论文部分内容阅读
通过人们对社交系统，信息系统等的整体研究，发现它们背后都可以用复杂网络来表示，复杂网络除了具有无标度特性和小世界特性外，社区结构也是其中一种重要的结构特性.社区结构中的网络聚类现象，可以使网络中的随机节点以组的形式聚团.本论文提出两种不同的网络中社区结构检测模型，具体如下： (1)符号网络社区的检测.在有向加权符号网络中，节点之间的联系有正连接，也有负连接，我们在原有Kuramoto振荡器和DEC文章所提出的相似度的基础上，基于节点不同相似度对节点链接影响不同的原则，提出路径相似度，经过节点相位的动态演变，一段时间达到稳定后，形成不同的同步簇，以此实现社区检测.这个模型不仅适用于小节点网络，对于大社区的检测也取得了一定的优势. (2)正复杂网络社区的检测.在原有的Kuramoto振荡器相位同步的基础上，为了使两个连接的振荡器之间的相位同步，使两个不相连的振荡器之间的相位异步，我们加入了基于路径的相似度计算函数.因为节点的不同邻居有不同的亲密关系，所以有亲密关系的节点更有可能在一个社区，而节点的相似度就是描述他们之间的亲密程度.在这种改进模型的基础上，整个网络会分为几个相位值不同的同步簇.为了验证算法的性能，本文在真实网络中进行了仿真.由此我们得到一种高效率，有价值的计算方法：基于路径的相似度社区检测方法.