基于隨機游走的復(fù)雜網(wǎng)絡(luò)聚類算法研究.pdf

1、現(xiàn)實世界中存在諸多復(fù)雜網(wǎng)絡(luò)，如生物網(wǎng)、科技網(wǎng)和社交網(wǎng)等。近年來復(fù)雜網(wǎng)絡(luò)的研究吸引了來自計算機、物理、數(shù)學(xué)和生物等眾多領(lǐng)域的研究者，已成為多學(xué)科交叉研究的熱點之一。復(fù)雜網(wǎng)絡(luò)聚類旨在揭示出復(fù)雜網(wǎng)絡(luò)中真實存在的網(wǎng)絡(luò)社團結(jié)構(gòu)，主要包括對無符號網(wǎng)絡(luò)、符號網(wǎng)絡(luò)、有權(quán)網(wǎng)絡(luò)和有向網(wǎng)絡(luò)等不同類型的復(fù)雜網(wǎng)絡(luò)進行社團結(jié)構(gòu)檢測。復(fù)雜網(wǎng)絡(luò)之所以在當前的研究課題中具有如此重要的社會價值和應(yīng)用價值，是因為對復(fù)雜網(wǎng)絡(luò)的聚類分析，在對預(yù)測復(fù)雜網(wǎng)絡(luò)的網(wǎng)絡(luò)行為、分析網(wǎng)絡(luò)拓撲

2、結(jié)構(gòu)和挖掘網(wǎng)絡(luò)潛在功能方面起到積極作用。本文分別針對無符號網(wǎng)絡(luò)和符號網(wǎng)絡(luò)的社團結(jié)構(gòu)檢測問題進行了研究，提出了基于隨機游走算法的社團結(jié)構(gòu)檢測方法。
　　本文的主要研究工作如下:
　　(1)在無符號網(wǎng)絡(luò)中，根據(jù)社團結(jié)構(gòu)是否明顯，可以將社團分為強社團和弱社團等多種類型?，F(xiàn)有的社團結(jié)構(gòu)檢測算法在挖掘強社團結(jié)構(gòu)時，可以表現(xiàn)出優(yōu)異的性能，在挖掘弱社團結(jié)構(gòu)時，算法性能仍存在略微不足。本文基于假設(shè)---社團中的點游走到社團內(nèi)其他點的概率大于

3、游走到社團外點的概率，提出一種利用隨機游走算法檢測社團結(jié)構(gòu)的方法。該方法從全局網(wǎng)絡(luò)出發(fā)找到局部最大度節(jié)點，根據(jù)該局部最大度節(jié)點找到局部最小完全子圖視為局部社團，并將網(wǎng)絡(luò)中節(jié)點根據(jù)是否在局部社團中分為聚類節(jié)點以及未聚類節(jié)點。進而，利用基于隨機游走的條件概率模型，計算未聚類節(jié)點屬于每個社團的概率，并將該未聚類節(jié)點加入其最可能歸屬的社團。最后，對已聚類社團進行優(yōu)化。在隨機網(wǎng)絡(luò)和真實網(wǎng)絡(luò)上，利用NMI值和F1值作為算法性能衡量指標，對算法性能進

4、行評估，并與經(jīng)典的網(wǎng)絡(luò)聚類算法進行了比較。實驗結(jié)果表明該算法能夠較好地檢測出網(wǎng)絡(luò)社團結(jié)構(gòu)，尤其在檢測弱社團結(jié)構(gòu)方面，大大的提高了檢測精度，相比其他社團結(jié)構(gòu)檢測算法具有明顯優(yōu)勢。
　　(2)在符號網(wǎng)絡(luò)中，邊既包括表示“友好、聯(lián)盟”等關(guān)系的正向邊，又包括表示“敵視、競爭”等關(guān)系的負向邊。現(xiàn)有的部分符號網(wǎng)絡(luò)社團結(jié)構(gòu)檢測算法由于未充分利用網(wǎng)絡(luò)的負邊信息，導(dǎo)致對社團的檢測精度存在一定的影響。針對上述問題，本文提出一種基于網(wǎng)絡(luò)中的正負邊信息，

5、利用隨機游走模型，檢測符號網(wǎng)絡(luò)中社團結(jié)構(gòu)的方法。該方法將網(wǎng)絡(luò)中每個節(jié)點的正度和負度的絕對值之和加起來作為該節(jié)點的度。根據(jù)節(jié)點的度找到局部最小社團，以網(wǎng)絡(luò)中節(jié)點是否在局部社團內(nèi)，將節(jié)點分為聚類節(jié)點以及未聚類節(jié)點。利用隨機游走算法計算出每個未聚類節(jié)點加入局部社團的正概率和負概率。通過比較正概率與負概率的大小來判斷該未聚類節(jié)點是否加入局部社團或是否由該未聚類節(jié)點動態(tài)挖掘一個新的局部社團。利用社團優(yōu)化方法對聚類社團進行優(yōu)化，形成最終的網(wǎng)絡(luò)劃分結(jié)