基于距离相似度的复杂网络社区挖掘方法

论文摘要

复杂网络社区挖掘是当前数据挖掘领域的研究热点。有效挖掘出复杂网络中的社区结构具有重要的理论研究意义和广泛的应用前景。目前已存在多种关于社区挖掘算法和社区性质的研究,但还未见深入讨论结点间距离与全局社区结构内在联系的工作。针对该问题,本文深入研究了它们之间的内在联系,并据此提出两个有效的网络社区挖掘算法。本文工作是在国家自然科学基金项目“基于马尔科夫链亚稳性的复杂网络簇结构识别理论及新方法研究(60873149)”背景下开展的,具体工作包含以下三个方面：(1)深入研究了网络中结点间距离与全局网络社区结构之间的内在联系,进而提出了基于距离相似度的网络社区层次结构挖掘算法；(2)研究了结点间距离与网络社区功能含义的内在联系,进而提出了基于距离相似度的复杂网络社区含义识别算法；(3)选择不同种类的基准网络,设计实验,对以上算法的性能进行了严格测试和细致分析。实验结果表明：针对被测试的实验网络,文中提出的算法能够准确挖掘出隐藏在实验网络中的全部社区及其所构成的层次结构,并能识别出各社区的具体含义。

论文目录

• 提要
• 摘要
• Abstract
• 第1章 绪论
• 1.1 复杂网络的研究背景及意义
• 1.2 复杂网络社区结构的研究现状
• 1.3 本文的研究内容和结构
• 第2章 复杂网络社区识别算法
• 2.1 K-L算法
• 2.2 谱二分法
• 2.3 HITS算法
• 2.4 GN算法
• 2.5 改进的GN算法
• 2.6 WH算法
• 2.7 FN算法
• 2.8 GA算法
• 2.9 FEC算法
• 2.10 本章小结
• 第3章 基于距离的复杂网络社区识别方法
• 3.1 算法基本思想
• 3.2 算法描述
• 3.2.1 社区近似划分算法DSA-A
• 3.2.2 社区划分求精算法DSA-R
• 3.2.3 网络社区层次结构构建算法DSA
• 3.2.4 时间复杂性分析
• 3.3 实验
• 3.3.1 实验数据说明
• 3.3.2 实验结果及分析
• 3.3.3 算法对比
• 3.4 本章小结
• 第4章 复杂网络社区含义识别方法
• 4.1 算法基本思想
• 4.2 算法描述
• 4.3 合理的K值确定方法
• 4.4 实验
• 4.4.1 实验数据说明
• 4.4.2 实验结果及分析
• 4.5 本章小结
• 第5章 总结与展望
• 5.1 工作总结
• 5.2 工作展望
• 参考文献
• 作者简介及在学期间所取得的科研成果
• 作者简介
• 发表论文
• 致谢