符号网络社区发现：基于节点相似度与参与度的CD-SNNSP算法

本文探讨了一种针对符号网络的社区发现算法——"CD-SNNSP（Community Detection in Signed Networks Based on Node Similarity and Node Participation Degree）"，该算法是在现有的节点相似度基础上发展起来的，以解决无符号网络层次聚类方法在符号网络中的局限性。符号网络通常包含正向和负向关系，这与无符号网络仅关注连接强度不同，因此传统的节点相似度计算方法不再适用。 CD-SNNSP算法的核心在于引入了两个新的概念：节点影响力和聚集系数，这两个指标是为符号网络设计的，能够更好地反映节点在网络中的重要性和结构角色。算法首先从具有较高影响力的节点开始，通过计算其与其他节点的相似度，找到最相似的邻居节点作为初始社区的一部分。接着，算法考虑节点的参与度和相对贡献增量，这些因素帮助决定节点的加入顺序以及最终是否划分为某个社区。 在算法流程中，节点的参与度衡量了它在社区内部活动的程度，而相对贡献增量则用来评估新加入节点对现有社区结构的影响。这样，CD-SNNSP能够在保持社区内紧密联系的同时，避免因负向关系导致的错误划分。为了验证算法的有效性，作者们利用了模拟数据和真实的社会网络数据集进行实验，结果显示CD-SNNSP在符号网络社区发现任务中表现出较高的准确性和有效性。 此外，文章指出该研究得到了国家自然科学基金项目、国家自然科学青年基金项目以及河北省自然科学基金面上项目的联合资助，这表明了研究者们对该领域研究的重视和对算法创新的认可。作者团队包括胡心专、郭景峰、贺释千和陈晓等专家，他们的研究方向涵盖了社会网络、电子商务、数据库、数据挖掘等多个领域。 CD-SNNSP算法提供了一种新颖且实用的方法，针对符号网络的特点，有效地提高了社区发现的精确性和鲁棒性，对于理解和分析复杂网络结构中的社会动态具有重要意义。