用于情报挖掘的典型网络社团划分算法比较研究

【目的】对复杂网络领域典型的社团划分算法进行全面系统的比较,为情报研究人员开展相关社团划分研究提供参考。【方法】比较几种经典社团划分算法在理论、计算方法上的异同并展示其在小型的经典数据集上的划分结果;扩大研究数据集,选取适用数据规模范围较广的Louvain算法、Louvain多级细分算法及SLM算法,进一步验证其在合作网络与引文网络上的划分效果。【结果】在小型数据上,GN算法与FN算法的划分结果类似,SLM算法的划分效果优于Louvain算法及其多级细分算法。在图书情报领域通常涉及的数以千计的机构合作网络、引文网络而言,分辨率设定值为0.5左右即可获得较利于解析的社团划分结果,此时SLM算法获得的社团划分结果与Louvain及其多级细分算法存在相对较大的差异,后两者的社团划分结果基本相近,当分辨率设定为1.0时,二者社团划分结果的差异性逐步显著。【局限】尽管Louvain算法、Louvain多级细分算法及SLM算法仍然适用于大型网络的社团划分,但本文仅对数千个节点的中型网络开展比较研究,并未涉及大规模数据网络的划分比较。【结论】Louvain算法、Louvain多级细分算法及SLM算法在时间效率上均优于早期的GN算法与FN算法,且针对中小型数据集的划分效果也较好。其中,SLM算法在引文网络上的社团划分效果优于Louvain算法及其多级细分算法。