2.845

2023影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于随机网络集成模型的广义网络社区挖掘算法

杨博 刘杰 刘大有

杨博, 刘杰, 刘大有. 基于随机网络集成模型的广义网络社区挖掘算法. 自动化学报, 2012, 38(5): 812-822. doi: 10.3724/SP.J.1004.2012.00812
引用本文: 杨博, 刘杰, 刘大有. 基于随机网络集成模型的广义网络社区挖掘算法. 自动化学报, 2012, 38(5): 812-822. doi: 10.3724/SP.J.1004.2012.00812
YANG Bo, LIU Jie, LIU Da-You. A Random Network Ensemble Model Based Generalized Network Community Mining Algorithm. ACTA AUTOMATICA SINICA, 2012, 38(5): 812-822. doi: 10.3724/SP.J.1004.2012.00812
Citation: YANG Bo, LIU Jie, LIU Da-You. A Random Network Ensemble Model Based Generalized Network Community Mining Algorithm. ACTA AUTOMATICA SINICA, 2012, 38(5): 812-822. doi: 10.3724/SP.J.1004.2012.00812

基于随机网络集成模型的广义网络社区挖掘算法

doi: 10.3724/SP.J.1004.2012.00812
详细信息
    通讯作者:

    刘大有, 吉林大学计算机科学与技术学院教授. 主要研究方向为知识工程, 专家系统与不确定性推理, 时空推理, 分布式人工智能, 多Agent 和移动Agent 系统, 数据挖掘与多关系数据挖掘, 数据结构与计算机算法.

A Random Network Ensemble Model Based Generalized Network Community Mining Algorithm

  • 摘要: 根据结点的属性和链接关系,现实世界中的复杂网络大多可分为同配网络和异配网络,社区结构在这两类网络中均普遍存在. 准确地挖掘出两种不同类型网络的社区结构具有重要的理论意义和广泛的应用领域.由于待处理的网络类型通常未知, 因而难以事先确定应当选择何种类型的网络社区挖掘算法才能获得有意义的社区结构. 针对该问题, 本文提出了广义网络社区概念,力图将同配和异配网络社区结构统一起来. 本文提出了随机网络集成模型, 进而提出了广义网络社区挖掘算法G-NCMA. 实验结果表明: 该算法能够在网络类型未知的前提下准确地挖掘出有意义的社区结构, 并能分析出所得社区的类型特征.
  • [1] Girvan M, Newman M E J. Community structure in social and biological networks. Proceedings of the National Academy of Sciences of the United States of America, 2002, 99(12): 7821-7826[2] Guimerá R, Amaral L A N. Functional cartography of complex metabolic networks. Nature, 2005, 433(7028): 895-900[3] Mucha P J, Richardson T, Macon K, Porter M A, Onnela J P. Community structure in time-dependent, multiscale, and multiplex networks. Science, 2010, 328(5980): 876-878[4] Newman M E J. Fast algorithm for detecting community structure in networks. Physical Review E, 2004, 69(6): 066133[5] Jin Di, Liu Jie, Yang Bo, He Dong-Xiao, Liu Da-You. Genetic algorithm with local search for community detection in large-scale complex networks. Acta Automatica Sinica, 2011, 37(7): 873-882 (金弟, 刘杰, 杨博, 何东晓, 刘大有. 局部搜索与遗传算法结合的大规模复杂网络社区探测. 自动化学报, 2011, 37(7): 873-882)[6] Yang B, Liu J M, Feng J F. On the spectral characterization and scalable mining of network communities. IEEE Transactions on Knowledge and Data Engineering, 2012, 24(2): 326-337[7] Ahn Y Y, Bagrow J P, Lehmann S. Link communities reveal multiscale complexity in networks. Nature, 2010, 466(7307): 761-764[8] Yang T B, Chi Y, Zhu S H, Gong Y H, Jin R. Detecting communities and their evolutions in dynamic social networks — a Bayesian approach. Machine Learning, 2011, 82(2): 157-189[9] Newman M E J. Mixing patterns in networks. Physical Review E, 2003, 67(2): 026126[10] Newman M E J. Finding community structure in networks using the eigenvectors of matrices. Physical Review E, 2006, 74(3): 036104[11] Rosvall M, Bergstrom C T. An information-theoretic framework for resolving community structure in complex networks. Proceedings of the National Academy of Sciences of the United States of America, 2007, 104(18): 7327-7331[12] Newman M E J, Leicht E A. Mixture models and exploratory analysis in networks. Proceedings of the National Academy of Sciences of the United States of America, 2007, 104(23): 9564-9569
  • 加载中
计量
  • 文章访问数:  2271
  • HTML全文浏览量:  108
  • PDF下载量:  1158
  • 被引次数: 0
出版历程
  • 收稿日期:  2010-12-21
  • 修回日期:  2011-12-19
  • 刊出日期:  2012-05-20

目录

    /

    返回文章
    返回