基于拓?fù)鋭?shì)和譜聚類的社區(qū)發(fā)現(xiàn)研究.pdf

1、社區(qū)發(fā)現(xiàn)是復(fù)雜網(wǎng)絡(luò)領(lǐng)域的熱點(diǎn)研究?jī)?nèi)容。社區(qū)發(fā)現(xiàn)算法有很多種，譜聚類方法是其中一類典型的方法。與其他的傳統(tǒng)方法相比，該方法具有映射簡(jiǎn)單，數(shù)理邏輯嚴(yán)密，及適用于任何形狀的數(shù)據(jù)集等優(yōu)點(diǎn)。但是，譜聚類方法也存在一些不足。首先，需要人工確定社區(qū)數(shù)目，雖然可以利用譜間隙的梯形結(jié)構(gòu)確定社區(qū)數(shù)目，但是當(dāng)網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)不明顯時(shí)，無法通過Normal矩陣的特征向量對(duì)應(yīng)的階梯數(shù)目判斷社區(qū)個(gè)數(shù)。其次，構(gòu)建譜聚類的映射矩陣多采用節(jié)點(diǎn)度構(gòu)造，節(jié)點(diǎn)的度能夠直觀地反映節(jié)

2、點(diǎn)與鄰接節(jié)點(diǎn)間的關(guān)系，但是無法反映其與網(wǎng)絡(luò)中其他節(jié)點(diǎn)之間的聯(lián)系，無法包含更多的結(jié)構(gòu)信息，致使特征值及其相應(yīng)特征向量的計(jì)算出現(xiàn)偏差，在一定程度上影響了社區(qū)劃分結(jié)果的準(zhǔn)確性。
　　本文提出基于拓?fù)鋭?shì)場(chǎng)模型的社區(qū)數(shù)量檢測(cè)方法。該算法基于復(fù)雜網(wǎng)絡(luò)構(gòu)建拓?fù)鋭?shì)場(chǎng)，然后根據(jù)節(jié)點(diǎn)的拓?fù)鋭?shì)值計(jì)算網(wǎng)絡(luò)的凹凸性參數(shù)。該值越大，復(fù)雜網(wǎng)絡(luò)對(duì)應(yīng)拓?fù)鋭?shì)模型的波峰波谷越明顯，該值越小，復(fù)雜網(wǎng)絡(luò)所對(duì)應(yīng)拓?fù)鋭?shì)模型的起伏越平緩。本文針對(duì)上述兩種類型復(fù)雜網(wǎng)絡(luò)的特點(diǎn)分別搜

3、索局部極大勢(shì)值節(jié)點(diǎn)，并對(duì)這些節(jié)點(diǎn)進(jìn)行必要的判定和合并，最終檢測(cè)出整個(gè)復(fù)雜網(wǎng)絡(luò)的社區(qū)數(shù)目。通過對(duì)真實(shí)復(fù)雜網(wǎng)絡(luò)和人工生成的網(wǎng)絡(luò)的實(shí)驗(yàn)，表明該方法具有較高的社區(qū)數(shù)量檢測(cè)的正確率。提出融合拓?fù)鋭?shì)場(chǎng)和譜聚類的社區(qū)發(fā)現(xiàn)算法。該算法利用節(jié)點(diǎn)拓?fù)鋭?shì)值構(gòu)造譜聚類中的節(jié)點(diǎn)標(biāo)準(zhǔn)矩陣，并通過基于拓?fù)鋭?shì)場(chǎng)模型的復(fù)雜網(wǎng)絡(luò)社區(qū)數(shù)量檢測(cè)方法所獲得的局部極值點(diǎn)指導(dǎo)譜聚類進(jìn)行社區(qū)發(fā)現(xiàn)，將局部極值點(diǎn)作為K-means聚類算法的初始中心點(diǎn)，減少迭代次數(shù)，提高譜聚類算法的性能。