基于群体智能的自组织重叠社团结构分析算法

社团结构分析是复杂网络研究的一项重要内容,基于群体智能思想提出了一种自组织的重叠社团结构分析算法SO^2CSA^2。把网络视为一个群体,网络节点是其中的一个个具有简单智能的个体,每个个体依据定义的社团连接分数自主决定要加入的社团(可同时加入多个社团)。在网络中寻找一组K-派系作为初始社团结构,所有个体迭代地选择其社团归属,最终整个网络的社团结构将逐渐生长出来。最后对获得的社团结构进行后处理,即调整少量节点的社团归属,以提高其质量。在一组合成网络和现实世界网络上的实验表明,SO^2CSA^2发现的社团结构的质量比两种对比算法(SLPA和OSLOM)更好,尤其是在网络中重叠节点较多或节点重叠度较大的情况下,社团结构质量的提升更为明显。

基于三支密度峰值聚类的重叠社团检测算法研究

自然界和社会中的许多复杂系统都可以用网络来描述,重叠社团检测是研究这些网络的关键任务之一。文章提出一种新的基于密度峰值聚类法和三支聚类法的重叠社团检测算法(3W-DPC算法),主要思想是利用密度峰值法确定网络中心节点,进一步进行三支聚类,确定每个社团的核心域和边界域。通过使用3W-DPC算法分析人工网络和真实网络的社团结构,研究发现重叠的社团自然且频繁,特别是对于最大的群落。与其他检测方法进行的基准测试比较,表明3W-DPC能够有效地检测网络的重叠社团结构。

基于节点向量和密度峰值的重叠社团检测方法

在真实世界网络中,数据量往往较大、维度较高,这使得数据难以处理,并且所包含的社团大多重叠,而大多数已经存在的算法针对的是非重叠社团,基于改进的密度峰值和标签传播的重叠社团检测算法(DPCL算法).采用低维向量表示网络中节点信息,根据节点的局部密度和相对距离选出中心节点.将只与一个中心节点直接相邻的节点分配到该中心节点所在的社团内,对剩余节点通过计算归属度进行分配,从而实现对重叠社团进行检测;在真实世界网络和LFR基准合成网络上与其他社团检测方法进行比较,实验结果表明能够有效的检测重叠社团.