对应用纽曼格文算法检测社交网络中的重叠社区中的实验研究.doc

对应用纽曼格文算法检测社交网络中的重叠社区中的实验研究 摘要：一个社交网络又一群人组成，其中同一网络内的成员与另一个或者其他更多成员连接，我们可以通过分析社交网络得到视觉和数学的人际关系模型。社交网络有一些固有特性，如幂律分布，中心性，小世界网络，模块化等。社区结构是社交网络的另一个重要特性，他是一个很流行的研究趋势。随着人口逐渐增多，社交网络也变得同样复杂包括一些例Facebook,Google+,MySpace,Twitter等在线社交网络服务，纽曼格文算法是社交网络广泛使用的社区检测算法。本文反映了社交网络中的社区以及子社区对纽曼格文算法的应用。我们已经在现实世界的网络中应用了这个社区检测算法。在本文中我们对现实世界的子社区检测赋予了新的概念本文主要集中在纽曼格文算法的实验研究。 I.介绍。 社区或者说集群是代表现实世界网络的的最显著特征之一，我们可以在一个具有相同簇和更少的边的节点形成的具有组织良好的节点的簇的社交网络中定义社区。社会网络检测已经是社会学，生物学，计算机学等以及其他多个学科中的重要问题。因此，在这些学科与领域中网络通常表示为图表，现实网络并不表现为随机图表，因为它们具有巨大的同质性。现实世界中的网络具有高质量的有序性和组织性，社交网络度分布一般遵循幂律。此外，边缘分布不仅仅表现在全局，也表现在具有特殊群体的局部不均匀的高浓度边缘，还有低浓度的其他节点之间。现实网络的这个功能成为社区结构或者群集。术语--社区首次出现在发表于1887年的Gemeinschaft und Gesellchaft‖一书中。在社交网络中这个属于没有独特的定义，直到今天它被广泛接受。 图一：具有十二个节点三个社区的简单图 在上图中，有三个社区是社区中节点紧密相连，并与其他社区节点稀疏链接。在社交网络中，节点相互连接就像基于人类的友谊，同事等关系。 II.相关工作 在计算机科学中，社区可视为网络的子图，我们可以生成一个完整的网络，图表中若干子图可驻留在原始图表中。子图中的节点帧内密集连接。另一方面不同子图之间的连接是比较稀疏的，纽曼称这些子图为社区结构。这定义了社区的结构特征的重要性，其中，社区内连接比社区间连接紧密，可以通过模块化程度来衡量。存在一些没法检测社交网络中的重叠社区的限制的社区检测算法，重叠社区的检测涉及社区的定义及评价指标。改评价指标特别注重分析及比较现有的社区检测算法，包括算法的基本思路比较。纽曼合格文已经在社会和生物网络中提出了群落结构和检测算法，在社交网络中的社会团体都表示为社区。 动态图形一般由复杂图形和动态网络中的社区检测组成，是一个具有挑战性的任务.在一个动态图形中，一对节点在不同的时间节点可以消失或者出现。迁移率被用作为网络传输机制，在许多网络中用来分发数据。康国栋在2011年提出了两个新的移动模式，它被称为社会社区合作伙伴移动模型（SCP)和社会社区领袖流动模型（SCL)。 最小切割法是划分网络的最古老的算法之一。使用负载分担并行计算尽量减少处理器节点之间的通信。因此，他对于在一般网络中发现群落结构来说并不理想。在仿真环境中，SCP把办公室，健身房，餐厅等看做是仿真域中的小方块。这里，也许提出了一个社区目的地的概念，当社区从办公室移到体育馆，体育馆被作为社区的目标，在模拟中，社区目的地被选择为体育馆对应的方块。在另一个模拟中将被选择作为相对应于餐厅新社区的目标。在合作伙伴变化的情况下，社区成员在体育馆或者餐厅也将有自己的目标。金杰提出了一种新的中心基础方法，该方法是特别为加权网络设计的。并且因为该方法的计算复杂度低也适应于大型复杂网络。他们在合成网络和两个现实世界网络中证明了这个方法。大多数社区检测技术，大多数社区检测技术只使用有关社区检测和聚类为目的的联动行为的信息。一些近期的工作表明，节点内容的使用是对改善社区质量有帮助的。此外，我们可以看到，边缘内容提供了一些不能由节点内容建模的具有独特区别特征的社区。 III方法论 纽曼格文算法. 分层方法相对于检测所诉社区的社交网络有若干缺点，为了消除这些弊端，纽曼和格纹在2002年介绍了他们用来检测网络的算法。他们带来了一个全新的概念，用来检测庞大而复杂的网络中的社区。根据该算法，我们简单的集中那些中心到网络的最少边数，并且这些边被认为是最优社区。这意味着边界数为分数的一个特定的边缘可以计算的次数，他出现在途的最短路径矩阵。然后我们移除这个最高边缘边介数的特定边缘，通过我们的算法得到前两个社区。如果有一个以上的链接或社区间的连接，我们将删除的边缘连接的串行社区根据最高边介数划分。 我们将删除所有网络这样的边缘，知道我们得到单一节点，纽曼格文算法的过程如下所诉： 计算网络中所有边缘的中间性的分数， 边介数最高的边将被删除。 切除边缘后，中间数将