基于聚類分析的社會(huì)網(wǎng)絡(luò)社團(tuán)劃分方法研究.pdf

1、近年來，隨著Web2.0的發(fā)展，社會(huì)網(wǎng)絡(luò)越來越受到更多學(xué)者們的關(guān)注和研究。在社會(huì)網(wǎng)絡(luò)的眾多性質(zhì)中，社團(tuán)結(jié)構(gòu)是其最重要同時(shí)也是最具有研究意義的性質(zhì)之一。通過社團(tuán)的劃分，我們不僅能夠了解和分析網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)，也能夠挖掘出表面數(shù)據(jù)關(guān)系之中的隱性信息。在目前的研究中已經(jīng)有了很多經(jīng)典的社團(tuán)劃分算法，比如Girvan-Newman算法，Keinighan-Lin算法等，但是準(zhǔn)確度和時(shí)間復(fù)雜度之間的平衡仍然是社團(tuán)劃分算法的主要問題之一。
　　本

2、文對(duì)社會(huì)網(wǎng)絡(luò)的社團(tuán)劃分方法進(jìn)行了研究，首先系統(tǒng)地分析比較了現(xiàn)有劃分算法的優(yōu)缺點(diǎn)，然后基于聚類分析的思想，提出了兩種改進(jìn)的社團(tuán)劃分方法：基于節(jié)點(diǎn)相似度系數(shù)聚類的社團(tuán)劃分方法（ Community Division Method Based on Node Similarity Clustering,NSCCDM）和基于遺傳算法聚類的社團(tuán)劃分方法（Genetic Algorithm Clustering Based Community Di

3、vision Method,GACCDM）。
　　NSCCDM方法首先通過歐幾里得公式和最短路徑構(gòu)造了一種新的相似度系數(shù)度量方法，并生成相似度系數(shù)矩陣，然后通過比較節(jié)點(diǎn)之間的相似度系數(shù)，進(jìn)行節(jié)點(diǎn)的聚類，最后再使用模塊度函數(shù)Q對(duì)被重復(fù)劃分的節(jié)點(diǎn)進(jìn)行最優(yōu)社團(tuán)選擇。
　　GACCDM方法主要采用了遺傳算法的思想。該方法使用了模塊度函數(shù)Q作為適應(yīng)度函數(shù)來控制遺傳算法的進(jìn)化過程；采用指向性的變異策略代替隨機(jī)變異策略加快算法的收斂速度；