论文部分内容阅读
社会网络的研究日渐被各个领域研究者所关注和重视，生活的网络化使该研究成为了一个热点。其中包含社会网络中核心节点的识别、局部网络社团的发现以及全局网络划分等都成为了社会网络研究的核心。针对当前社团发现算法的不足，本文将研究适用于规则网络，尺度网络以及大规模网络的算法，包括局部社团发现和全局社团发现，都仅利用局部信息来获得局部社团和全局社团。本文研究的工作主要包括: (1)本文提出了一种基于节点相关度的核心节点识别方法。网络中社团的形成都是以某一个节点或者多个节点扩散而成，体现了该节点的核心作用，因此本文利用节点的内聚性，即节点的相关度来识别核心节点。利用节点的社团聚类系数与社团外聚类系数的差来描述节点的相关度，在实验中与基于亲密度的核心节点发现方法在各种经典网络中的结果进行对比，验证了该方法的有效性。 (2)本文提出了一种基于贝叶斯后验模型的局部社团发现方法。针对Newman模块度在社团发现中的局限性问题，本文基于贝叶斯后验模型提出BS模块度度量法，该方法结合节点的模块度和推荐概率进行建模，并以邻接并入为框架得到了一种新的局部社团发现算法。此方法克服了Newman模块度在稀疏网络中区分度低的问题和社团结构差异大的分辨率问题，有效的寻找大规模网络中的局部社团，通过与Newman模块度在真实社团中的比较，验证了该度量方法的有效性。 (3)构建一种基于核心节点集的全局社团发现方法。为了适应于大规模网络社团发现，本文考虑到局部社团发现的框架有着时空开销小的特点，把该思想引入到全局网络社团发现中，构建出了一套新的全局网络社团新的算法，该算法仅利用局部信息来发现全局网络社团。该算法通过寻找核心节点群，社团粗划分以及细化分来达到寻找社团的目的。该算法经过与经典的快速Newman算法比较，发现该算法适用于经典网络和大规模网络。