浅析复杂网络交叠团模糊分析与信息挖掘.docVIP

浅析复杂网络交叠团模糊分析与信息挖掘 　　关键词:网络模糊聚类;团—点相似度;团间连接严密度;团间连接奉献度;对称非负矩阵分解;网络宏观拓扑 　　fuzzylusteringandinfratinininginplexnetrks 　　zhakun,zhangsha-u,panquan 　　(shlfautatin,nrthesternplytehnialuniversity,xi’an710072,hina) 　　abstrat:thereisseldaethdhihisapablefbthlusteringthenetrkandanalyzingtheresultedverlappingunities.tslvethisprble,thispaperpresentedanvelfuzzyetriandasftlusteringalgrith.basednthenveletri,ttplgialfuzzyetri,hihinludelique-liquelsenessdegreeandinter-liquennetingntributindegree,eredevisedandappliedinthetplgialaranalysisandtheextratinfkeyndesintheverlappingunities.experientalresultsindiatethat,asanatteptfanalysisafterlustering,theneindiatrsandehanisanunvernetplgyfeatureshiddeninthenetrk. 　　keyrds:netrkfuzzylustering;lique-ndesiilarity;lique-liquelsenessdegree;inter-liquennetinntributindegree;syetrialnnnegativeatrixfatrizatin(s-nf);netrktplgyarstruture 　　团构造是复杂网络普遍而又重要的拓扑属性之一,具有团内连接严密、团间连接稀疏的特点。网络团构造提取是复杂网络分析中的一个根本步骤。提醒网络团构造的复杂网络聚类方法[1~5]对分析复杂网络拓扑构造、理解其功能、发现其隐含形式以及预测网络行为都具有非常重要的理论意义和广泛的应用前景。目前,大多数提取方法不考虑重叠网络团构造,但在多数网络应用中,重叠团构造更为普遍,也更具有实际意义。 　　现有的网络重叠团构造提取方法[6~10]多数只对团间模糊点进展初步分析,如nepusz等人[9,10]的模糊点提龋针对网络交叠团构造的深化拓扑分析,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严密程度,以及模糊节点对两团联络的奉献程度,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形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,其结果说明,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—点间隔 ,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=[ki]r×n来表示团—点关系,ki为节点i与第k个团的关系严密程度或相似度。称为团—点相似度矩阵。令 　　假设ki能准确反映点i与团k的严密度,那么ij可视为对点i、j间相似度yij的一个近似。所以可用矩阵来重构y,视为用团—点相似度对点—点相似度y的估计: 　　用欧式间隔 构造如下目的函数: 　　其中:[a]/[b]为矩阵a和b的hadaard矩阵除法。 　　由于在nf中引入了限制条件,s-nf的解集是nf的子集,即式(4)的迭代结果必落入nf的稳定点集合中符合附加条件(h=)的局部,由此决定s-nf的收敛性。 　　在求解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途径数给出任意两节点间的相似度,能描绘网络节点间的大尺度范围关系,当两点间途径数增加时,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: 　　lij=-aiji≠j 　　基于扩散核的物理含义,团—点相似度也具有了物理含义:团到点的途径数。实际上,就是聚类结果,对其列归一化即可得模糊隶属度,需要硬聚类结果时,那么选取某点所对应列中相似度值最大的团为最终所属团。 　　2团—团关系度量 　　以图1中的对称网络为例