混合网络社区发现算法研究：演化多模信息网络构建

本篇论文深入探讨了"目标信息网络社区发现算法研究"这一主题，由高楚阳和郭杰两位作者，来自北京邮电大学网络技术研究院，针对的是混杂网络中的复杂结构和信息处理问题。混杂网络起始于一个包含大量冗余信息的离散图，通过群组与拓扑分析，运用社区发现方法将这些节点和边组织成具有凝聚子群的多维度网络结构。这个过程强调了在保持信息有效性的同时，去除不必要的冗余。 作者们重点介绍了如何通过谱聚类算法来驱动这一演变过程。谱聚类是一种利用网络的相似性矩阵进行分组的算法，它能有效地捕捉到网络中节点间的内在关联，从而形成具有高度内部联系的社区。在这个过程中，混杂网络逐步进化成动态增量凝集子群演化网络，这种网络模型不仅具有多维度的特性，还允许网络结构随时间和数据变化而动态调整，适应信息的实时流动和变化。 论文进一步探讨了多模混杂信息网络的概念，这意味着网络可能同时存在多种类型的社区结构，反映了现实世界中的多元性和复杂性。作者们详细阐述了这些网络的演化过程，并总结出四类关键的网络演化社区发现算法，这无疑对计算机应用领域，尤其是社会计算和社交网络的研究具有重要价值。 在整个研究中，关键词如"计算机应用"、"社会计算"、"社区发现"和"社交网络"都贯穿始终，表明了本文的核心关注点。此外，论文被归类在中图分类号TP下，这通常指代的是计算机科学技术，特别是与网络技术相关的研究。 这篇论文提供了混杂网络社区发现算法的一种新颖视角，为理解大规模、动态信息网络的结构形成和演化机制提供了实用的方法论和技术支持，对于网络数据分析、信息挖掘以及社交网络分析等领域具有重要的理论和实践意义。