网络社团GN算法研究.docVIP

网络社团GN算法研究 张永 摘要： 随着复杂网络社团理论研究的不断深入，寻找和分析社团结构对于反映和理解网络的构成具有重要的意义。本文针对社团结构检测问题，简要描述了社团结构的基本概念及其衡量标准，在广度优先搜索策略和队列的应用基础上，实现了一个用于快速查找社团结构的GN算法。 关键词：复杂网络；社团结构；社团检测；可视化实验平台 Abstract: Along with the complex network theory the deepening of the research community,seeking and analysis for reflecting the community structure and understand the structure of the network has an important significance.this article in view of the community structure to detect problems,this paper briefly describes the basic concept of community structure and its measures,in the breadth first search strategy and queue of application basis, through the java language implements a used to quickly find the community structre GN algorithm. Key words： 1 引言 近年来，随着小世界模型与无标度模型的提出，复杂网络的研究不再局限于数学的范畴，逐渐受到生物学、计算机科学、社会学、统计物理学和经济学等多个领域的广泛关注，并且表现出了一定的应用价值。在研究过程中，人们发现许多实际网络都具有一个共同的特性，人们称之为网络中的社团结构[1,2,3,4]。在探索复杂网络的结构中，单纯的描述性的定义无法直接应用，算法对网络的社团结构并没有一个量的描述。因此，不能直接从网络的拓扑结构来判断它所求得的社团是否是实际的网络中的社团结构，从而需要一些附加的关于网络意义的信息来判断所得到的社团结构是否具有实际的意义[5,6,7]。 本文针对复杂网络中相互独立的社团结构检测问题进行研究，在深入理解GN社团检测算法的基础上，介绍了GN算法的设计并从理论上对算法的思想进行了分析，同时，本文设计实现了一个用于社团结构检测算法实验的可视化平台，该平台集成了使用Java语言实现的GN算法，并对此进行了分析实现。 2 算法描述 在社团结构检测算法中，划分得较好的社团，内部连接的稠密程度应该高于随机连接网络的期望水平。下面用函数定量描述社团划分的模块化程度。 假设复杂网络已经被划分成个社团，那么先定义一个维的对称矩阵，其中的元素表示连接社团和社团中的节点的边占所有边的比例，这个矩阵的迹表示网络中所有连接社团内部节点的边占总边数的比例，定义列（或者行）的加总值来表示所有连接了社团中的节点的边占总边数的比例[8,9.10]。由和的定义可知，从而，函数可以表达为: 其中，“”为矩阵的模，即中元素的加总。 如果社团内部节点间的边没有随机连接得到的边多，则函数的值为负。当函数的值趋于1时，表明社团结构划分的相当好。在实际应用中，的值一般处于0.3～0.7之间。 GN方法就是一种代表性的分裂方法，它的基本思想是不断地从网络中移除介数最大的边，边介数的定义是网络中经过每条边的最短路径的数目，边介数为区分一个社团的内部边和连接社团之间的边提供了一种有效的衡量标准[6]。 GN算法的基本流程如下： (1)计算网络中各条边的边介数； (2)找到边介数最大的边并将它从网络中移除； (3)重新计算网络中剩余各条边的边介数； (4)重复步骤(2)和(3)，直到每个节点是一个单独的社团为止。 3社团结构搜索策略分析 在网络搜索过程中，每个节点都清楚的知道其他各个节点上存储的信息，并且清楚怎么在最短的路径内到达对方，那么消息就可以从源节点依次经过最短路径上的各个节点，一直传递到目标节点。然而，在许多实际的网络中，单个节点是无法充分了解整个网络的全局结构的，更无法充分掌握目标节点在网络中的具体位置，此时，一个最简单的搜索策略就是广播搜索策略，也就是广度优先搜索（breadth-first search ,BFS）策略。 当源节点s应用BFS策略在网络的节点上寻找指定的信息时，源节点s首先查找自身所有的邻居节点，询问是否含有目标信息，如果s的邻居节点中有节点存储了目标信息，则将目标信息返回给源节点，如果没有邻居含有目标信息，则所