干扰.最后,在人工合成网络和真实网络上的实验表明,提出的算法具有较高的精度和鲁棒性.