模糊层次聚类法：社会网络重叠社区检测新策略

本文主要探讨了"采用模糊层次聚类的社会网络重叠社区检测算法"这一主题。在当前社交网络分析领域，识别出社会网络中的重叠社区以及理解社区之间的复杂关系变得日益重要。作者李刘强、桂小林、安健和孙雨针对这一问题，提出了一个创新的算法——CDH C（Community Detection Algorithm Based on Fuzzy Hierarchical Clustering，基于模糊层次聚类的重叠社区检测算法）。 该算法的核心思想是利用模糊层次聚类方法来处理社区间的模糊性和层次性。算法首先引入了距离加权因子，通过这个因子来量化社区之间的相似度，以此为基础进行社区的合并。在合并过程中，算法会计算每个节点在新生成的社区中的隶属度，如果某个节点的隶属度低于预设阈值，它会被移除，从而形成最终的网络重叠社区结构。 研究者通过在Lancichinetti基准网络和真实网络上对比CDH C与代表性的重叠社区检测算法，如CM P（Community Mining）和LFM（Label Propagation Method），结果显示社区间的混合程度对检测精度有较大影响，而网络规模和社区规模的影响相对较小。具体来说，CDH C在处理小社区网络时表现出较高的精度，而在面对大型社区网络时，其性能又优于CM P。此外，CDH C在保持高检测质量的同时，展现出良好的稳定性，这使得它成为一种高效的社会网络重叠社区检测工具。 本文提出的CDH C算法对于社会网络重叠社区的检测具有重要意义，不仅能够准确地识别社区结构，而且在处理网络复杂性方面表现出色，为社交网络分析提供了新的理论支持和实用方法。关键词包括社会网络、相似度、模糊层次聚类和重叠社区检测，这些都突出了文章的核心内容和研究价值。