融合特征向量中心性与标签熵的标签传播算法

发布时间：2024-04-20 00:50

　　重叠社区结构挖掘旨在发现复杂网络中多个独立社区之间的重叠部分,其在社交、交通、舆情乃至反恐等领域具有广泛的应用。然而,目前基于标签传播的重叠社区挖掘算法在社区结构模糊的网络中表现出较强的随机性,导致准确度不高。针对重叠社区模糊边界导致的不确定性和低准确度问题,提出一种融合特征向量中心性与标签熵的标签传播算法ECLE-LPA。ECLE-LPA通过融合节点的K-核迭代因子与特征向量中心性来计算节点影响力并初始化节点标签,在标签传播过程中,通过节点标签熵和节点间亲密度更新节点标签列表及其标签隶属度,从而较好地克服了社区模糊边界的识别问题。实验结果表明:在Les Miserables、Polbooks、Football、Polblogs和Netscience等真实网络中,ECLE-LPA划分结果的EQ值普遍比对比算法提高了1%～3%;在社区结构模糊的人工网络中,ECLE-LPA划分结果的NMI值比其他标签传播算法提高了10%以上。

【文章页数】：11 页

【部分图文】：

图1基于K-核分解算法的图节点分层

其中,Ks(u)表示节点u的Ks值,mKs表示在计算第Ks个值时的迭代次数,nKs(u)表示在mKs次迭代中节点u是第几次迭代时被删除。式(1)第1个项代表节点Ks值,保证了不同Ks值节点的隔离性,第2个项对具有相同Ks值的节点进行进一步的细分。比如,由式(1),图1中节点2、6....

图2示例网络

首先本文以图2作为示例网络,对ECLE-LPA算法进行可视化分析。该示例网络可以人为地划分为2个重叠的社区,分别为C1=(1,2,3,4,5)和C2=(4,6,7,8,9),其中节点4为重叠节点。下面由本文算法对其进行划分。表3是对示例网络节点的δ,EC和NI计算结果,得到了根据....

图3ECLE-LPA算法在示例网络上的标签传播过程

图3展示了将本文的标签传播过程应用到示例网络中的传播过程,平滑常量ε=0.01。首先,基于降序序列(dQueue)的示例网络的标签初始化结果如图3a所示,相比于其他使用节点直接初始化每个节点标签的算法,本文的标签初始化策略能有效减少迭代过程中的冗余标签。从图3a中已经可以发现由4....

图4不同算法在规模为1000的网络(S1)上的NMI比较

由于生成的网络中,om参数取值为4,所以在COPRA算法中的每个节点所拥有的标签个数最多为maxv,maxv取固定值4。由于DLPA算法的in参数在真实网络中的取值大多数为6,可以将in取固定值6。实验发现,LPANNI算法在mu取值较大时会出现无法收敛的现象,导致出现异常值,所....

本文编号：3958627