网络社团挖掘算法

摘要

针对K平均( K-means)、期望最大化( EM)等传统聚类算法在网络社团挖掘中存在的聚类结果不合理、容易陷入局部最小值等问题，以最小化社团间的连接权值为优化目标，基于节点间交互次数归一化结果建立节点间的相似矩阵，求出此矩阵对应的拉普拉斯矩阵，以拉普拉斯矩阵的前k个最小特征值对应的特征向量为基建立新的特征空间，将相似矩阵向新的特征空间做投影，在投影后的特征空间中运用K-means算法进行社团挖掘，实现目标函数的最小化。通过仿真实验对比，说明了该基于拉普拉斯矩阵的聚类方法( LMBC)比传统聚类方法更有效地解决聚类节点分布不均衡的问题，及非凸、高维数据集在保持原有几何结构的同时有效降维的问题。 LMBC从数据集相似矩阵的角度进行聚类分析，进一步丰富了流形学习的理论与方法，可广泛应用于社交网络分析及图像识别等领域。