李慧 许英

摘 要：复杂网络中社区结构的发现是数据挖掘领域的研究热点，也是进一步发现社区关系知识的前提。根据网络的系统局部信息和全局信息，计算通过网络系统节点之间的贴近度矩阵，并将网络节点可以按照贴近度和模块度指标划分为两个不同的簇。在四个实际网络数据集以及计算机生成网络的实验结果表明，该算法相比Newman、GN等[1]算法具有更高的准确率。

关键词：复杂网络;节点贴近度;簇划分;簇结构

中图分类号：N94;TP393  文献标识码：A  文章编号：1673-260X（2021）06-0023-05

引言

在不同的域中，许多类型的数据可以用网络来表示，其中节点代表个体，节点之间的边代表个体之间的关系。在社会网络中，信息的传递、人与人之间的交流以及蛋白质结构的作用可以帮助我们通过将这些问题构建复杂的网络来分析。因此，复杂网络起着重要的作用，而社区划分是研究复杂网络结构和功能特征的最基础的工作。多年来对于复杂网路的簇划分进行了广泛的研究，如GN（Girvan-Newman）算法[1]、谱划分算法[2]、层次聚类算法[3]、标签传播算法（Label Propagation Algorithm，LPA）[4，5]、密度分值聚类算法[6]等。GN算法的基本理论思想是从网络中删除信息中介度最高的边，直到没有边，每个时间节点是一个国家独立的簇。谱方法是基于图的Pierre-Simon Laplace矩阵，标签传播算法是一种适用于大规模复杂网络的线性社区划分方法，使用不同的标签来识别不同的社区;文献中的密度峰值算法结合了Jaccard指数和最短路径信息，形成复合贴近度[6]。然后，通过改进的密度峰值模型计算每个节点的密度和最小距离，并在关键节点列表中选择密度最高、距离最短的节点。……