王静红，冯 婵，柴变芳

1) 河北师范大学计算机与网络空间安全学院, 人工智能研究中心, 河北石家庄 050024；2)伊利诺伊大学香槟分校信息科学学院，厄巴纳-香槟市 61801，美国；3)河北工程技术学院人工智能与大数据学院，河北石家庄 050091；4)河北地质大学信息工程学院，河北石家庄 050031

随着大数据技术的发展，现有网络日渐成为大规模、动态性强的复杂网络[1]．互联网社交平台产生的多是此性质的网络，而在不确定的复杂网络前提下有效发现其内部结构是大数据分析的关键任务[2]．社区检测[3]是网络分析中一类流行的自动识别技术，如抑制整个网络的复杂性和发现网络中的关键节点．目前虽然已有大量的用于社区网络检测的方法，如层次聚类和分割聚类等方法，但这些方法仅用于检测链接紧密的子图．也有一些用于检测链接相对远距离子图的模型和方法，这些模型主要分为随机块模型算法[4]、变分贝叶斯推理[5]和用于网络探索的混合模型[6]．混合模型中期望最大化(expectation-maximization, EM) 算法的时间复杂度比随机块模型算法的小．王垚等[7]提出基于逆模拟退火的半监督高斯混合模型(anti-annealing semi-supervised Gaussian mixture model expectation maximization, ASGMM-EM)聚类算法，改善了半监督聚类中EM算法在计算过程中发生的局部收敛等问题．

本研究基于ASGMM-EM，采用雅可比矩阵，利用温度参数进行初始化，提出混合模型下的雅可比矩阵退火算法，以期解决网络结构局部最大值和收敛速度的问题．分别采用本研究提出的改进后的雅可比矩阵退火算法和……