局部多重社区发现是社交网络分析中的关键技术,旨在揭示网络中用户的多重归属和复杂联系。针对现有局部多重社区发现算法大多基于网络拓扑结构,忽视节点属性信息的问题,提出了融合节点属性的局部多重社区发现算法(MLCDINA)。该算法将属...局部多重社区发现是社交网络分析中的关键技术,旨在揭示网络中用户的多重归属和复杂联系。针对现有局部多重社区发现算法大多基于网络拓扑结构,忽视节点属性信息的问题,提出了融合节点属性的局部多重社区发现算法(MLCDINA)。该算法将属性网络的结构和属性信息相结合为节点对之间的边权重,并通过随机游走评估节点间结构和属性的融合重要性(IISA)。此外,该算法引入了考虑边权重的局部聚类系数和亲密度随机游走(IRW),以增强对子图稠密性和IISA的评估。实验结果表明,MLCDINA在真实属性网络上的Jaccard F 1-score较现有算法有显著提升,验证了其在局部多重社区发现任务中的有效性。展开更多
文摘局部多重社区发现是社交网络分析中的关键技术,旨在揭示网络中用户的多重归属和复杂联系。针对现有局部多重社区发现算法大多基于网络拓扑结构,忽视节点属性信息的问题,提出了融合节点属性的局部多重社区发现算法(MLCDINA)。该算法将属性网络的结构和属性信息相结合为节点对之间的边权重,并通过随机游走评估节点间结构和属性的融合重要性(IISA)。此外,该算法引入了考虑边权重的局部聚类系数和亲密度随机游走(IRW),以增强对子图稠密性和IISA的评估。实验结果表明,MLCDINA在真实属性网络上的Jaccard F 1-score较现有算法有显著提升,验证了其在局部多重社区发现任务中的有效性。
