基于稀疏线性编码的网络社区检测(2015)

参考论文Subspace Based Network Community Detection Using Sparse Linear Coding

摘要

最现有社区检测算法是图论的,在社区内部与社区间边的比例较低的情况下,缺乏准确的社区边界检测能力。另外,基于算法的在模块性最大化方面,如果社区规模变化很大,则可能无法解决小于特定规模的社区。

在本文中,我们提出了一个从根本上不同的社区判断。基于每个网络社区有一个不同的子空间这一事实的算法。因此,每个节点只能有效地表示为节点的线性组合在同一子空间。为了提高社区检测的鲁棒性,我们采用了具有1范数约束的稀疏线性编码。为了找到每个节点的社区标签,使用稀疏的谱聚类算法。

现有的社区检测算法大多直接操作在邻接矩阵上,邻接矩阵编码每个节点的局部网络结构。然而,在大多数这些技术中,网络不是全局映射到一个空间,而是映射为局部或离散的,一次只考虑两个节点。相反,在目前的工作中,我们建议将网络映射到一个连续的高维空间。我们将社区定义为高维空间中跨越同一子空间的一组节点,一个社区与另一个社区是根据每个社区的子空间的不同来区分的。
,我们用一个测地距离向量来表示每个节点,然后用稀疏线性编码来计算一个基于每个节点的子空间的邻近矩阵,将线性系数矩阵作为谱聚类算法的邻近矩阵[15]。

节点的稀疏线性分解

稀疏子空间社区检测

猜你喜欢

转载自blog.csdn.net/qq_41106162/article/details/89850502
今日推荐