提升效率的改进LPA算法：重叠社团挖掘研究

该论文研究的核心内容是"基于改进LPA的重叠社团挖掘算法"，由作者于磊、胡铮、王庆和唐晓晟共同完成，他们来自北京邮电大学信息与通信工程学院。在当今社会，随着人与人之间关系的日益紧密，社交和关系网络中的大规模社团成为研究的重要对象。这些社团往往具有重叠特性，即一个节点可能同时属于多个社团，这就提出了如何有效地挖掘这些重叠社团的问题。 传统的标签传播算法（LPA）作为一种快速且相对简单的社团挖掘工具，因其相对于基于模块度的算法更高的效率而受到关注。然而，现有的LPA算法在处理重叠社团时存在不足，如速度慢、效率不高以及挖掘重叠社团的能力有限。针对这些问题，论文提出了一种新的优化模型——改进LPA算法的增强版（AOLPA）。该模型通过重构重叠社团的数学模型，并引入衰减系数，显著提高了算法的效率和挖掘重叠社团的能力。 AOLPA算法的主要改进在于其对重叠结构的处理方式，它能够更好地处理节点间的复杂连接，避免了单一社团边界模糊的问题。此外，通过引入衰减系数，算法能够在保持计算效率的同时，更精确地识别出那些节点归属不确定或重叠程度较高的社团。实验结果证明，AOLPA在算法执行速度和挖掘重叠社团的效果上均优于原始的LPA算法。 这篇论文的研究领域属于“算法理论”，主要关注的是社团划分问题，特别是针对重叠社团的检测和分析。论文的关键词包括“算法理论”、“社团划分”、“重叠社团”和“标签传播”。中图分类号TP312表明这是一项关于计算机科学与信息技术中社区挖掘与网络分析的学术研究。该论文对于提升重叠社团挖掘的算法性能具有实际意义，对于理解复杂网络结构和优化社交网络分析具有重要价值。