基于密度峰值和网络嵌入的重叠社区发现

张一鸣(),王国胤*(),胡军,傅顺

重庆邮电大学计算智能重庆市重点实验室, 重庆 400065

收稿日期:2020-06-15出版日期:2021-01-01发布日期:2021-01-05
通讯作者:王国胤E-mail:s180201010@stu.cqupt.edu.cn;wanggy@cqupt.edu.cn
作者简介:张一鸣(1993—)，男，硕士研究生，研究方向为智能信息处理. E-mail：s180201010@stu.cqupt.edu.cn
基金资助:国家重点研发计划资助项目(2017YFC0804002);国家自然科学基金资助项目(61936001);国家自然科学基金资助项目(61772096);重庆市自然科学基金资助项目(cstc2019jcyj-cxttX0002)

Overlapping community detection based on density peaks and network embedding

Yi-ming ZHANG(),Guo-yin WANG*(),Jun HU,Shun FU

Chongqing Key Laboratory of Computational Intelligence, Chongqing University of Posts and Telecommunications, Chongqing 400065, China

Received:2020-06-15Online:2021-01-01Published:2021-01-05
Contact:Guo-yin WANG E-mail:s180201010@stu.cqupt.edu.cn;wanggy@cqupt.edu.cn

摘要/Abstract

摘要： 密度峰值是一种基于密度的聚类算法, 该算法假设类簇中心点具有较高的密度且被密度较小的节点包围。由于图结构的性质, 密度峰值无法直接适用于网络结构, 现有的基于密度峰值的社区发现算法大部分是基于图的拓扑结构或者邻接矩阵度量节点近似度, 这种方法往往引入较大的计算复杂度。文中结合网络嵌入方法通过低维向量表示网络中的节点信息, 提出了一种基于密度峰值和网络嵌入的重叠社区发现算法(overlapping community detection based on density network embedding, OCDDNE)。该算法首先通过网络嵌入获取节点的网络结构特征, 然后基于改进的密度峰值的方法对嵌入后的节点向量进行多标签聚类, 使编码后的向量之间的结构关系得到更好的揭示, 从而发现网络中的重叠社区结构。在人工网络和真实网络的验证实验表明, 该算法可以有效的挖掘网络中的重叠社区结构, 并在结构复杂度较高的网络中优于其他算法。


PDF全文下载地址:

http://lxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3396