复杂网络中基于标记散播的高效社团发现方法的研究与实现-计算机技术专业论文.docx

万方数据 万方数据 摘要 摘要 现实生活中，我们常常将一些问题通过建模的方法，把对象和关系抽象成网 络结构，进而发现对象间的共同特征，解决这些实际问题。随着数据量的与日俱 增，大规模网络社团结构的检测已经成为一个重要研究课题。它是对静态群体进 行归类划分、动态群体演变过程分析、寻找局部范围影响力最大的个体、制定简 单有效的管理方案等现实问题进行研究的基础环节。因此，如何在规模庞大、内 部结构复杂的网络上快速、有效地发现社团结构，对于数据分析、信息提取具有 重要意义。 本文在经典标记散播社团检测方法的基础上，深入研究大规模复杂网络的特 征，针对算法中的节点标记更新方法和迭代次数进行改进工作，取得了如下创新 性成果。首先，提出了基于模块度最大约束的标记散播社团发现方法。该方法通 过分析网络中节点间的结构相似度，构造基于网络模块度计算的带约束条件的目 标函数，获得更合理的节点标记更新公式，提高网络社团划分结果的准确率。接 下来，又提出了基于 α-度邻居影响度的标记散播社团检测方法。该方法通过计算 网络中节点在 α-度范围内的邻居影响因子，判断节点标记的散播顺序和散播方向， 可以在较准确的进行社团划分的同时有效降低运行时间。 在各类网络上的实验结果表明：本文提出的两种基于标记散播的社团发现方 法均可以准确地对任意规模、任意内部结构的复杂网络发现任意各种形状的社团； 且基于 α-度邻居影响度的标记散播社团检测方法具有较高的运算效率和极强的实 用性，可运用在动态网络的社团划分和演化分析中。 关键词：社团检测 标记散播 结构相似度 模块度 邻居网络 复杂网络中基于标记散播的高效社团发现方法的研究与实现 Abstract Abstract In the daily life, we analysis and solve the practical problems with modeling which abstracted objects and relationships into networks. As the data expanding, community structure detection of large-scale network has been one of the most important research topics in data mining. It is the basic research on the most practical problems, such as dividing the static network into communities, analyzing the evolution of the dynamic network, getting the greatest influence individuals in local areas, making a simple and effective management program. Therefore, community structure detection is important for data analysis and information extraction on complex network with large-scale, complex internal structure. Based on label propagation algorithm, the classic community detection method for complex network, we conducted depth research, improved on update method of label and the times of iterations, and made innovative achievements as following。First, we proposed a network community detection method via constrained label propagation with maximization of similarity-based modularity. With the values of structure similarity on edges in network, the method constructed an object function based on constrained similarity-based modularity, and obtained a good direction for l