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
韩忠明,刘雯,李梦琪,郑晨烨,谭旭升,段大高.基于节点向量表达的复杂网络社团划分算法.软件学报,2019,30(4):1045-1061
基于节点向量表达的复杂网络社团划分算法
Community Detection Algorithm Based on Node Embedding Vector Representation
投稿时间:2016-10-09  修订日期:2017-06-09
DOI:10.13328/j.cnki.jos.005387
中文关键词:  复杂网络  社团结构  核心节点  结构关系强度
英文关键词:complex network  community detection  key node  structural strength
基金项目:国家自然科学基金(61170112,61532006);北京市自然科学基金(4172016,KZ201410011014)
作者单位E-mail
韩忠明 北京工商大学 计算机与信息工程学院, 北京 100048
食品安全大数据技术北京市重点实验室, 北京 100048 
hanzm@th.btbu.edu.cn 
刘雯 北京工商大学 计算机与信息工程学院, 北京 100048  
李梦琪 北京工商大学 计算机与信息工程学院, 北京 100048  
郑晨烨 北京工商大学 计算机与信息工程学院, 北京 100048  
谭旭升 北京工商大学 计算机与信息工程学院, 北京 100048  
段大高 北京工商大学 计算机与信息工程学院, 北京 100048  
摘要点击次数: 1166
全文下载次数: 2297
中文摘要:
      社团结构划分对复杂网络研究在理论和实践上都非常重要.借鉴分布式词向量理论,提出一种基于节点向量表达的复杂网络社团划分方法(CDNEV).为了构建网络节点的分布式向量,提出启发式随机游走模型.利用节点启发式随机游走得到的节点序列作为上下文,采用SkipGram模型学习节点的分布式向量.选择局部度中心节点作为K-Means算法的聚类中心点,然后用K-Means算法进行聚类,最终得到社团结构.在真实和模拟两种网络上做了丰富的实验,与主流的全局社团划分算法和局部社团划分算法作了比较.在真实网络上CDNEV算法的F1指标比其他算法平均提高19%;在模拟网络上,F1指标则可以提高15%.实验结果表明,相对其他算法,CDNEV算法的精度和效率都较高.
英文摘要:
      Community detection is very important in theoretical and practical for complex research. According to the principle of distributed word vector, a community detection algorithm based on node embedding vector (CDNEV) is proposed in this study. In order to construct the distributed vector of network nodes, a heuristic random walk model is put forward. The node sequence obtained by the heuristic random walk model is used as the context for nodes, and the distributed vector of nodes is learned by SkipGram model. Based on the distributed vector of nodes that are selected from the local node as the center of the K-Means clustering algorithm center, all nodes in a network are clustered with K-Means algorithm, and the community structure are conclude by clustering result. Based on real complex networks and artificial networks used in other state-of-the-art algorithms, comprehensive experiments are conducted. For comparison purpose, typical community detection algorithms are selected to be evaluated. On real networks, the F1 value of CDNEV algorithm is increased 19% on average. The F1 value can be increased by 15% on artificial networks. Experimental results demonstrate that both accuracy and efficiency of CDNEV algorithm outperform other state-of-the-art algorithms.
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