首页  |  期刊简介  |  稿件审稿流程  |  学术道德规范  |  编委会  |  征订启事  |  联系我们  |  English
中文核心期刊
中国科技论文统计源期刊
国际刊号:1004-9037
国内刊号:32-1367/TN
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中国科学技术协会
  • 主办:南京航空航天大学
  •           中国电子学会
  • 国际刊号:1004-9037
  • 国内刊号:32-1367/TN
  • 地址:南京市御道街29号
  • 电话:025-84892742
  • 传真:025-84892742
  • E-mail:sjcj@nuaa.edu.cn
  • 邮编:210016
李维勇,孔枫,张伟,陈云芳.基于SimRank全局矩阵平滑收敛的网络社区发现[J].数据采集与处理,2021,36(2):314-323
基于SimRank全局矩阵平滑收敛的网络社区发现
Hierarchical Community Detection Based on Global Smooth Convergence Using SimRank
投稿时间:2020-12-10  修订日期:2021-02-15
DOI:10.16337/j.1004-9037.2021.02.013
中文关键词:  社区发现  SimRank  矩阵迭代  聚类
英文关键词:community detection  SimRank  matrix iteration  clustering
基金项目:国家自然科学基金( 61672297 )资助项目; 2019年中国特色高水平高职学校和专业建设计划(教职成函〔2019〕14号)资助项目;2019年度高校“青蓝工程”优秀教学团队(苏教师[2019]3号)资助项目。
作者单位邮编
李维勇 南京信息职业技术学院网络与通信学院南京 210023 210023
孔枫 南京信息职业技术学院网络与通信学院南京 210023 210023
张伟 南京邮电大学计算机学院南京 210023 210023
陈云芳 南京邮电大学计算机学院南京 210023 210023
摘要点击次数: 152
全文下载次数: 341
中文摘要:
      SimRank方法是一种基于图的拓扑结构信息来衡量任意两个对象间相似程度的方法,针对在真实的大规模社交网络中节点与节点之间的迭代计算过程需要消耗大量的时间,提出了一种基于SimRank全局矩阵平滑收敛的网络社区发现方法(SimRank global smooth convergence,SGSC)。首先,该算法通过经典度量来识别网络中的初始核心节点;然后利用矩阵平滑收敛来计算SimRank得到最终核心节点;最后,基于全局收敛矩阵,将社区聚集在核心节点周围,使用Closeness指数合并两个社区,通过递归的重复该过程,聚类出最终社区。在3种真实的不同规模的社交网络中将SGSC和其他2种具有代表性的方法进行比较,并验证了提出的算法在不同规模的社交网络中社区划分的准确率和算法运行的时间性能上有所提升。
英文摘要:
      SimRank is a method based on the topological structure information of the graph to measure the similarity between any two objects. However, in real large-scale social networks, the iterative computation between nodes is time-consuming. Here we propose a hierarchical community detection algorithm based on global matrix smooth convergence using SimRank, called SGSC. First, the SGSC algorithm identifies the initial core nodes in a network by classical measurement.Then, it smoothly converges a matrix to calculate SimRank to obtain original core nodes. Based on the global convergence matrix, we cluster the communities around the core nodes and use a closeness index to merge two communities. By recursively repeating the process, a dendrogram of the communities is eventually constructed. We validate the performance of SGSC by comparing its results with those of two representative methods for three real-world networks with different scales, and comparison results show that the proposed SGSC algorithm improves the accuracy in community division and reduces running time in social networks of different scales.
查看全文  HTML  查看/发表评论

Copyright @2010-2015《数据采集与处理》编辑部

地址:南京市御道街29号        邮编:210016

电话:025-84892742      传真:025-84892742       E-mail:sjcj@nuaa.edu.cn

您是本站第2146270位访问者 本站今日一共被访问176

技术支持:北京勤云科技发展有限公司