一种基于随机块模型的快速广义社区发现算法
随机块模型可以生成各种不同结构(称作广义社区,包括传统社区、二分结构、层次结构等)的网络,也可以根据概率对等原则发现网络中的广义社区.但简单的随机块模型在网络生成过程建模和模型学习方面存在许多问题,导致不能很好地发现实际网络的结构,其扩展模型 GSB(general stochastic block)基于链接社区思想发现广义社区,但时间复杂度限制其在中大型规模网络中的应用.为了在无任何先验的情形下探索不同规模网络的潜在结构,基于GSB模型设计一种快速算法FGSB,更快地发现网络的广义社区.FGSB在迭代过程中动态学习网络结构参数,将 GSB 模型的参数重新组织,减少不必要的参数,降低算法的存储空间；对收敛节点和边的参数进行裁剪,减少每次迭代的相关计算,节省算法的运行时间.FGSB与GSB模型求解算法有相同的结构发现能力,但FGSB耗费的存储空间和运行时间比 GSB 模型求解算法要低.在不同规模的人工网络和实际网络上验证得出：在近似相同的准确率下,FGSB比GSB模型求解算法快,且可发现大型网络的广义社区.
随机块模型、广义社区、时间复杂度、复杂网络
TP181(自动化基础理论)
国家自然科学基金61033013,61370129;教育部创新团队项目K10JB00440;北京市自然科学基金4112046;中央高校基本科研业务费专项资金;河北省科技厅项目13210702D;河北省教育厅项目ZD2010128;民航局科技基金项目K12I00051
2014-01-07（万方平台首次上网日期，不代表论文的发表时间）
共11页
2699-2709
