重叠社区

摘要： 针对标签传播算法稳定性不足、准确性较差的问题,提出了融合K-shell和标签熵的标签传播重叠社区发现算法OCKELP。首先,采用K-shell算法减少了标签初始化时间,并利用标签熵的更新序列提高了算法的稳定性;其次,引入综合影响力进行标签选择,并将社区层次信息和节点局部信息融合提高了算法的准确性。在真实网络数据集上,OCKELP相较于重叠社区发现算法(COPRA)、基于多核心标签传播的重叠社区识别方法(OMKLP)、SLPA的模块度最大提升分别约68.64%、53.99%、42.29%,在人工网络数据集的归一化互信息(NMI)值上,OCKELP相较于其他三种算法也有着明显优势,且随着重叠节点隶属社区数量的增加可以挖掘出社区的真实结构。

摘要： 基于标签传播的思想,提出一种新的重叠社区检测算法SLPA-TD(Speaker-listener Label Propagation Algorithm-Time Decay),针对现有标签传播算法更新标签的随机性造成的结果不稳定问题,引入节点的影响力排序;设计一种新的标签传播的Speaker-Listener规则,引入衰减因子λ表示历史标签影响随时间衰减的程度,综合节点属性和邻域结构信息进行标签选择,提高社区检测的准确性。分别在基准网络和真实数据集上进行实验,结果表明该算法有效提高了检测结果的稳定性和准确性。

摘要： 重叠社区发现是复杂网络挖掘中的重要基础工作,可以应用于社交网络、通讯网络、蛋白质相互作用网络、代谢路径网络、交通网络等多种网络的数据分析,从而服务智慧交通、传染病防治、舆情分析、新药研制和人力资源管理等领域。传统的单机运算架构已经难以满足各类大规模复杂网络的分析和计算要求。人工智能领域的研究人员提出将社区发现应用到网络表示学习领域,以丰富网络中节点和边的特征,但传统的重叠社区发现算法在设计时未能考虑来自网络表示学习任务的相关要求,只重点关注节点的社区划分,缺乏对社区内部结构和外部边界的考虑,例如没有涉及节点在社区内部的权重和属于多个社区的归属度排序等,因而不能提供网络中节点和社区更丰富的特征信息,导致对网络表示学习任务支持不足。针对传统单机重叠社区发现算法已经不适用于大规模复杂网络挖掘,以及不能满足网络表示学习任务的相关要求等问题,提出一种基于社区森林模型的分布式重叠社区发现算法(distributed community forest model,简称DCFM算法)。首先,将网络数据集存储到分布式文件系统,将数据分块,使用分布式计算框架在每个数据分块上执行CFM算法;然后,执行社区合并;最后,汇总社区划分结果,使用真实的DBLP数据集将算法运行于Spark集群上,采用F均值和运行时间对算法进行评估。结果表明,DCFM算法的F均值稍逊于CFM算法,但其运算时间随着节点的增加接近线性下降,在牺牲小部分F均值的同时,DCFM算法具备处理大规模网络数据的能力;分割份数对计算时间的影响很大,在com-dblp.ungraph.txt数据集上,CFM算法处理数据需要192 min,而DCFM算法在将数据分成6份时,需要约91 min,分成100份后仅需要约13 min。因此,在大数据平台上采用分布式计算骨干度,从而进行社区划分、合并的DCFM算法是一种可行的大规模复杂网络挖掘方法,通过分割网络,可以大幅加快社区划分速度,提高社区发现效率。

摘要： 针对目前重叠社区发现算法时间复杂度较高、社区发现稳定性较差的问题,基于标签传播和COPRA方法,提出一种基于三级邻居节点影响力分析的重叠社区发现算法OCDITN。使用三级邻居节点影响力度量方法TIM(three-level influence measurement)计算节点间的影响力,根据节点影响力确定选择更新节点的顺序;在节点标签更新策略中,根据计算节点与其邻居之间的相似度确定邻居节点标签的更新顺序,计算各节点标签隶属度,发现重叠社区。实验分别基于人工模拟网络数据集和真实世界网络数据集进行测试,与SLPA、LPANNI、COPRA算法相比,该算法在EQ和Qvo两个评价标准上性能分别提升7%和12%,社区划分结果更稳定,社区划分质量更高。

摘要： 针对社会网络环境下,决策者的偏好表达为概率语言信息的多属性大群体决策问题,提出一种新的、基于群体一致性的概率语言多属性大群体决策方法。首先,针对现实决策中存在决策者隶属于多个社区集群参与决策的情况,提出社区子模块隶属度的概念并对其进行预处理;其次,通过改进Louvain社区探测算法对群体决策者进行聚类分析;然后,将最大共识序列挖掘算法拓展至概率语言多属性群决策领域,提出一种基于群体一致性的共识测度方法及共识达成模型;最后,通过算例验证本文方法的有效性,并进行对比分析说明本文方法的合理性及优势。

摘要： 针对多目标五行环优化的重叠社区发现算法社区发现质量不高的缺陷,提出一种改进的启发式算法,在原算法的基础上采用新的个体表达方式和解码方式来提高进化效率,改用部分匹配交叉算子和基本位变异算子以保证种群的多样性。实验结果表明,在人工合成网络和真实社会网络上,改进算法的社区发现质量要明显好于原算法,与其它不同的重叠社区发现算法相比,该算法也能够得到结构强度和准确率较好的重叠社区划分,验证了改进算法的有效性。

摘要： 为了提高在大规模网络中发现社区的效率,提出一种基于流式分析的大规模网络重叠社区发现算法(Streaming-based Overlapping Community Detection algorithm,SOCD).算法对网络中的边进行流式处理,每次只处理一条边且每条边仅被处理一次.根据节点的度、节点对社区的贡献度以及节点移动前后社区间连边数量的变化等信息对节点进行划分.在人工合成网络和真实大规模网络上的一系列实验表明,SOCD算法在时间消耗和内存占用上具有较大的优势,比传统方法快10倍以上,且具有较强的鲁棒性,能够在线性时间和空间复杂度下高效、准确地挖掘网络中的重叠社区结构.

摘要： 针对目前推荐系统存在的数据稀疏和冷启动等问题,提出了一种融合重叠社区正则化及隐式反馈的协同过滤方法(OCRIF),该方法不仅考虑了用户在社交网络中的社区结构,而且将用户评分信息与社交信息的隐式反馈融入推荐模型之中.此外,由于网络表示学习可以有效学习节点在社交网络的全局结构上的近邻信息,提出了一种网络表示学习增强的OCRIF(OCRIF+),该方法结合社交网络中用户在网络中的低维表示与用户-商品特征,能更有效地刻画用户之间的相似度及用户对兴趣社区的归属度.多个真实数据集上的实验结果显示:所提出的方法的推荐效果优于同类方法,与TrustSVD方法相比,在FilmTrust、DouBan以及Ciao数据集上,该方法的均方根误差(RMSE)分别下降了2.74％、2.55％以及1.83％,平均绝对误差(MAE)分别下降了3.47％、2.97％以及2.40％.

摘要： 传统的重叠社区发现算法SLPA虽然具有时间复杂度和性能上的优势,但标签传播算法内在的随机策略使得算法结果并不稳定.针对SLPA的缺点,提出一种高效稳定的重叠社区发现算法L-SLPA.先对网络进行非重叠划分,减少不同标签分配的数量,同时加入边界节点的考虑进行剪枝,以提高运行速度.实验结果表明,相比于SLPA,该算法在降低运行时间和随机性的同时保证了结果的准确性.

摘要： 针对传统社区划分算法忽略现实世界网络特征导致社区划分准确率低的问题,提出了一种基于节点从属度的加权网络重叠社区划分算法.该算法提出加权网络模型,通过模型得到了能刻画出真实网络结构的加权网络;通过网络拓扑结构定义了核心社区,核心社区对社区划分的准确性有着重要作用.该算法计算节点与核心社区间的从属度,并与从属度阈值进行比较进行核心社区扩展,根据扩展模块度优化思想,通过不断地调整从属度阈值直到获得最优的社区结构,完成重叠社区划分.在人工网络数据集和真实世界网络数据集上与已有算法进行实验对比,实验结果验证了所提算法能够准确、有效地检测出重叠社区.

摘要： 文章对基于社区隶属模型AGM的重叠社区发现算法的特点及机理进行了分析,针对算法在求解过程中存在的易陷入局部最优的问题加以改进.在原有的MCMC采样方法上引入模拟回火(ST)策略和补充搜索过程,实现了待求参数的快速更新并且逐渐逼近理想中的全局最优解.在四种网络中的实验表明,改进之后的算法结果比原算法均有所提高,其中在平均聚类系数较高的DBLP科学合著网络中的实验效果提升了14％.改进之后的算法能够提高采样效率,从而提高社区发现的精确性和可靠性.

摘要： 重叠社区发现研究是当前图挖掘领域的前沿热点.基于结构适应度的局部扩张方法是其中一类可同时探测社区重叠和层次结构的方法.该文首先提出了基于邻域粗糙化的社区局部扩张方法,然后给出了一种反映社区内在结构特征的稳定性度量.针对局部扩张方法计算冗余和社区漂移等不足,采用一种新的种子社区启发策略来降低复杂计算和提高探测能力.在结构适应度最大化的条件下,以极大度节点的团作为种子社区进行局部扩张,通过社区稳定度度量对近邻重复社区进行合并,生成自然重叠的社区.在真实网络上的实验结果表明邻域粗糙化的方法可以有效地发现重叠社区,并具有很好的扩展性.

摘要： 本发明公开了基于两阶段策略的非重叠与重叠网络社区检测方法，克服了现有技术中无法多分辨分析重叠网络社区结构的问题。其实现步骤为：(1)载入网络数据；(2)初始化网络社区种群；(3)划分网络社区种群；(4)组建网络社区团队；(5)检测候选网络社区划分；(6)更新网络社区种群；(7)检测局部网络社区；(8)更新网络社区种群；(9)判断是否终止迭代；(10)输出非重叠网络社区划分；(11)检测重叠网络社区节点；(12)输出重叠网络社区划分结果。本发明引入模块密度函数及隶属度函数，使得本发明能多分辨分析网络结构，并检测不同重叠程度的重叠网络社区。

摘要： 本发明公开了基于两阶段策略的非重叠与重叠网络社区检测方法，克服了现有技术中无法多分辨分析重叠网络社区结构的问题。其实现步骤为：(1)载入网络数据；(2)初始化网络社区种群；(3)划分网络社区种群；(4)组建网络社区团队；(5)检测候选网络社区划分；(6)更新网络社区种群；(7)检测局部网络社区；(8)更新网络社区种群；(9)判断是否终止迭代；(10)输出非重叠网络社区划分；(11)检测重叠网络社区节点；(12)输出重叠网络社区划分结果。本发明引入模块密度函数及隶属度函数，使得本发明能多分辨分析网络结构，并检测不同重叠程度的重叠网络社区。

摘要： 本发明涉及一种基于重叠社区的社区检测方法、终端设备及存储介质，该方法中包括：S1：构建高阶信息检测模型，通过高阶信息检测模型获取待检测信息的复杂网络的重加权网络；S2：根据重加权网络，计算重加权网络中每个节点包含的社区和每个社区对应的社区分数权重，并计算每个节点的自身权重；S3：根据每个节点包含的各社区的重叠度对该节点的社区进行筛选，并重新计算筛选后的各社区的社区分数权重，根据筛选后的由节点包含的社区和各社区对应的社区分数权重组成的节点社区列表，得到社区分类结果。本发明能够实现标签传播重叠社区检测，具有良好的检测效果，可以高效提取复杂网络中的高阶信息，并且能够准确地给节点分配其对应的重叠社区。

摘要： 本发明公开基于K‑核迭代因子和社区隶属度的重叠社区划分方法，包括以下几个步骤：S1：读取网络数据集，生成网络结构图G并获取网络各节点的邻接信息表N

摘要： 本发明属于社交网络分析技术领域，公开了一种基于种子节点扩展重叠社区的发现方法、网络社区系统，对节点进行过滤，去除边缘须图结构，运用种子选区算法选取传导性良好的种子集；种子扩展使用PPR向量扩展，形成核心重叠社区结构；使用传播算法剔除边缘须图结构重新加入核心重叠社区。本发明可用于大型社交网络的朋友推荐，商品推荐和广告投放；针对大型社交网络的特点，结合边缘须图过滤，种子集选取，种子扩展以及最后的传播算法实现了大型社交网络重叠社区发现的良好效果。

摘要： 本发明涉及基于密度峰值与社区归属度的重叠社区发现方法，包括以下步骤：步骤S1：读取网络数据集，生成网络图

摘要： 本发明公开了一种复杂网络重叠社区结构检测方法及系统，将复杂网络划分为一系列相互重叠的子网络；基于划分的一系列相互重叠的子网络，为复杂网络中的每个节点发现对应的1‑步邻居部分社区结构；依据发现的1‑步邻居部分社区结构，识别出重叠节点，利用重叠节点对复杂网络进行重构，得到具有非重叠社区结构的重构网络；在得到的重构网络上应用非重叠社区结构检测方法发现非重叠社区结构，并应用优化方法对非重叠社区结构进行优化，依据重叠节点信息进行修正获得重叠社区结构，完成重叠社区结构检测。本发明降低了检测的计算代价，并获得更高质量的重叠社区结构。

摘要： 本申请提供了一种基于人工智能的重叠社区识别方法、装置、电子设备、计算机可读存储介质及计算机程序产品；涉及人工智能技术；方法包括：获取包括多个对象节点的异构图；对异构图中的对象节点进行节点级注意力处理，得到对象节点的节点级嵌入特征；基于对象节点的节点级嵌入特征，对对象节点进行语义级注意力处理，得到对象节点的语义级嵌入特征；基于对象节点的语义级嵌入特征，对异构图进行分类处理，得到异构图的多个局部社区；对多个局部社区进行聚类处理，得到异构图的重叠社区，其中，重叠社区包括同时属于多个局部社区的对象节点。通过本申请，能够提高重叠社区识别的准确性。

摘要： 本发明涉及大数据挖掘技术领域，公开了一种基于节点综合影响力的标签传播重叠社区发现方法，根据节点的拓扑信息:度、三角形数和局部平均度计算网络中节点重要性LI；依据节点及其邻居的相似度Sim及节点亲密度NI计算节点相似性影响力SI；根据节点重要性LI和相似性影响力SI计算节点综合影响力CI，将所有节点按节点重要性LI排序，并为每个节点初始化一个唯一标签和主标签，保留满足阈值的标签并归一化；检查所有标签并删除不满足节点个数阈值的标签并保留这些标签中的节点，再次计算隶属系数并重新分配社区。本发明采用异步更新节点的标签，结束条件是两次主标签不变或达到了最大迭代值，能够高效及准确的发现复杂网络中的重叠节点和社区结构。

摘要： 本发明公开的一种基于密度峰值的自适应重叠社区发现方法，包括如下步骤：S1、基于节点网络的邻接矩阵计算各节点之间的边链接强度和点链接强度；S2、构造节点网络的距离矩阵，并基于距离矩阵计算每个节点的局部密度ρ和最短距离δ；S3、通过节点的局部密度ρ和最短距离δ自适应选取网络中的社区中心；S4、基于剩余节点的概率向量将剩余节点分配到至少一个社区中心对应的社区，根据分配后的社区集合确定重叠社区。本发明提供的基于密度峰值的自适应重叠社区发现方法复杂度低，对重叠社区发现的效果较好，并对大规模复杂网络进行划分的结果更好。