拓扑势引导的社交网络层次社区发现算法

"这篇论文提出了一种融合拓扑势的社交网络层次化社区发现算法，旨在解决传统凝聚式层次化社区发现方法效率低下和生成的层次谱图复杂的问题。通过利用拓扑势场的自然峰谷结构，该算法能够有效地揭示社交网络中社区间的层次关系。算法首先寻找局部极大势值节点，基于这些节点完成社区的初步划分，然后通过迭代合并这些社区，直至形成单一社区。实验结果证明，该算法在真实和人工社交网络上能高效地发现层次结构，并生成简洁直观的层次谱图。" 本文主要关注社交网络中的社区结构，特别是层次化的社区结构。社区结构是社交网络分析中的重要概念，它反映了网络中节点间的紧密连接性。社区内部的节点通常有较高的连接密度，而不同社区之间的连接则相对稀疏。这种层次结构在真实社交网络中广泛存在，如一个省份可以看作大社区，其中包含多个城市社区，城市社区又可能包含更小的社区。 针对传统层次化社区发现算法的不足，该研究引入了拓扑势的概念。拓扑势场可以帮助识别网络中的局部极值点，这些点可以作为社区的边界或中心。算法首先找到这些局部极大势值节点，利用它们来初始化社区划分。接着，算法根据这些节点间的距离进行社区的迭代合并，以构建层次结构。这一过程持续进行，直到所有社区合并成一个大的社区网络。 实验部分展示了该算法在实际和人造社交网络上的效果，证实了其在发现层次结构上的高效性和产生的层次谱图的清晰度。这表明，融合拓扑势的层次化社区发现算法为理解和分析复杂社交网络提供了一个有效且直观的工具，对于进一步研究社交网络的拓扑特性和行为预测具有重要意义。 关键词涉及的主要技术包括社交网络分析、层次社区、拓扑势和峰谷结构。此研究的贡献在于提供了一种新的社区发现算法，它不仅提高了发现效率，还简化了层次结构的表示，对于大数据与云计算领域的研究有着积极的推动作用。该论文的文献标志码为A，属于计算机科学与技术的分类号TP391，DOI为10.3778/j.issn.1002-8331.1709-0335。作者包括候梦男、王志晓、何婧等人，发表在《计算机工程与应用》期刊2019年的第1期。