面向属性网络社团检测的度修正广义随机块模型.pdfVIP

软件学报

ISSN

1000-9825,

CODEN

RUXUEWE-mail:

jos@

2025,36(5):2308−2320

[doi:

10.13328/ki.jos.007197]

[CSTR:

32375.14.jos.007197]

©中国科学院软件研究所版权所有.Tel:

+86-10

*

面向属性网络社团检测的度修正广义随机块模型

王

笑,

戴

芳,

郭文艳,

王军锋

(西安理工大学

理学院,

陕西

西安

710054)

通信作者:

戴芳,

E-mail:

daifang@

摘要:

随机块模型可以拟合各种网络的生成,

挖掘网络的隐含结构与潜在联系,

在社团检测中具有明显的优势.

广义随机块模型GSB是基于链接社团的思想发现广义社团的,

但其仅适用于有向无属性网络.

针对无向属性网络,

对网络拓扑信息建模的同时对节点属性进行建模,

提出一种度修正的属性网络广义随机块模型DCGSB

(degree

corrected

general

stochastic

block

model).

在该模型中,

假设网络拓扑信息和属性信息的生成过程都服从幂函数形式

的分布,

并且引入节点的度来刻画网络的无标度特性,

可以更好地拟合真实网络的生成.

利用期望最大化算法对

DCGSB模型的参数进行估计,

通过硬划分处理,

得到节点隶属度,

进而完成社团检测.

在3个含有不同结构的真实

属性网络数据集上进行实验,

并与10种社团检测算法进行对比,

结果表明DCGSB模型不仅继承了GSB模型的优

点,

能发现广义社团,

而且由于属性信息和节点度的引入,

使其社团检测能力优于其他10种比较算法.

关键词:

随机块模型;

节点度;

属性网络;

社团检测

中图法分类号:

TP311

中文引用格式:

王笑,

戴芳,

郭文艳,

王军锋.

面向属性网络社团检测的度修正广义随机块模型.

软件学报,

2025,

36(5):

2308–2320.

/1000-9825/7197.htm

英文引用格式:

Wang

X,

Dai

F,

Guo

WY,

Wang

JF.

Degree

Corrected

General

Stochastic

Block

Model

for

Community

Detection

in

Attributed

Network.

Ruan

Jian

Xue

Bao/Journal

of

Software,

2025,

36(5):

2308–2320

(in

Chinese).

/1000-9825/

7197.htm

DegreeCorrectedGeneralStochasticBlockModelforCommunityDetectioninAttributedNetwork

WANG

Xiao,

DAI

Fang,

GUO

Wen-Yan,

WANG

Jun-Feng

(School

of

Science,

Xi’an

University

of

Technology,

Xi’an

710054,

China)

Abstract:

Stochastic

block

models

can

fit

the

generation

of

various

networks,

mining

implicit

structures

and

potential

connections

within

these

networks.

Thus,

they

have

significant

advantages

in

community

detection.

General

stochastic

block

(GSB)

models

discover

general

communities

based

on

li