加权稠密子图社区发现：OCDW算法

"该资源是一篇发表在《软件学报》上的研究论文，主要探讨了一种加权稠密子图社区发现算法，用于处理带有权重的复杂网络。论文提出了名为OCDW的算法，该算法考虑了网络的拓扑结构以及边的权重，以提高社区发现的准确性。通过与其他经典算法在9个真实网络数据集上的对比分析，OCDW在多个评价指标上表现出色。" 在复杂网络分析中，社区发现是一项关键任务，旨在识别网络中具有高内部连接密度而低外部连接的子群。传统社区发现算法主要依赖于网络的拓扑结构，即节点之间的连接模式，但忽略了边可能携带的权重信息。在现实世界中，边的权重可能表示连接的强度、频率或信任度，这些信息对于准确识别社区结构至关重要。 本文提出的OCDW算法引入了权重的概念，首先定义了一种结合网络结构和边权重的边权重计算方法。接着，它采用特定的种子节点选择策略，并通过权重更新策略逐步扩展社区。这种基于加权稠密子图的方法允许社区存在重叠，可以捕捉到现实网络中节点可能属于多个社区的特性。 在实验部分，OCDW算法与多款经典社区发现算法进行了对比，包括但不限于Louvain、Infomap和Label Propagation等。实验使用了9个真实网络数据集，涵盖了各种领域，如社会网络、合作网络和生物网络。结果显示，OCDW在F度量、准确度、分离度、标准互信息、调整兰德系数和模块性等评估指标上都有良好的表现，同时在运行时间上也相对高效。 文章的关键词涵盖了复杂网络、社区发现、图聚类、重叠聚类以及稠密子图，表明该研究关注的是如何在加权网络环境中有效地执行社区检测，特别是处理节点间连接强度不一的情况。中图法分类号TP311将其归类为计算机科学的软件技术领域。 总结来说，这篇论文提供了一种创新的社区发现算法，能够充分利用加权网络的信息，提高了社区发现的精确性和实用性，对于理解和分析复杂网络的结构具有重要的理论和应用价值。