基于局部模塊度的動態(tài)社團檢測算法.pdf

1、隨時間緩慢變化的復雜系統(tǒng)可以建模為抽象的動態(tài)網絡。由于動態(tài)網絡在社會學、生物信息學、物理、計算機等研究領域有廣泛應用，越來越受到科研工作者的重視。近幾年動態(tài)網絡成為科研熱門領域，具有實際意義的動態(tài)社團結構是動態(tài)網絡中普遍而又重要的特征。
　　當前動態(tài)社團檢測算法仍主要基于靜態(tài)檢測方法的相關理論基礎?；跇O大化Q函數的動態(tài)社團檢測算法存在分辨率問題，即為了獲得更優(yōu)的模塊度值小社團常被合并為大社團。另一方面，很多動態(tài)社團檢測算法需要設

2、置多個參數或閾值，這就要求對網絡有一定的先驗知識或需要借助Q函數對結果進行判定。而且，已有的動態(tài)社團檢測算法不能識別出如社團間的重疊結構等重要拓撲特征。為解決上述問題，本文提出了一種基于進化聚類和局部模塊度的重疊結構動態(tài)社團檢測算法?；诰植磕K度的社團檢測方法，將整個網絡的社團檢測問題轉化為自底向上的凝聚問題，能適應網絡中規(guī)模不等、密度不均的社團結構。通過統(tǒng)計節(jié)點隨機游走行為特征，增強無權網絡的分辨率，并使用進化聚類框架下的時序開銷嵌

3、入技術來平衡當前社團的拓撲特征與歷史信息，從而檢測出社團演化的動態(tài)規(guī)律。該算法僅在進化聚類過程中對平衡因子進行設置，無需領域先驗知識。
　　本文使用真實網絡數據對該動態(tài)網絡社團檢測算法進行評估，包括Drosophila melanogaster數據集和科學家合作網絡（DBLP）數據集。實驗結果表明，基于進化聚類框架和局部模塊度的動態(tài)社團檢測算法與基于進化和局部優(yōu)先的算法相比，擴展模塊性指標提高了15％，顯著提高了Drosophil