融合节点与链接属性的社交网络社区划分算法：显著提高效果

本文探讨了一种创新的社交网络社区划分算法，旨在解决传统方法在处理节点属性和链接属性时存在的不足。传统社交网络社区划分算法往往忽视了节点属性的重要性，以及节点间链接权值等链接属性的有效利用。作者们注意到，社交网络中的社区结构往往受到节点特征（如用户的兴趣、行为或职业等）和连接强度的影响，因此提出了一个融合节点属性和链接属性的模型。 算法的核心是定义了一个名为"相似权值"的概念，这个权值综合考虑了节点之间的属性相似度和链接的权重。通过计算节点间的相似性，算法能够更好地识别那些基于共同特征紧密相连的群体，即使这些群体在传统的模块度指标下可能不明显。这种融合的方法使得算法能够更精确地发现社区边界，尤其是在属性明显区分的社交网络中。 凝聚算法在此基础上被应用，这是一种常用的社区检测技术，通过不断合并相似度最高的节点来划分社区。这种方法的优点在于它的局部优化特性，能够在保持社区内部紧密联系的同时，尽可能减少社区间的界限模糊。 实验证明，这种融合节点与链接属性的社交网络社区划分算法在处理具有显著属性差异的社区时表现出色，能够提高社区划分的准确性和效率。研究结果不仅适用于社交网络分析，还可能为其他领域，如信息检索、推荐系统或者网络分析提供新的视角和方法。 论文的作者团队包括李孝伟、陈福才和刘力雄，他们在通信与信息系统领域有着丰富的研究背景，分别来自国家数字交换系统工程技术研究中心。他们的研究成果得到了国家“863”计划的支持，进一步证明了这项工作在学术界的重要性和实际应用价值。 这篇论文对于社交网络分析领域的贡献在于提供了一种更为全面和精细的社区划分策略，有望推动社交网络分析技术的发展，尤其是在处理复杂网络结构时的性能提升。