基于点距离和密度峰值聚类的社区发现方法

被引：39

作者：

黄岚 ^{[1
,2
]}

李玉 ^{[1
,2
]}

王贵参 ^{[1
,2
]}

王岩 ^{[1
,2
]}

机构：

[1] 吉林大学计算机科学与技术学院

[2] 吉林大学符号计算与知识工程教育部重点实验室

来源：

吉林大学学报(工学版) | 2016年 / 46卷 / 06期

关键词：

计算机应用; 社区发现; 节点距离; 密度峰值聚类; 复杂网络;

D O I：

暂无

中图分类号：

O157.5 [图论];

学科分类号：

070101 [基础数学];

摘要：

在复杂网络中节点相似度度量以及密度峰值聚类算法的基础上,提出了一种基于点距离和密度峰值聚类的社区发现方法。首先,提出了基于节点相似度和节点间最短距离的节点距离度量。然后,应用密度峰值聚类方法探究网络中的社区结构,密度峰值聚类算法不仅能够检测出各个社区中心并进行相应的社区扩展,而且能够避免参数选择过程。最后,通过与经典算法在真实数据集和人工合成数据集上的比较实验,充分验证了本文方法的可行性和有效性。

引用

页码：2042 / 2051

页数：10

共 7 条

[1]

Advanced modularity-specialized label propagation algorithm for detecting communities in networks.[J].X. Liu;T. Murata.Physica A: Statistical Mechanics and its Applications.2009, 7

[2]

Detecting the overlapping and hierarchical community structure in complex networks.[J].Andrea Lancichinetti;Santo Fortunato;János Kertész.New Journal of Physics.2009, 3

[3]

The bottlenose dolphin community of Doubtful Sound features a large proportion of long-lasting associations.[J].David Lusseau;Karsten Schneider;Oliver J. Boisseau;Patti Haase;Elisabeth Slooten;Steve M. Dawson.Behavioral Ecology and Sociobiology.2003, 4

[4]

An Information Flow Model for Conflict and Fission in Small Groups.[J].Wayne W. Zachary.Journal of Anthropological Research.1977, 4

[5]

基于粒子群优化与模糊聚类的社区发现算法 [J].