一种基于信息流动的动态社区发现方法.docxVIP

一种基于信息流动的动态社区发现方法 复杂网络分析在社会学、感染学和生物学领域得到广泛应用。网络由节点组成，节点之间的联系通过节点表示。网络中节点之间的联系可以通过不同的方式建立。例如，在由超链接字段组成的网络中，节点之间的联系可以通过链接建立。在引用作者网络时，作者之间的联系通过文本引用建立。 在复杂网络中, 社区发现是抽取网络特征、理解网络内在结构的重要手段.社区发现通过对所有节点所构成的集合进行划分, 使得同一子集内的节点关系“密切”, 而不同子集间关系“松散”.合理地定义“密切”和“松散”的具体含义, 可以使得社区内部节点呈现出某些共同属性.例如:在超链接文档构成的互联网中, 同一社区内的文档通常具有相似的话题或观点;在引文作者网络中, 每个社区内的作者都有着相近的研究方向;在生物网络中, 相同社区的蛋白质形成一个功能团, 共同完成某项生物功能;在社交网络中, 相同社区内的用户有着相近的兴趣爱好.现有的社区发现方法都是围绕着如何判断节点间的关系“密切”或者“松散”而展开.简单的方法将社区定义为完全图, 或者条件较为宽松的类完全图;稍复杂的方法通过定义“质量函数”对网络进行划分, 其中, Clauset, Newman和Moore提出的CNM算法已在许多种网络中得到成功应用. 传统的社区发现方法中, 网络作为静态拓扑图处理, 不用考虑节点间的信息交互因素, 这在微博等逐渐兴起