| 网络社团挖掘算法 |
| |
| 引用本文： | 刘启刚,孙向阳,周丽.网络社团挖掘算法[J].计算机应用,2015(Z1). |
| |
| 作者姓名： | 刘启刚 孙向阳 周丽 |
| |
| 作者单位： | 上海大学 悉尼工商学院,上海,201800 |
| |
| 摘 要： | 针对K平均( K-means)、期望最大化( EM)等传统聚类算法在网络社团挖掘中存在的聚类结果不合理、容易陷入局部最小值等问题，以最小化社团间的连接权值为优化目标，基于节点间交互次数归一化结果建立节点间的相似矩阵，求出此矩阵对应的拉普拉斯矩阵，以拉普拉斯矩阵的前k个最小特征值对应的特征向量为基建立新的特征空间，将相似矩阵向新的特征空间做投影，在投影后的特征空间中运用K-means算法进行社团挖掘，实现目标函数的最小化。通过仿真实验对比，说明了该基于拉普拉斯矩阵的聚类方法( LMBC)比传统聚类方法更有效地解决聚类节点分布不均衡的问题，及非凸、高维数据集在保持原有几何结构的同时有效降维的问题。 LMBC从数据集相似矩阵的角度进行聚类分析，进一步丰富了流形学习的理论与方法，可广泛应用于社交网络分析及图像识别等领域。
|
| 关 键 词： | 拉普拉斯矩阵 聚类 K-means 降维 社团挖掘 |
Network communities detection algorithm |
| |
| LIU Qigang?
,
SUN Xiangyang,ZHOU Li.Network communities detection algorithm[J].journal of Computer Applications,2015(Z1). |
| |
| Authors: | LIU Qigang? SUN Xiangyang ZHOU Li |
| |
| Abstract: | |
| |
| Keywords: | Laplacian matrix clustering K-means dimensionality reduction communities detection |
|
