基于节点重要度与社团接近度的自动社团划分算法

"冯健，史丹丹，罗香玉，等．利用节点重要度和社团接近度发现社团结构［Ｊ］．西安科技大学学报，２０２０，４０（１）：１８１－１８６．" 这篇论文探讨了在复杂网络中发现社团结构的问题。社团发现是理解网络内在组织结构的关键，它能揭示网络中的紧密连接子群，这些子群通常具有特定的功能或特征。现有的社团发现算法存在一些局限性，如初始化节点选择的随机性、过度依赖节点间的共享邻居来计算相似度，以及需要预先设定社团数量。 针对这些问题，该论文提出了一种新的基于节点重要度和社团接近度的社团划分算法。首先，算法引入了节点重要性的概念，定义了一个计算模型来确定网络中最重要的节点，这些节点被用作社团的初始聚类中心。这种方法改进了随机选择初始节点的传统做法，使得社团的构建更加有目标性和有效性。 接着，论文定义了节点的社团接近度，这是一个综合考虑了节点共享关系和直接影响的指标。通过这个指标，算法可以找出与当前社团最接近的节点。如果将这个节点加入社团后能显著提升局部模块度（一种评估社团结构质量的指标），那么就将该节点归入社团。这种基于局部模块度增量的决策过程使得社团的边界更自然，避免了过度依赖共享邻居的限制。 算法的执行过程是一个迭代的过程，第一个社团划分完成后，会持续选择新的聚类中心并构造新的社团，直到所有节点都被分配到社团中。这一过程不需要预先知道网络中社团的数量，从而增加了算法的适应性。 为了验证算法的有效性，研究人员在两个典型的复杂网络数据集上进行了实验，并将结果与Girvan-Newman算法（一种经典的社区检测方法）和Newman的快速算法进行了比较。实验结果显示，提出的算法在社团数目未知的情况下，能够得到更高的准确率和模块度，这意味着它在发现社团结构方面表现得更为出色。 总结来说，这篇论文贡献了一种创新的复杂网络社团发现策略，它利用节点的重要性评估和社团接近度的概念，有效地解决了传统算法的一些固有问题。这种方法不仅提高了社团划分的质量，还为处理未知社团数量的网络提供了新的思路，对于理解和分析复杂网络的结构具有重要的理论和实践价值。