文献类型：期刊文章

作　　者：乔少杰[1] 韩楠[2] 张凯峰[3] 邹磊[4] 王宏志[5] Louis Alberto GUTIERREZ[6]

机构地区：[1]成都信息工程大学信息安全工程学院,四川成都610225 [2]成都信息工程大学管理学院,四川成都610103 [3]西南交通大学信息科学与技术学院,四川成都611756 [4]北京大学计算机科学技术研究所,北京100871 [5]哈尔滨工业大学计算机科学与技术学院,黑龙江哈尔滨150006 [6]Department of Computer Science, Rensselaer Polytechnic Institute

出　　处：《软件学报》

基　　金：国家自然科学基金(61100045;61363037);教育部人文社会科学研究规划基金(15YJAZH058);教育部人文社会科学研究青年基金(14YJCZH046);成都市软科学项目(2015-RK00-00059-ZF);四川省教育厅资助科研项目(14ZB0458)~~

年　　份：2017

卷　　号：28

期　　号：3

起止页码：631-647

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI(收录号：20172303730522)、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：提出一种新的面向复杂网络大数据的重叠社区检测算法DOC(detecting overlapping communities over complex network big data),时间复杂度为O(nlog2(n)),算法基于模块度聚类和图计算思想,应用新的节点和边的更新方法,利用平衡二叉树对模块度增量建立索引,基于模块度最优的思想设计一种新的重叠社区检测算法.相对于传统的重叠节点检测算法,对每个节点分析的频率大为降低,可以在较低的算法运行时间下获得较高的识别准确率.复杂网络大数据集上的算法测试结果表明:DOC算法能够有效地检测出网络重叠社区,社区识别准确率较高,在大规模LFR基准数据集上其重叠社区检测标准化互信息指标NMI最高能达到0.97,重叠节点检测指标F-score的平均值在0.91以上,且复杂网络大数据下的运行时间明显优于传统算法.

关 键 词：复杂网络 大数据 重叠社区检测  模块度 图计算  

分 类 号：TP393.08]