一种基于节点中心度的社区划分新算法.pdfVIP

＼、 三 文章编号：1007—1423(2015)08—0022—04 DOI：10．39696．issn．1007—1423．2015．08．005 一 种基于节点中心度的社区划分新算法 乔健．杨 昆朋 (北京交通大学计算机与信息技术学院，北京 100044) 摘要 ： 针对传统的K—means算法的划分结果受初始中心节点影响较大 ．以及每次刷新中心节点均需要进行计算 ，使得算法 运行时间较高等问题，提出一种基于中心度的K—means改进算法CDK算法。该算法根据节点的中心度以及节点之间 的最短路径来确定初始社团的中心节点．然后根据节点之间的Jaccard相似度。将非中心节点划分到K个社团中。 CDK算法避免了传统的K—means算法由于随机选取初始中心点而造成划分结果不稳定、精度较差的问题，同时CDK 算法在刷新中心节点的时候无须进行计算．具有更低的时间复杂度。 关键词 ： 中心度 ；K—means；社 区发现 0 引言 于划分的聚类方法 ，有着效率好 、易于理解 、算法灵活 等优点 人类社会 中很多的系统都可 以抽象为网络．如人 际关系网1【]、论文引征网、科学家合作关系网圈、微博用 1 K—means基础 户关系网、互联网3[1等。这些网络都具有共同特点，即复 K—means算法的基本思想是 ：以空间中K个点为 杂的内部结构，因此被称为复杂网络。在复杂网络中， 中心进行聚类 ．将最靠近它们的节点归类。通过迭代的 每一个节点表示网络中的个体 ．节点之间的连边表示 方法．逐次更新各聚类中心的值 ．直至得到最好的聚类 个体之间的相互关系以及相互作用。已有研究表明：这 结果 。 些网络中包含着一些潜在的社区结构4[1通常 ．社区内 假设要把样本集分为K个簇，算法描述如下： 的节点具有相似的特性 ．在网络中扮演着相似的角色． 算法：K—means算法 通过社区划分来识别网络中的社区结构．有助于我们 输入：点集合NodeList，簇的个数K 更深入地理解网络的本质．认识网络结构与其功能之 输出：簇列表 CommunityList： 间的关系_5J。目前．社区划分方法已被应用于恐怖组织 (1)随机选择K个簇的初始中心节点 ； 识别、社会网络分析 、蛋 白质交互网络分析6[1、Web文档 (2)在第 t次迭代 中，对每一个点 ，求其到K个中 聚类和论文引证网络等各个方面 心的相似度 ．将该点归到相似度最大的中心节点所在 由于社区划分就是对网络中的节点进行分组 ．因 的簇 中： 此社区划分的本质是一个聚类 问题171如果定义了网络 (3)利用均值等方法更新簇的中心值； 中节点之间的相似度 ．那么就可以使用任意一种聚类 (4)对于