社交网络大规模图聚类：GLEAM——潜在游戏优化的创新框架

随着在线社交网络的飞速发展，大规模图聚类已经成为研究热点。传统的图聚类方法主要依赖于预设的目标函数，然而这些方法较少考虑现实生活中网络结构对集群形成的影响。本文提出了一个新的框架——GLEAM (Graph Clustering Framework based on Potential Game Optimization)，旨在解决大规模社交网络图的聚类问题。 在GLEAM中，作者将在线社交网络中的个体视为非合作博弈中的自利玩家。每个节点的策略被定义为一个集群成员向量，其目标是通过选择最适宜的策略来提升自身的社会身份。这种策略选择背后的动机源于顺应性心理学，它关注的是个体通过加入不同群体所获得的社会认同的加权平均。这种理论提供了一个理论基础，使得社交网络中的行为模式能够自然地形成潜在的游戏结构。 框架的核心步骤包括： 1. 利用余弦相似度对原始网络中的边进行加权，这有助于衡量节点间的相似性和联系强度。 2. 通过启发式算法创建初始分区，这些初始的集群可能由所谓的“领导者节点”主导，这些节点在网络中具有较高的影响力。 3. 然后进行潜在的基于游戏的加权模块化优化，这一阶段通过迭代调整，使节点更倾向于与具有相似特征的其他节点聚集，从而改进初始的分区。 4. 提出潜在吸引聚类的概念，即允许节点跨越多个初始分区，这样可以更好地反映网络的真实结构，可能存在重叠的社区关系。 5. 最后，通过双阈值过程发现图的重叠分区，这是一种简单但有效的方法，能够处理复杂的社会网络中可能存在的模糊边界和多重归属。 GLEAM框架通过将社交网络聚类问题置于潜在游戏的视角下，结合余弦相似度、领导者节点和适应性优化策略，提供了一种新颖且适用于大规模社交网络图的并行聚类方法。这种方法不仅考虑了节点间的交互动力学，还揭示了网络中集群形成的动态过程，为理解社交网络的结构和功能提供了新的见解。