NOCDLP：一种改进的重叠社区识别算法

"一种新的基于标签传播的复杂网络重叠社区识别算法，NOCDLP，由邓琨、李文平、陈丽和刘星妍提出，发表于《控制与决策》2020年第35卷第11期，旨在解决现有社区识别方法的不稳定性与随机性问题。该算法通过寻找高度节点为中心的完全子图开始标签传播，并通过社区连接强度和内部连接紧密度来优化节点归属判断，设置控制标记减少随机性，最后整理重叠节点以获得精确的重叠社区结构。实验证明，NOCDLP算法在人工和真实网络中表现出高效和可行性。" 社区结构是复杂网络研究中的一个重要概念，它指的是网络中节点之间的紧密连接形成的局部聚集。社区识别是寻找这些结构并将其划分的过程，对于理解网络的性质和功能至关重要。传统的社区识别方法常常忽视了节点可能属于多个社区的重叠社区现象。 基于标签传播的社区识别算法利用节点间的相互影响来确定其所属的社区。然而，这类方法往往存在识别精度波动大和随机性强的问题。NOCDLP算法针对这些问题进行了改进。首先，它选择度较高的节点作为起点，这些节点在网络中通常扮演着关键角色，它们的参与能更有效地引导标签传播。其次，算法引入了一个节点归属社区强度函数，考虑了节点与社区的连接强度以及加入社区后对社区内部连接度的影响，这样可以更准确地判断节点的社区归属。此外，通过设置标签传播控制标记，NOCDLP能够限制标签的无序扩散，降低算法的随机性，确保识别过程的稳定性。 在标签传播结束后，NOCDLP算法进一步处理重叠节点，即属于多个社区的节点。通过对这些节点的重新评估和调整，算法能够生成更为精确的重叠社区结构，这对于理解和分析复杂网络的复杂性具有重要意义。 实验部分，NOCDLP算法在人造网络和实际网络数据集上进行了测试，并与多种经典社区识别算法进行了对比分析。实验结果证明了NOCDLP算法在保持高效性的同时，提高了社区识别的准确性，证实了其在复杂网络重叠社区识别中的有效性。 NOCDLP算法提供了一种创新的方法来处理复杂网络的重叠社区识别问题，通过优化标签传播过程和处理重叠节点，解决了现有方法的一些关键缺陷，为复杂网络研究提供了有力工具。