基于稠密子图的社区发现算法
基于密度的图聚类算法在社区发现中得到了广泛应用,然而由于其通过搜索网络中局部稠密子图来识别社区,使得大量结点因不能构成稠密子图而未被聚类。针对此问题,给出了一种基于稠密子图的软聚类算法( commu?nity detection based dense subgraphs,BDSG)。首先给出一种中心社区发现方法;进而定义了一种结点的社区归属度,并给出中心社区扩展策略;最终得到聚类结果。通过与CPM( clique percolation method)、k?dense算法在空手道俱乐部、海豚社交网络、大学生足球网络、电子邮件网络和合作网络等数据进行比较,表明BDSG算法在模块性指标与时间效率方面体现了良好性能,同时中心社区扩展策略能在一定程度上提高CPM、k?dense等基于密度算法的聚类有效性。
复杂网络、社区发现、图聚类、软聚类、密度、中心扩展策略、点介数、模块性
11
TP18(自动化基础理论)
国家自然科学基金项目61572005,61272004;山西省煤基重点科技攻关项目 MQ2014-09.
2016-06-22(万方平台首次上网日期,不代表论文的发表时间)
共7页
426-432