正则化度修正随机块模型的演化网络社团发现

摘要

目前大多数用于社团发现问题的模型只适用于静态网络而忽视了时序信息,因此,无法较好地建模真实世界数据.针对该问题,提出一种基于度修正随机块模型的演化社团发现模型.根据演化聚类框架的原理,基于社团隶属矩阵将一个正则项引入到度修正随机块模型的目标函数中.利用网络交叉验证方法进行模型选择,处理社团个数随时间变化的演化网络,从而克服由于假定社团个数为常量而导致的与真实世界数据不相符合的问题.实验结果表明,与经典的动态随机块模型和FacetNet相比,该模型具有较高的准确性和较低的误差率.