改进基于局部模块度社团划分算法.docVIP

改进基于局部模块度社团划分算法 　　摘要：针对大多复杂网络社团划分算法不能快速发现最优节点加入社团的问题，提出一种利用节点亲密度的局部社团划分算法。引入节点亲密度的概念量化社团与邻居节点的关系，按照节点亲密度由大到小选择节点加入社团，最后以局部模块度为指标终止局部社团扩展。在真实网络和人工仿真网络进行实验，并与基于信息压缩的随机游走算法等4种典型社团划分算法相比较，所提算法划分结果的综合评价指标（F1score）和标准化互信息（NMI）均好于比较算法。实验研究表明，所提算法具有较好的时间效率和准确度，适用于大规模网络社团划分。 　　关键词：复杂网络；社团划分；节点亲密度；模块度；人工合成网络 　　中图分类号：TP393.02 文献标志码：A 　　Abstract：Focusing on the problem that the best neighbor nodes of the communities can not accurately be found in most local community detection algorithms， an improved local community detection algorithm was proposed based on local modularity. The concept of node intimacy was introduced to quantify the relationship between the community and the neighbor nodes by the algorithm， and the nodes were selected into the communities according to the node intimacy in descending order. In the end，the extension of the local community was terminated by the local modularity index. Compared with the four kinds of typical community detection algorithms such as the random walk algorithm based on information compression， the algorithm was applied in the real networks and the artificial simulation network. The comprehensive evaluation indexs （F1score） and Normalized Mutual Informations （NMI） of the results are better than comparison algorithms. The experiments show that the algorithm has better efficiency and accuracy， and is very suitable for community detection in a large scale network. 　　Key words：complex network； community detection； node intimacy； modularity； synthetic network 　　0 引言 　　许多自然界和人类社会中的复杂系统可以用网络或图来描述。网络的研究关键是要了解网络结构和这些复杂系统的功能。一个常见的复杂网络的特点是社团结构，即社团内节点彼此连接要比社团外的节点更紧密。社团结构的识别方法在各科学研究领域备受关注[1-5]。 　　大多数社团??测方法主要是基于整个网络结构，不能用于某些类型的网络，如社会网络、万维网，因其规模较大而且是动态变化的网络，对网络结构不能充分了解。于是学者们提出一些局部社团划分方法，可通过网络的局部知识检测网络社团结构[6-11]。这些算法在发现精确完整的社团上已经取得了很大进步。但是，这些现存方法或多或少都存在一些限制，比如，文献[6]方法因数据存储方法的局限性，无法应用于大规模网络； 文献[7]方法过于依赖事先定义的参数，而这些参数往往难于获得； 文献[8]方法凝聚新顶点的条件过于严格，完整的社团很难获得； 　　文献[9]方法的效率对于源节点选择很敏感，结果也存在过多的特例。受Clauset算法[7]启发，本文提出了一个局部社团划分新算法，以局部度最大节点作为开始节点，以特定顺序的搜索