基于動力學的符號網絡社區(qū)檢測.pdf

1、隨著人類社會的不斷發(fā)展,復雜網絡理論知識越來越廣泛的應用到社會的各個領域。在復雜網絡研究中,網絡拓撲學拓展了人們對復雜系統(tǒng)的認識,而網絡動力學則更深入地刻畫了復雜系統(tǒng)的本質。
　　本文在對社區(qū)檢測算法進行廣泛研究的基礎上,從網絡動力學的角度提出一種符號網絡社區(qū)檢測方法。該方法使用改進的Kuramoto模型,基于振蕩器相位同步原理,通過微分方程的并行處理方式使節(jié)點相位快速進行更新并達到同步,根據(jù)各個節(jié)點穩(wěn)定時的相位,可快速有效地檢測

2、出符號網絡的各個社區(qū)和社區(qū)間的重疊節(jié)點。同時,基于網絡中節(jié)點相位的動力學演化結果,我們提出了一種新的鏈路預測方法,并通過實驗與傳統(tǒng)算法進行了對比?，F(xiàn)將全文的內容總結如下:
　　(1)符號網絡的振蕩器相位同步。本章中提出了改進了的 Kuramoto模型,引入了負耦合強度,根據(jù)符號網絡社區(qū)內部節(jié)點正向鏈接稠密,鄰接矩陣中對應元素多數(shù)為1,作用的正耦合系數(shù)較多,優(yōu)先使社區(qū)內部的節(jié)點的相位趨于同步;而不同社區(qū)之間節(jié)點負向鏈接稠密,鄰接矩陣

3、中對應元素多數(shù)為-1,作用的負耦合系數(shù)較多,使不同社區(qū)的節(jié)點相位相互遠離。這樣就使得符號網絡中同一個社區(qū)內的節(jié)點的相位聚集,形成一個同步組,而不同社區(qū)間的節(jié)點的相位分離。通過這種網絡動力學行為,符號網絡節(jié)點的相位會被分為幾個不同的同步簇。
　　(2)基于網絡動力學的符號網絡社區(qū)檢測。第一,根據(jù)上一章的推斷,利用了振蕩器的相位同步原理,符號網絡最終會形成幾個同步簇,每個同步簇即是符號網絡的一個社區(qū),符號網絡通過這種聚類機制最終會被劃

4、分為幾個社區(qū)。為了驗證我們提出的方法的可行性與準確性,我們對幾個有代表性的符號網絡進行實驗,最終證明此方法是一種高效,準確的方法。第二,提出了針對加權符號網絡社區(qū)檢測模型,并對典型的加權符號網絡進行實驗,驗證了方法的可行性和有效性。第三,將基于網絡動力學的符號網絡社區(qū)檢測方法與FEC算法在計算機產生網絡中進行了對比,得出我們算法的檢測效果是優(yōu)于FEC算法的,然后總結了算法的正負耦合系數(shù)對符號網絡社區(qū)檢測效果的影響。
　　(3)基于