论文部分内容阅读
近年来,伴随着信息与通信技术的快速发展与变革,现实世界中充斥着大量丰富而宝贵的复杂网络,复杂网络相关研究也吸引到越来越多研究学者的密切关注。社区结构是复杂网络中的一个重要特性,对深入研究复杂网络结构与功能特性具有重要的价值与意义。通过对复杂网络进行社区发现,可以发掘网络中隐含的群体结构,揭示构建网络的真实数据集中蕴含的某种结构或隐藏的关联信息,拥有重要的实用价值,目前已广泛应用于个性化推荐、舆情分析、广告投放、信息检索等领域。针对复杂网络中的社区发现,本文研究工作内容如下:(1)在RA局部相似度指标的基础上引入被测节点对及其共同邻居间相互联系的亲密程度,定义一种改进的RA局部相似度指标。改进的RA相似度指标能够更准确地度量网络中节点间的相似度,提高节点间相似性聚类的准确性,使得基于相似度的社区发现算法能够更准确地划分出高质量的网络社区结构。(2)提出一种基于局部相似度的社区发现算法CDALS,该算法是基于改进的RA相似度指标,并结合改进的K-means算法思想进行节点的相似性聚类,从而实现网络节点的相似度社区划分。在真实网络数据重构的网络上进行仿真实验,对比具有代表性的社区发现算法划分结果,实验表明,CDALS算法能够实现在社区数目未知、社区结构不明显的网络中,划分出比较准确且高质量的社区结构,同时也验证了改进的RA相似度指标的有效性与准确性。(3)结合定义的节点对与之直接相连节点的局部影响力,从节点标签更新顺序与标签更新策略两方面对传统标签传播算法LPA进行改进,提出一种基于局部影响力的标签传播社区发现算法LPALI。在真实数据重构的网络上开展仿真实验,同极具代表性的社区发现算法对比划分结果,实验证明了LPALI算法较高的准确性、稳定性以及执行效率,能够较快地划分出高质量且稳定的社区结构,并且可以应用于较大规模的网络。