论文部分内容阅读
社团结构是社会网络普遍存在的拓扑特性之一，发现社会网络中的社团结构是复杂网络研究的基础性问题。聚类算法是发现社团结构的一种重要的方法。聚类分析技术在过去的许多年中得到了广泛的研究，其中K-means聚类算法是众多聚类算法中比较经典的一个。K-means聚类算法由于思想简单、时间复杂度小而被广泛的进行了研究与运用，尤其在对大规模数据进行挖掘中，K-means聚类算法具有高效性及可伸缩性。 真实网络中，除了数据之间存在的拓扑结构以外，其数据本身存在着各种特殊属性。现存的许多聚类算法仅仅依靠数据间的拓扑结构进行聚类，而很大程度的忽略了数据所具有的特有属性在聚类分析中的作用。本文在分析聚类算法中节点的拓扑结构及特有属性的作用之后，对K-means聚类算法进行改进，提出了一种新的聚类算法-SAK聚类算法。本文的主要研究成果如下： （1）将真实网络用图的模型表示，并根据现实网络的实用性，将节点的属性特性作为节点添加到图中，并根据节点与属性的关系添加相应的边，从而构成属性扩展图。在属性扩展图的基础上，使用随机行走模型对节点的结构及属性相似性进行统一的测量。 （2）提出了一种自动更新权重值的方法，在聚类算法不断迭代的过程中，节点边的权重会随之发生变化，随着权重的改变节点间的相似度也会随之改变，这样，不同的属性将会在聚类算法中起到不同的作用。这种改变将会使节点间相似度的测量更加趋于实际，趋于准确。 （3）提出基于属性扩展图的K-means聚类算法（SAK），该算法改变K-means算法随机选取初始聚类中心的方法，采用密度函数的方法进行初始聚类中心的选取。并运用两个真实的社会网络对本文所提出的SAK聚类算法进行了验证。