超大規(guī)模社交網絡中基于結構與主題的社團挖掘.pdf

1、社團挖掘作為復雜網絡分析中的一個重要方法，近年來越來越多的研究者將其應用到社交網絡分析、萬維網服務、網絡可視化等具體問題中。目前許多社團挖掘算法復雜度高，難以處理大規(guī)模網絡，本文利用Graphlab平臺分布式實現(xiàn)社團挖掘算法以適用于大規(guī)模網絡分析。
　　本文的主要工作包括如下三個方面：
　　(1)提出了基于初始社團和可信度的改進標簽傳播(LPA)算法。傳統(tǒng)的標簽傳播算法在Graphlab平臺上存在不收斂和劃分不穩(wěn)定等問題。為

2、了解決這些問題，本文從如下兩個方面對LPA算法進行改進：首先選擇網絡部分節(jié)點作為中心節(jié)點，將中心節(jié)點及其一階鄰居初始化為同一社團，從而大幅降低了標簽傳播算法的初始社團數(shù)目；然后為網絡中每條邊定義一個可信度，可信度越高表明鄰居節(jié)點的標簽越可信，在標簽傳播過程中根據(jù)可信度改進隨機選擇策略。在仿真網絡和真實網絡上，對改進LPA算法進行了測試，實驗表明改進LPA算法的劃分結果更加穩(wěn)定和準確。
　　(2)在BIGCLAM算法基礎上提出了結合

3、網絡拓撲結構和用戶主題信息的社團生成模型。web2.0技術催生了大量用戶生成內容的網絡(如Facebook、Twitter、GooglePlus)，用戶在這些網絡上留下了大量主題信息，本文將這些信息引入到社團挖掘中。在社團生成模型中，假設社團生成了網絡連邊和節(jié)點主題，進而建立網絡的似然函數(shù)，利用鄰接矩陣和節(jié)點主題極大化似然函數(shù)，最后得到節(jié)點所屬的社團。在主題社交網絡上對社團生成模型進行測試，實驗結果表明引入主題信息對社團劃分性能有所提升