复杂网络交叠团模糊分析与信息挖掘(2)归类.pdfVIP

现有的网络重叠团结构提取方法 [6~10] 多数只对团间模糊点进行初步分析 , 如 Nepusz等人 [9,10] 的模糊点提取。 针对网络交叠团结构的深入拓扑分析 , 本文介 绍一种新的团—点相似度模糊度量。 由于含有确定的物理含意和更为丰富的拓扑 信息 , 用这种模糊度量可进一步导出团与团的连接紧密程度 , 以及模糊节点对两 团联系的贡献程度 , 并设计出新指标和定量关系来深度分析网络宏观拓扑连接模 式和提取关键连接节点。 本文在三个实际网络上作了实验分析 , 其结果表明 , 本方 法所挖掘出的网络拓扑特征信息为网络的模糊聚类后分析提供了新的视角。 1 新模糊度量和最优化逼近方法 设 A=[Aij]n ×n(Aij ≥0) 为 n 点权重无向网络 G(V,E) 的邻接矩阵 ,Y 是由 A 产生的特征矩阵 , 表征点—点距离 ,Yij0 。假设图 G 的 n 个节点划分到 r 个交叠 团中 , 用非负 r ×n 维矩阵 W=[Wki]r ×n 来表示团—点关系 ,Wki 为节点 i 与第 k 个团的关系紧密程度或相似度。 W称为团—点相似度矩阵。令 Mij=?rk=1WkiWkj(1) 若 Wki 能精确反映点 i 与团 k 的紧密度 , 则 Mij 可视为对点 i 、j 间相似度 Yij 的一个近似。所以可用矩阵 W来重构 Y, 视为用团—点相似度 W对点—点相似 度 Y 的估计 : W ?TW→Y(2) 用欧式距离构造如下目标函数 : minW≥0 F?G(Y,W)= ‖Y-W ?TW‖?F=?12?ij[(Y-W ?TW) 。(Y-W ?TW)]ij(3) 其中 : ‖? ‖?F 为欧氏距离 ;A 。B 表示矩阵 A、B 的 Hadamard 矩阵乘法。由 此 , 模糊度量 W的实现问题转换为一个最优化问题 , 即寻找合适的 W使式 (3) 定义 的目标函数达到最小值。 式(3) 本质上是一种矩阵分解 , 被称为对称非负矩阵分解 , 或 s-NMF (symmetrical non-negative matrix factorization) 。?s-NMF的求解与非负矩 阵分解 NMF[11,12] 的求解方法非常类似。非负矩阵分解将数据分解为两个非负 矩阵的乘积 , 得到对原数据的简化描述 , 被广泛应用于各种数据分析领域。类似 NMF的求解 ,s-NMF 可视为加入限制条件 (H=W)下的 NMF。给出 s-NMF的迭代式如 下 : Wk+1=W?k。[W?kY]/[W?kW ?T?kW?k](4) 其中 :[A]/[B] 为矩阵 A 和 B 的 Hadamard矩阵除法。 由于在 NMF中引入了限制条件 ,s-NMF 的解集是 NMF的子集 , 即式(4) 的迭代 结果必落入 NMF的稳定点集合中符合附加条件 (H=W)的部分 , 由此决定 s-NMF的收 敛性。 在求解 W之前还需要确定特征矩阵。本文选扩散核 [13] 为被逼近的特征矩 阵。扩散核有明确的物理含义 , 它通过 计算 节点间的路径数给出任意两节点间的 相似度 , 能描述网络节点间的大尺度范围关系 , 当两点间路径数增加时 , 其相似度 也增大。扩散核矩阵被定义为 K=exp(- βL)(5) 其中 : 参数 β用于控制相似度的扩散程度 , 本文取 β=0.1;L 是网络 G的拉普 拉斯矩阵 : L