基于特征向量局部相似性的社区检测算法
社区的发现和分析是复杂网络结构和功能研究中的一个热点.目前广泛应用的社区划分算法存在时间复杂度过高、社区核心数量无法准确量化、划分精度不高等问题.文中提出了一种基于特征向量局部相似性的社区检测算法ELSC.该算法首先计算网络中每个节点的特征向量中心性,在此基础上提出了特征向量局部相似性(ELS)和特征向量吸引性(EA)指标.ELS指标表示节点之间的相似性,用来形成初始社区,在同一个社区内部节点之间的相似性较高,在不同社区节点之间的相似性较低;EA指标同时考虑了局部相似性和特征向量中心性的占比,表示节点之间的吸引性,用来优化初始社区,并在此基础上完成网络的社区划分.该算法由最值确定节点,避免了节点数量阈值不确定的问题.在7个真实网络上将所提算法与6种知名算法的模块度和标准化互信息两个指标进行综合比较,结果表明,该算法具有良好的准确性,并且具有较低的时间复杂度.
社区检测、特征向量中心性、特征向量局部相似性、特征向量吸引性
47
TP391(计算技术、计算机技术)
国家自然科学基金;浙江省自然科学基金
2020-04-24(万方平台首次上网日期,不代表论文的发表时间)
共7页
58-64