基于中心點(diǎn)擴(kuò)張的社團(tuán)檢測算法研究.pdf

1、現(xiàn)實(shí)生活中的很多復(fù)雜系統(tǒng)都已被抽象成為復(fù)雜網(wǎng)絡(luò)來進(jìn)行研究。隨著各種復(fù)雜系統(tǒng)的數(shù)據(jù)量持續(xù)攀升，未來將會(huì)有更多的復(fù)雜系統(tǒng)加入到復(fù)雜網(wǎng)絡(luò)的行列。復(fù)雜網(wǎng)絡(luò)最為典型的特征就是社團(tuán)結(jié)構(gòu)，社團(tuán)對(duì)應(yīng)的是復(fù)雜網(wǎng)絡(luò)中的單元結(jié)構(gòu)。社團(tuán)檢測的目的就是準(zhǔn)確地發(fā)掘復(fù)雜網(wǎng)絡(luò)中的社團(tuán)單元結(jié)構(gòu)。成功的社團(tuán)檢測能夠指導(dǎo)我們揭示出復(fù)雜網(wǎng)絡(luò)內(nèi)部深層次的規(guī)律，對(duì)復(fù)雜網(wǎng)絡(luò)進(jìn)行社團(tuán)檢測研究具有重要的現(xiàn)實(shí)意義。
　　許多社團(tuán)檢測算法已經(jīng)被提出，這些算法基本可以歸類為基于模塊度優(yōu)

2、化的社團(tuán)檢測算法、基于標(biāo)簽傳播的社團(tuán)檢測算法、基于層次聚類的社團(tuán)檢測算法、基于中心點(diǎn)擴(kuò)張的社團(tuán)檢測算法和基于密度的社團(tuán)檢測算法。為了更精確地檢測出社團(tuán)結(jié)構(gòu)，本文深入研究了上述算法，并著重對(duì)中心點(diǎn)擴(kuò)張算法進(jìn)行了改進(jìn)。本文主要改善了由于選取的中心點(diǎn)太少而導(dǎo)致社團(tuán)檢測效果不佳，選點(diǎn)經(jīng)常不能覆蓋所有社團(tuán)，同時(shí)時(shí)間復(fù)雜度較高，未對(duì)重疊節(jié)點(diǎn)處理以及沒有從全局的角度考慮中心點(diǎn)的選取等問題。本文首先提出了基于全局密度影響的中心點(diǎn)擴(kuò)張社團(tuán)檢測算法(Den

3、ISeC)。DenISeC從網(wǎng)絡(luò)的全局角度出發(fā)，計(jì)算每個(gè)節(jié)點(diǎn)從網(wǎng)絡(luò)中移除后的網(wǎng)絡(luò)所有節(jié)點(diǎn)的密度之和變化，將其作為節(jié)點(diǎn)對(duì)網(wǎng)絡(luò)的密度影響值，將密度影響值超過一定閾值的節(jié)點(diǎn)視為中心點(diǎn)，將中心點(diǎn)組成的初始社團(tuán)當(dāng)作核心社團(tuán)。依據(jù)節(jié)點(diǎn)與核心社團(tuán)的相似性將網(wǎng)絡(luò)中的其他節(jié)點(diǎn)按照層次劃分到各個(gè)社團(tuán)中。然而，DenISeC的準(zhǔn)確率依舊有待提高，針對(duì)這一問題，本文提出了基于密度層次的中心點(diǎn)擴(kuò)張社團(tuán)檢測算法(DenSeC)。DenSeC算法將度數(shù)最小的節(jié)點(diǎn)當(dāng)作

4、每個(gè)社團(tuán)的邊緣點(diǎn)，從邊緣點(diǎn)出發(fā)遞歸地找出邊緣點(diǎn)鄰域內(nèi)密度最大且高于當(dāng)前節(jié)點(diǎn)密度的點(diǎn)，遞歸停止時(shí)到達(dá)的節(jié)點(diǎn)就是核心點(diǎn)。核心點(diǎn)組成的初始社團(tuán)被當(dāng)作網(wǎng)絡(luò)的核心社團(tuán)。網(wǎng)絡(luò)中其他的節(jié)點(diǎn)將根據(jù)節(jié)點(diǎn)與核心社團(tuán)的相似性劃分到各個(gè)初始社團(tuán)中。
　　本文提出的算法在多個(gè)數(shù)據(jù)集上與參照算法對(duì)比了社團(tuán)檢測效果，實(shí)驗(yàn)結(jié)果表明DenSeC算法提高了中心點(diǎn)擴(kuò)張算法在各個(gè)網(wǎng)絡(luò)上的準(zhǔn)確率，DenISeC算法更加合理地選中了復(fù)雜網(wǎng)絡(luò)中的中心點(diǎn)，并且在時(shí)間復(fù)雜度上有所