基于边聚类系数的谱聚类社区划分方法研究

针对图谱划分方法在划分社区结构不是很明显的网络时,不能得到好的划分效果,该文提出了基于边聚类系数的谱聚类社区划分方法.由于社区内部节点之间的连接比各个社区间节点的连接稠密,边聚类系数的大小反映了节点的聚集程度,因而通过网络中的边所构三角形的数量定义了聚类系数矩阵,矩阵中的元素即处于网络中的边实际构成三角形的数量.在增益函数最大化的过程中,使用了矩阵的特征值和特征向量,以此来进行社区划分.通过在真实网络数据中进行实验,结果表明该算法可行.

基于稠密子团和边聚类系数的局部社团挖掘算法

发掘复杂网络的社团结构,有助于深入理解网络结构属性及其功能重要性。本文通过定义稠密子团,结合边聚类系数和局部模块度,提出一种DIDE社团挖掘算法。该算法通过选取稠密子团作为初始聚类团,利用边聚类系数扩张该稠密子团,最大化局部模块度值来生成社团结构。在计算机生成网络、三社团网络、Zachary网络和美国足球俱乐部网络上进行社团划分,验证该算法的可行性和有效性。

基于ORCID和加权跨层边聚类系数的研究者社区发现

在开放学术的环境下,学术交流和科研合作在学术创新与发展中发挥着重要的作用,而帮助研究者找到合适的学术团体是促进研究者寻找科研灵感的重要途径,现有的研究者社区发现多是着眼于科研成果的关联而忽略了研究者自身学术活动产生的关联,因此,本文通过分析研究者自身学术活动信息,使用ORCID (Open Research and Contributor ID,开放研究者与贡献者标识)数据构建学术信息网络,通过综合考虑所有层次数下节点间的相似度来改进跨层边聚类系数,提出一种基于加权跨层边聚类系数的研究者社区发现模型.模型通过构建多种元路径抽取研究者之间的直接关联关系,并根据不同属性关系对网络进行分层,使用加权跨层边聚类系数计算节点间相似度,从而将网络转化为同质网络并结合Louvain算法进行社区划分.本文在人造网络和真实网络中进行实验,根据社区实际情况对结果进行评估,在提高了划分效果的同时避免了参数的不确定性.

谱聚类中的相似度矩阵研究

以谱聚类算法为理论基础,对图的分割问题构造合适的相似度矩阵。构造四种相似度矩阵,并进行实验分析。实验结果表明,好的相似度矩阵对图的分割是非常有效的。

基于边图的线性流重叠社区发现算法

重叠网络的社区发现是复杂网络研究中的重要问题。为了提高网络中重叠社区发现的时间效率,提出一种基于边图的线性流重叠社区发现算法LBSA。算法首先对于边图网络中的边进行随机的依次处理,完成节点的初步社区划分,再将其中重叠小社区合并到相似度最大的其他大社区中得到最终的社区。通过以上步骤,算法能够以接近线性的时间复杂度得到网络的重叠结构。从最终的实验结果来看,与其他算法相比,该算法能够在更短的时间有质量地发现网络中的重叠社区。