模块度引导下的社区发现增量学习算法

TP311; 当前社区发现领域存在诸多静态社区划分算法,而其划分结果的不稳定性和较高的算法复杂度已经不能适应如今规模庞大,变化频繁的网络结构.为解决传统静态算法这一局限性,提出了一种利用模块度优化的增量学习算法,将网络结构的变化划分成边变化、点变化两种基本操作,在对“模块度最大化”的规则指导下实现网络结构的增量学习.实验表明,该算法在保证原有社区划分结果的前提下,可以将新变化的节点快速划分进已有社区,并使得模块度与静态算法重新计算模块度相近,节省了时间,保持了社区划分的实时性....

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 11; no. 4; pp. 556 - 564
Main Authors 王宏杰, 滕飞, 李天瑞
Format Journal Article
LanguageChinese
Published 西南交通大学信息科学与技术学院,成都611756 2017
四川省云计算与智能技术高校重点实验室,成都611756
Subjects
模块度
modularity
增量学习
incremental learning
community detection
社区划分
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.1603045

Cover

More Information
Summary:TP311; 当前社区发现领域存在诸多静态社区划分算法,而其划分结果的不稳定性和较高的算法复杂度已经不能适应如今规模庞大,变化频繁的网络结构.为解决传统静态算法这一局限性,提出了一种利用模块度优化的增量学习算法,将网络结构的变化划分成边变化、点变化两种基本操作,在对“模块度最大化”的规则指导下实现网络结构的增量学习.实验表明,该算法在保证原有社区划分结果的前提下,可以将新变化的节点快速划分进已有社区,并使得模块度与静态算法重新计算模块度相近,节省了时间,保持了社区划分的实时性.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.1603045