模块度增量与局部模块度提升层次聚类社区发现算法的准确性

本文主要探讨的是"模块度增量与局部模块度引导下的社区发现算法"，针对复杂网络中的社区结构挖掘问题。复杂网络作为一种广泛存在的数据模型，其内部存在着显著的社区结构，这些社区通常表现为节点间的高度连接和与其他部分的相对隔离。传统的基于层次聚类的社区发现算法，如Louvain算法或 Girvan-Newman算法，通过计算模块度来识别网络内的社区，模块度是衡量一个集合内部连接强度与外部联系松散程度的指标。 然而，这类算法在处理社区结构复杂且规模不均的网络时存在局限性。它们可能对大规模社区的划分较为准确，但对于较小规模的社区或者网络内部复杂连接情况，往往效果欠佳，可能导致不精确的划分。为解决这一问题，论文提出了一种新的策略，即在层次聚类的基础上引入局部模块度的概念。局部模块度强调的是局部区域内节点间的紧密连接，相较于全局模块度，它能够更好地捕捉到小规模社区和网络中的精细结构。 论文的核心贡献在于提出了一种结合模块度增量和局部模块度的社区发现算法，该算法能够在保持层次聚类方法优点的同时，通过局部模块度的引入，提高对小规模社区的识别能力，降低划分不合理的情况。通过对比实验，作者使用真实数据集和人工构建的网络进行验证，结果显示，新算法在准确性、稳定性和效率上均有显著提升，证明了其在复杂网络社区发现领域的可行性与有效性。 此外，本文还关注到了作者团队的研究背景，刘明阳作为硕士研究生专注于复杂网络研究，而张曦煌教授则在分布式系统与应用领域有着深厚的学术造诣。他们的合作为本文提供了坚实的理论基础和实践经验。整体而言，这篇论文对于改进现有的社区发现算法具有重要的理论价值和实践意义，对于理解复杂网络的内在结构和优化社区发现算法具有重要的推动作用。