采用链路聚类的动态网络社团发现算法

合集下载

传播过程中信号缺失的层次聚类社区发现算法

传播过程中信号缺失的层次聚类社区发现算法康茜;李德玉;王素格;冀庆斌【摘要】社区发现是社会网络分析的一个基本任务，而社区结构探测是社区发现的一个关键问题。

将社区结构中的结点看作信号源，针对信号传递过程中存在信号缺失情况，提出了一种层次聚类社区发现算法。

该算法通过度中心性来度量节点接收信号的概率，用于量化节点接受信号过程中的缺失值。

经过信号传递，使网络的拓扑结构转化为向量间的几何关系，在此基础上，使用层次聚类算法用于发现社区。

为了验证SMHC算法的有效性，通过在三个数据集上与SHC算法、CNM算法、GN算法、Similar算法进行比较，实验结果表明，SMHC算法在一定程度上提高了社区发现的正确率。

%Community identification is a basic task of social network analysis, meanwhile the community structure detec-tion is a key problem of community identification. Each node in the community structure is regarded as the signal source. A hierarchical clustering community algorithm is proposed in order to settle the problem of signal missing in the process of signal transmission. The algorithm measures the probability of receiving signals of nodes by degree centrality to quantifythe signal missing values. After the signal transmission, the topology of the network is transformed into geometric relation-ships among the vectors. On the basis, the hierarchical clustering algorithm is used to find the community structure. In order to validate the proposed method, this paper compares it with SHC algorithm, CNM algorithm, GN algorithm and Similar algorithm. Under three real networks, the Zachary Club, American Footballand Netscience, the experimental results indi-cate that SMHC algorithm can effectively improve precision.【期刊名称】《计算机工程与应用》【年(卷),期】2015(000)009【总页数】7页(P201-206,216)【关键词】社区发现;信号传播;信号缺失;度中心性;层次聚类【作者】康茜;李德玉;王素格;冀庆斌【作者单位】山西大学计算机与信息技术学院，太原 030006;山西大学计算机与信息技术学院，太原 030006; 山西大学计算智能与中文信息处理教育部重点实验室，太原 030006;山西大学计算机与信息技术学院，太原 030006; 山西大学计算智能与中文信息处理教育部重点实验室，太原 030006;山西大学计算机与信息技术学院，太原 030006【正文语种】中文【中图分类】TP3931 引言真实世界中的许多系统都可以用网络来表示，例如，WWW的链接关系、Facebook中的好友关系、食物链网络、社会关系网络等[1]。

【计算机科学】_约束条件_期刊发文热词逐年推荐_20140722

53 54 55 56 57 58 59 60
人脸识别交叉操作互连网络三维信息提取 smo算法 pstp查询 gabor滤波器 cpu/fpga
1 1 1 1 1 1 1 1
2011年科研热词重复数据删除路由环路聚类粗糙集等度规映射流形正交等度规映射模糊隶属度模糊粗糙集模糊粗糙支持向量机文件系统支持向量机密度存储环境感知子空间多约束条件域间多径路由分块边界人脸识别 log-gabor cdc 推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
科研热词软件自动化开发代码模板 powerdesigner codesmith 频率分配非正定核运行时检验软硬件混合任务跳频通信视频分割自适应自演化技术背景建模约束优化粒子群算法社区发现方法相对密度概率模型核方法条件随机场方差收敛模型支持向量回归机扩展dewey 异步组网开放环境广义信息局部搜索实时任务调度定性视觉安全级别安全策略大规模处理器系统多准则约束多agent系统均值图像隐蔽通信同址干扰可靠性可扩展标示语言参数自适应单幅图片单峰和多峰函数优化剪枝内部威胁全频段信息隐藏安全信息隐藏信息流图信息流伪逆矩阵优先约束

动态电力系统动态qos 刚性区域分布式约束满足关联规则挖掘全局平滑约束光流场信道分配优化测试优化人脸识别人脸表情人工智能 web服务组合 web服务 0-1背包问题
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2013年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

复杂网络社团划分的新算法

３大连海洋大学信息工程学院，宁大连１６２）．辽１０３
摘要：Ｈ了一种快速寻找复杂网路中社团结构的新算法．提｛首先通过寻找网络中度最大的节点和其邻居节点，构造
出其相应的邻居矩阵和稠密集．后重复这一过程，后得到了网络的社团结构．然最由于算法仅仅涉及局部信息，因此计算量较小．验结果表明，法可行且可用于研究文本聚类、实算图像聚类和视频聚类等数据挖掘领域中的其他问题．
Ｖｏ．３ＮＯ２１３．
Ｊｎ２１ｕ．００
文章编号：００１３（０００ — １５０ｉ０ —７５２１）２立军，任芳。嵇敏张菁。，，
（．１辽宁师范大学网络信息管理中心，辽宁大连１６２；．宁师范大学计算机与信息技术学院，１０９２辽辽宁大连１６８１０１
有挑战性的课题．
从社团定义出发，于贪心算法和局部模块度的思想，出了一个寻找网络中社团结构的新算法．基提我们首先寻找网路中度最大的节点和其邻居节点，根据一定原则，构造其稠密集．剩余节点中重复这在
分法［和ＷｕＨｕｅｍａ５ — ｂｒｎ算法［等．ｗｍａ［在２０６］Ｎｅｎ］０４年定义了模块度Ｑ，用来衡量网络划分质量，Ｑ
值越大，明划分结果越好．ｌｕｅ等［通过节点的局部信息，出局部模块度，方法的优点是计算说Ｃａｓｔ８提该

典型的社会网络分析软件工具及分析方法

典型的社会网络分析软件工具及分析方法社会网络分析是一种探究人际干系和信息传播的方法，已经成为社会科学和管理科学中重要的探究工具之一。

随着互联网的普及和社交媒体的兴起，人们之间的社会网络变得越来越复杂。

为了更好地理解和分析社会网络，探究人员和分析师们开发了许多社会网络分析软件工具。

本文将介绍一些典型的社会网络分析软件工具，并谈论它们的分析方法。

二、典型的社会网络分析软件工具1. GephiGephi 是一个开源的网络分析和可视化软件工具，可以通过其图形用户界面（GUI）来分析和可视化社会网络数据。

它提供了丰富的网络分析算法和可视化选项，可以援助用户发现网络的核心成分、节点的度中心性、紧密中心性、介数中心性等重要的网络属性。

Gephi 还支持导入和导出多种常见的社会网络数据格式，如GraphML等，以便利用户使用。

2. UCINetUCINet 是一款经典的用于社会网络分析的软件工具，也是最早的商业软件之一。

UCINet 提供了一系列强大的网络分析功能，例如节点统计、集群分析、坐标估算等。

它还支持导入和导出多种不同格式的数据，并且可以通过命令行界面（CLI）进行批处理分析。

UCINet 还包含了一些可视化功能，可以援助用户更好地理解网络结构。

3. PajekPajek 是一个用于大规模网络分析和可视化的软件工具，尤其适用于处理包含成千上万个节点和边的复杂网络。

Pajek 支持多种网络数据格式，并且提供了丰富的网络分析算法，如社团发现、布局估算、节点属性分析等。

Pajek 的可视化功能分外强大，可以展示网络的节点、边以及它们之间的干系。

4. NodeXLNodeXL 是一个用于分析和可视化社交媒体网络的工具，特殊适用于分析 Twitter、Facebook 和 Flickr 等社交媒体平台上的数据。

NodeXL 支持导入和分析社交媒体的干系数据，如用户之间的关注干系、转发干系等。

除了常见的网络分析功能外，NodeXL 还提供了一些社交媒体特定的分析方法，如情绪分析、主题提取等。

【小型微型计算机系统】_空间聚类_期刊发文热词逐年推荐_20140724

推荐指数 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1
46 47 48 49 50 51 52 53 54
事件过滤中间件中文客户地址不确定数据 web文档聚类 r*-树 k层邻接点集合 k均值 gps位置信息
推荐指数 4 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2013年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
科研热词聚类自组织映射绝对距离空间连接查询空间索引空间数据相对距离直方图彩色图像分割可视化不明显聚类 r-树 n-矩阵高斯过程阈值遗传算法谱聚类视图线性映射粒子群优化相似矩阵相似度目标识别特征灰度级混合优化模糊c均值概率权函数机器学习最近邻查询时空数据预处理微粒群优化密度相交多级索引基线计算基于内容地点识别图聚类图像分割合并可见发布/订阅匹配算法 5
科研热词高维索引方差覆盖权主维三角不等式 pd-tree
推荐指数 1 1 1 1 1
2012年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14
2012年科研热词聚类颜色特征领域覆盖量子粒子群优化社团发现演化数据流形状特征基于内容的图像检索变维搜索双链并行搜索动态聚类 mapreduce k-means 推荐指数 3 1 1 1 1 1 1 1 1 1 1 1 1 1

一种基于节点重要度的社团划分算法

一种基于节点重要度的社团划分算法吴卫江;周静;李国和【摘要】This paper points out that through mining the society existed in complex networks, the topological structure and function of complex networks can be analyzed, and the hidden rules can be found either. In order to get the optimal community structure, node importance matrix and clustering matrix are defined, combined the spectral bisection method based on graph and modularity function, an community partition algorithm ( CDNIM ) based on node importance is proposed. This algorithm is applied in karate club, dolphin networks, and other classical data sets, the result of experiment shows that this algorithm can effectively improve the accuracy of discovering community structure.%指出了通过挖掘复杂网络中存在的社团结构，可以分析整个复杂网络的拓扑结构和功能，还可以发现网络中隐藏的规律。

为了得到最佳社团划分结构，定义了网络的节点重要度矩阵和聚类矩阵，结合图的特征谱平分法和模块度函数，提出了一种基于节点重要度的社团划分算法( CDNIM)。

复杂通信网络的地理位置聚集性社团发现和可视化

复杂通信网络的地理位置聚集性社团发现和可视化代翔【摘要】The geolocation is believed to have certain positive correlation with network structure in the communication networks,shopping network and other complex networks.The geolocation information is introduced into the task of complex network group detecting and visualization to improve the traditional label propagation algorithm and force-directed graph drawing algorithm.By performing the geolocation based clustering in advance,and then adding the geolocation based restriction in the iterative process,meaningless oscillations can be greatly minimized.The experiment proves that this scheme can speed up the discovery of community and the convergence speed of the algorithm can also be added to the influence of geographical location on the distribution of the community,and the performance of the fast community discovery algorithm can be improved both in convergence time and community discovery(Q value).%针对以通信网络为代表的一类复杂网络地理位置信息的聚集性与网络结构一定程度上的正相关性,探讨了将地理位置信息带入特定的复杂网络的社团发现和可视化任务中,改进传统的标号传播和力导引算法,提前进行网络的地理位置聚类分析,并对标号传播的和力导引的迭代过程引入基于地理位置的限制性条件,避免无意义的振荡.实验证明,提出的方法既可以加快社团发现和可视化算法的收敛速度,也可以通过地理位置对社团分布的影响提高快速社团发现算法的性能.针对存在地理位置聚集性的复杂网络数据,该方法无论在收敛时间还是社团发现结果(Q值)上都有较大提升.【期刊名称】《电讯技术》【年(卷),期】2017(057)006【总页数】7页(P615-621)【关键词】复杂通信网络;社团发现;地理位置;标号传播;力导引【作者】代翔【作者单位】中国西南电子技术研究所,成都610036【正文语种】中文【中图分类】TN921现实世界中存在着大量的网络结构，例如人际关系网络、工作协作网络、传染病传播网络以及新近产生的通信网络和社交网络等。

一个基于中心度的社团结构发现新算法

谱平分法最坏情况下时间复杂度为０（，Ｌ算法的时间复ｎ）Ｋ杂性是０（ｎ）其中ｎ表示网络节点数，表示迭代次数。谱ｔ，ｔ平分法和ＫＬ算法均需要事先知道该网络的两社团特征，否则可能得不到正确结果。层级聚类典型算法是Ｇｒａ，ｅ．ｉｎＮｗｖ
ｏｏｅｉ，ｅｉ１０８，Ｃｉ２ＩｓｔｔｏｎｆｃｕｅｎｕｔｅｅｐｅｔＮｎｈｎｎｋｎｎｖｒｔ，ａｃａｇ３０６ｎｌｙＢｉｇＢｉｎ００３ｈｎ；．ｎｔｕｇｊｎｊｇａｉｅｆＭａｕａｔｒＩｄｓｙＤｖｌｍｎ，ａｃａｇＨａｇｏｇＵｉｓｙＮｎｈｎ３０３，ｒｏｅｉ
ｈｒａｙ网络及计算机随机生成网络中并进行了比较。实验结果表明，所提出的ＤＧ算法在运行效率和效果方ＣＮ
面较之ＧＮ算法均具有一定的优势。关键词：社团结构；节点中心度；Ｎ算法；ＣＮ算法ＧＤＧ
中图分类号：Ｔ３３Ｐ９文献标志码：Ａ文章编号：１０ —６５２１）８２０ — ３０１３９（０１０ —９９０
ｇｎｒｔｄｒｎｄｍｌｙｃｍｐｔｒ，ａｄｔｅｏａｅｈｍ．Ｅｘｅｍｅｔｒｓｔｈｗｓｔｅｐｏｏｅｌｏｔｍｓａａａｅｉｅｅａｅａｏｙｂｏｕｅｎｈｎｃｍｐｒｄｔｅｐｒｉｎｅｕｌｓｏｈｒｐｓｄａｇｒｈｈａｄｖｎｔｇｎｓｉ
（。）其中ｎ为节点数，为节点连边数。Ｔｌｒｍｎ，ｍｙｅ等人提出

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｌｉｍｉｔａｔｉｏｎｔｈａｔｔｈｅｃｕｒｒｅｎｔｎｏｄｅ — ｂａｓｅｄｄｙｎａｍｉｃｃｏｍｍｕｎｉｔｙｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｉｓｄｉｆｆｉｃｕｌｔｔｏ
第４８卷
第８期
西安交通大学学报
ＪＯＵＲＮＡＬＯＦＸＩ ’ ＡＮＪＩＡＯＴ０ＮＧＵＮＩＶＥＲＳＩＴＹ
ＶｏＩ．４８Ｎｏ．８
Ａｕｇ．２Ｏ１４
２０１４年８月
ＤＯＩ：１０．７６５２／ｘｊｔｕｘｂ２Ｏ１４Ｏ８０１３
ｌｉｎｋｇｒａｐｈｓｔｒｕｃｔｕｒｅｏｆｔｈｅｎｅｔｗｏｒｋ，ａｎｄｔｈｅｎｔｈｅｃｏｍｐｌｅｘｉｎｃｒｅｍｅｎｔａｌｉｎｆｏｒｍａｔｉｏｎｉｎｔｈｅｄｙｎａｍｉｃｎｅｔｗｏｒｋｓｕｃｈａｓａｄｄｉｔｉｏｎａｎｄｒｅｍｏｖｉｎｇｏｆｎｏｄｅｓａｎｄｅｄｇｅｓａｒｅｓｉｍｐｌｉｆｉｅｄｉｎｔｏａｄｄｉｔｉｏｎａｎｄｒｅｍｏｖｉｎｇｏｆｌｉｎｋｓ．Ａｎｉｍｐｒｏｖｅｄｌｉｎｋｐａｒｔｉｔｉｏｎｄｅｎｓｉｔｙｆｕｎｃｔｉｏｎｉｓｐｒｏｐｏｓｅｄｔｏｐｒｏｃｅｓｓａｌｉｎｋｉｎｔｈｅ
团。为了验证算法的有效性，本文将其应用于人工动态网络和真实的动态网络中。实验证明，本文算法能够有效地发现具有典型动态信息网络中的多尺
度稳定社团结构。
的传播行为分析等。在动态网络中，由于其结构更加复杂，因此挖掘动态网络中的社团结构变得异常
点的动态社团发现算法。
关键词：链路聚类；增量方法；社团发现；动态网络
中图分类号：ＴＰ３９３文献标志码：Ａ文章编号：０２５３－９８７Ｘ（２０１４）０８ — ００７３ — ０７
Ａｂｓｔｒａｃｔ：Ａｃｏｍｍｕｎｉｔｙｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｄｙｎａｍｉｃｎｅｔｗｏｒｋｓｉｓｐｒｏｐｏｓｅｄｔｏｏｖｅｒｃｏｍｅｔｈｅ
西
安
交
通
大
学
学
报
第４８卷
社团作为复杂网络的重要特性受到了研究者的日益关注。社团将网络划分成许多由节点组成的群组，群组内部节点连接非常紧密而群组之间连接则较为稀疏。发现复杂网络中的社团结构具有很多重要的应用，如恐怖组织识别、网络舆情监控以及谣言
一
种采用链路聚类的动态网络社团发现算法（ＬＤＣ）。该算法首先从链路的角度得到网络的链路图
结构；然后对比不同时刻的链路图结构，将动态网络中节点的添加与移除以及边的添加与移除等复杂的变化信息简化为链路添加和链路移除２种增量变化信息；再在前一时刻社团结构的基础上以改进的链路划分密度函数对增量变化信息中变化的链路进行处理，判断该链路是否加入到社团中
ｔｈｅｅｘｉｓｔｉｎｇｃｏｍｍｕｎｉｔｙｓｔｒｕｃｔｕｒｅｔｏｇｅｔｔｈｅｏｐｔｉｍａｌｃｏｍｍｕｎｉｔｙｓｔｒｕｃｔｕｒｅ．Ａｔｔｈｅｅｎｄ，ｔｈｅａｌｇｏｒｉｔｈｍｔｒａｎｓｆｏｒｍｓｔｈｅｏｐｔｉｍａｌｌｉｎｋｃｏｍｍｕｎｉｔｙｓｔｒｕｃｔｕｒｅｉｎｔｏａｎｏｄｅ — ｂａｓｅｄｃｏｍｍｕｎｉｔｙｓｔｒｕｃｔｕｒｅ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓａｎｄｃｏｍｐａｒｉｓｏｎｓｗｉｔｈｔｈｅｎｏｄｅ — ｂａｓｅｄｃｏｍｍｕｎｉｔｙｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｓｈｏｗｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｃａｎｇｅｔｔｈｅｓｔａｂｌｅｃｏｍｍｕｎｉｔｙｓｔｒｕｃｔｕｒｅａｎｄｔｈｅｍｏｄｕｌａｒｉｔｙａｎｄ
ＮＭＩｃａｎｒａｉｓｅａｔｌｅａｓｔ０．１９ａｎｄ０．１３，ｒｅｓｐｅｃｔｉｖｅｌｙ，ａｎｄｔｈａｔｔｈｅｅｆｆｉｃｉｅｎｃｙｏｆｔｈｅａｌｇｏｒｉｔｈｍｉｓｓｕｐｅｒｉｏｒｔｏｔｈｅｄｙｎａｍｉｃｎｏｄｅ — ｂａｓｅｄｃｏｍｍｕｎｉｔｙｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｓ．
采用链路聚类的动态网络社团发现算法
董哲，伊鹏
（国家数字交换系统工程技术研究中心，４５０００２，郑州）
摘要：针对当前基于节点的动态网络社团结构发现算法难以发现稳定的社团结构的问题，提出了
Ｋｅｙｗｏｒｄｓ：ｌｉｎｋｃｌｕｓｔｅｒｉｎｇ；ｉｎｃｒｅｍｅｎｔｍｅｔｈｏｄ；ｃｏｍｍｕｎｃｎｅｔｗｏｒｋ
收稿［／ｔ期：２０１４０１ — ０３。作者简介：董哲（１９８９一），男，硕士生；伊鹏（通信作者），男，教授
困难。
目前，关于复杂网络中的社团结构的研究已经取得了很多成果Ｌｌ。］。在现实生活中，绝大多数的网络都具有动态特性，这些网络随着时间的推移不断
１相关定义与指标
给定网络Ｇ（，Ｅ），Ｖ为节点集合，Ｅ为边集合，Ｃ为第ｉ个社团节点集合。给出以下定义：
定义１节点时序图Ｓ，表示ｔ时刻个体问的关系，动态网络Ｇ可以用节点时序图的集合表示，丁为时间段划分总数，Ｇ一（Ｓ，Ｓ，Ｓ。， …，Ｓ ”，Ｓ１，），１ ≤ｔ
ＡＣｏｍｍｕｎｉｔｙＤｅｔｅｃｔｉｏｎＡｌｇｏｒｉｔｈｍｆｏｒＤｙｎａｍｉｃＮｅｔｗｏｒｋｓ
ＵｓｉｎｇＬｉｎｋＣｌｕｓｔｅｒｉｎｇ
ＤＯＮＧＺｈｅ，ＹＩＰｅｎｇ
ｉｄｅｎｔｉｆｙｔｈｅｓｔａｂｌｅｃｏｍｍｕｎｉｔｙｓｔｒｕｃｔｕｒｅ．Ｔｈｅａｌｇｏｒｉｔｈｍｕｓｅｓｌｉｎｋｃｌｕｓｔｅｒｉｎｇｔｅｃｈｎｉｑｕｅａｎｄｇｅｔｓａ
资助项目（２０１１ＢＡＨ１９Ｂ０１）。
网络出版时间：２０１４ — ０６ — １８
网络出版地址：ｈｔｔｐ： ∥ＷＷＷ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／６１．１０６９．Ｔ．２０１４０６１８．１１３８．０１０．ｈｔｍｌ
基金项目：国家 “ ９７３计划 ”
资助项目（２０１２ＣＢ３１５９０１，２０１３ＣＢ３２９１０４）；国家“ ８６３计划 ” 资助项目（２０１１ＡＡ０１Ａ１０３，２０１１ＡＡ０１Ａ１０１）；国家科技支撑计划
从而得到最优的社团结构；最后将得到的链路社团转化成为最终的节点社团结构。实验结果表明，
相比于当前基于节点的动态社团发现算法，ＬＤＣ算法能够有效地发现网络中结构稳定的社团结构，其模块度值和标准化互信息值至少提高了０．１９和０．１３，且算法的运行效率要明显优于基于节
ｉｎｃｒｅｍｅｎｔａｌｉｎｆｏｒｍａｔｉｏｎａｎｄｄｅｃｉｄｅｗｈｅｔｈｅｒｔｈｅ１ｉｎｋｓｈｏｕｌｄｂｅｊｏｉｎｅｄｉｎｔｏｔｈｅｃｏｍｍｕｎｉｔｙｂａｓｅｄｏｎ