节点归属性动态估计的机会网络社区检测策略

为了提高机会网络社区结构检测的合理性和有效性,根据机会网络的特性,提出了一种低开销、分布式动态社区检测策略。根据节点的社会属性,节点动态地估计自身归属性,进而感知对所属社区的归属性,约束标签的传播过程,最终完成机会网络的社区结构检测。并将仿真结果与其他算法进行比较,本机制社区检测准确率相较于HCDA提高大约50%,且具有较强的扩展性,适用于各种复杂的网络场景。

机会网络中新节点归属性判断方法

提出一种基于神经网络的判断新节点归属性的方法。通过将节点间的相遇频率、相遇持续时间、相遇次数作为神经网络的输入向量,不断调整模型的权值和阀值进行模型的训练,训练完成后,把新节点组成的向量输入该模型,经过网络计算得出获胜的神经元,获胜的神经元代表输入数据的分类,以此判断新节点的归属性。在人工数据集LFK基准网络上进行测试,测试结果表明,该方法可以有效判断新节点的归属性。