主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第10期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
杨贵,郑文萍,王文剑,张浩杰.一种加权稠密子图社区发现算法.软件学报,2017,28(11):3103-3114
一种加权稠密子图社区发现算法
Community Detection Algorithm Based on Weighted Dense Subgraphs
投稿时间:2017-05-14  修订日期:2017-06-16
DOI:10.13328/j.cnki.jos.005347
中文关键词:  复杂网络  社区发现  图聚类  重叠聚类  稠密子图
英文关键词:complex network  community detection  graph clustering  overlapping clustering  dense subgraph
基金项目:国家自然科学基金(61673249,61572005);山西省回国留学人员科研基金(2016-004,2017-014)
作者单位
杨贵 山西大学 计算机与信息技术学院, 山西 太原 030006 
郑文萍 山西大学 计算机与信息技术学院, 山西 太原 030006
计算智能与中文信息处理教育部重点实验室(山西大学), 山西 太原 030006 
王文剑 山西大学 计算机与信息技术学院, 山西 太原 030006
计算智能与中文信息处理教育部重点实验室(山西大学), 山西 太原 030006 
张浩杰 计算智能与中文信息处理教育部重点实验室(山西大学), 山西 太原 030006 
摘要点击次数: 1450
全文下载次数: 1360
中文摘要:
      目前,针对复杂网络的社区发现算法大多仅根据网络的拓扑结构来确定社区,然而现实复杂网络中的边可能带有表示连接紧密程度或者可信度意义的权重,这些先验信息对社区发现的准确性至关重要.针对该问题,提出了基于加权稠密子图的重叠聚类算法(overlap community detection on weighted networks,简称OCDW).首先,综合考虑网络拓扑结构及真实网络中边权重的影响,给出了一种网络中边的权重定义方法;进而给出种子节点选取方式和权重更新策略;最终得到聚类结果.OCDW算法在无权网络和加权网络都适用.通过与一些经典的社区发现算法在9个真实网络数据集上进行分析比较,结果表明算法OCDW在F度量、准确度、分离度、标准互信息、调整兰德系数、模块性及运行时间等方面均表现出较好的性能.
英文摘要:
      Most community detection algorithms in complex networks find communities based on topological structure of the network. Some important information is included in real network data, which represents data reliability or link closeness. Combined these prior information to detect communities might obtain better clustering results. An overlapping community detection on weighted networks (OCDW) is proposed in this study. Edge weight is defined by combining network topological structure and real information. Then, vertex weight is induced by edge weight. To obtain cluster, OCDW selects seed nodes according to vertex weight. After finding a cluster, edges in this cluster reduce their weights to avoid being selected as a seed node with high probability. Compared with some classical algorithms on 9 real networks including 5 unweighted networks and 4 weighted networks, OCDW shows a considerable or better performance on F-measure, accuracy, separation, NMI, ARI, modularity and time efficiency.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利