基于邻居相似性的图嵌入社区检测算法

doi:10.15966/j.cnki.dnydx.2024.05.023

全文: PDF( KB)
输出: BibTeX | EndNote (RIS)

摘要社区检测是复杂网络中的研究热点，理解和发现网络的社区结构对于探索网络的行为和功能具有重要意义。提出了一种新颖的基于邻居相似性的图嵌入方法进行社区检测。基于节点的邻居相似性和接受度聚合邻居的属性信息表达，得到网络中每个节点的向量表达后，直接进行K-均值聚类得到最终的社区划分结果。实验结果表明：提出的算法具有更好的社团划分结果，其模块性和标准归一化指标都有明显的提升。

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	（）
	作者相关文章

关键词 ：社区检测, 邻居相似性, 图嵌入, 聚类

Abstract：Community detection is a crucial research topic in the realm of complex networks. Understanding and identifying the community structure of a network is essential for uncovering its behavior and function. In this paper, we propose a novel graph em‐ bedding method based on neighbor similarity for community detection. By utilizing the acceptance of nodes and aggregating attri‐ bute information expressions of neighbors, we obtain the vector representation of each node in the network. The final community de‐ tection results are then obtained by directly applying K-means clustering. Our experimental results demonstrate that our proposed al‐ gorithm outperforms other methods, showing significant improvements in both modularity and standard normalization metrics.

Key words： community detection neighbor similarity graph embedding clustering

年卷期日期: 2024-05-10 出版日期: 2024-10-12

引用本文:

张安琪　张娜. 基于邻居相似性的图嵌入社区检测算法[J]. 电脑与电信, 2024, 1(5): 79-.
ZHANG An-qi　ZHANG Na. Graph Embedding Based on Neighbor Similarity for Community Detection. Computer & Telecommunication, 2024, 1(5): 79-.

链接本文:

https://www.computertelecom.com.cn/CN/10.15966/j.cnki.dnydx.2024.05.023 或 https://www.computertelecom.com.cn/CN/Y2024/V1/I5/79

[1]	黄何列黄戈文陈之华姚祖发. 改进麻雀搜索算法求解带削峰需求响应的混合流水车间调度问题[J]. 电脑与电信, 2024, 1(6): 16-.
[2]	袁立宁, 　邢中玉, 　杨国艺　罗恒雨. 基于图嵌入模型的犯罪组织成员关系预测 [J]. 电脑与电信, 2024, 1(4): 1-5.
[3]	曹聪慧兰强侯群漆为民. 基于远程学习的关键词提取技术研究[J]. 电脑与电信, 2021, 1(8): 1-5.
[4]	张志源. 基于聚类的应用层DDoS攻击检测方法 [J]. 电脑与电信, 2021, 1(7): 25-28.
[5]	李慧芳钟新成付晓丽. 基于密度峰值聚类的大学生异常行为检测研究[J]. 电脑与电信, 2021, 1(3): 26-29.
[6]	王艳军李舒陈子航董坤沈雪静. 基于聚类分析的智能答疑系统在招生咨询方面的应用[J]. 电脑与电信, 2020, 1(5): 3-.
[7]	孙慧婷马健. 基于K-means算法的高校智能化宿舍分配研究[J]. 电脑与电信, 2019, 1(5): 29-32.
[8]	宋添树, 李江宇, 张沁哲. 基于CBOW模型的个人微博聚类研究[J]. 电脑与电信, 2018, 1(4): 69-72.
[9]	魏爽. 一种文本聚类的增强数据挖掘方法[J]. 电脑与电信, 2018, 1(3): 46-48.
[10]	陈萍. 基于聚类技术的网络学习行为数据分析研究[J]. 电脑与电信, 2017, 1(4): 31-33.
[11]	李燕梅. 一种基于全局K-均值聚类的改进算法[J]. 电脑与电信, 2017, 1(11): 25-27.
[12]	陈闽韬, 匡芳君. 数据挖掘技术在医疗大数据中的应用研究[J]. 电脑与电信, 2017, 1(11): 34-36.
[13]	陈双全. 基于聚类算法的视频内容识别研究[J]. 电脑与电信, 2017, 1(11): 44-46.
[14]	陈林. 改进的GHSOM 算法在文本聚类中的应用[J]. 电脑与电信, 2016, 1(5): 57-61.
[15]	徐勇. 基于聚类算法的内容识别研究[J]. 电脑与电信, 2016, 1(11): 39-41.