计算机应用

作者：陈婉杰, 盛益强

单位：1. 国家网络新媒体工程技术研究中心(中国科学院 声学研究所), 北京 100190;2. 中国科学院大学, 北京 100049

关键词：节点属性,网络结构,可扩展性,社区发现,网络表示学习,节点差异性

基金：中国科学院战略性科技先导专项课题（XDC02070100）。

针对现有的社区发现算法难以解决网络的多维性问题的现象，提出一种基于网络表示学习的非单一维度的社区发现算法。该算法从节点属性特征和网络结构特征两个维度考虑节点的差异性，首先根据节点属性相似度计算得到节点转移概率，结合小世界模型的六度分离理论设置网络节点随机游走路径的长度。依据转移概率选择节点的邻居节点，得到节点的游走路径，然后用神经网络模型训练节点的游走路径得到节点的网络特征向量，将节点网络特征向量的相似度重置为节点连接边的权重，在Louvain算法的基础上完成社区划分。最后，在Facebook和Giraffe两个数据集上进行了实验，选用基于初始网络结构的Louvain算法和基于单一维度的社区发现算法作为对比算法。实验结果表明，在Giraffe数据集中，相比于Louvain算法，基于节点属性的社区发现算法的模块度指标提升了2.7%，基于网络结构的社区发现算法的模块度指标提升了3.0%，提出的非单一维度的社区发现算法的模块度指标提升了3.7%。所提算法聚焦于网络的多维性，有效提升了社区发现算法的模块度。

来源：2019年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第12期