下载文档原格式
传播过程中信号缺失的层次聚类社区发现算法康茜;李德玉;王素格;冀庆斌【摘要】社区发现是社会网络分析的一个基本任务，而社区结构探测是社区发现的一个关键问题。
将社区结构中的结点看作信号源，针对信号传递过程中存在信号缺失情况，提出了一种层次聚类社区发现算法。
该算法通过度中心性来度量节点接收信号的概率，用于量化节点接受信号过程中的缺失值。
经过信号传递，使网络的拓扑结构转化为向量间的几何关系，在此基础上，使用层次聚类算法用于发现社区。
为了验证SMHC算法的有效性，通过在三个数据集上与SHC算法、CNM算法、GN算法、Similar算法进行比较，实验结果表明，SMHC算法在一定程度上提高了社区发现的正确率。
%Community identification is a basic task of social network analysis, meanwhile the community structure detec-tion is a key problem of community identification. Each node in the community structure is regarded as the signal source. A hierarchical clustering community algorithm is proposed in order to settle the problem of signal missing in the process of signal transmission. The algorithm measures the probability of receiving signals of nodes by degree centrality to quantifythe signal missing values. After the signal transmission, the topology of the network is transformed into geometric relation-ships among the vectors. On the basis, the hierarchical clustering algorithm is used to find the community structure. In order to validate the proposed method, this paper compares it with SHC algorithm, CNM algorithm, GN algorithm and Similar algorithm. Under three real networks, the Zachary Club, American Footballand Netscience, the experimental results indi-cate that SMHC algorithm can effectively improve precision.【期刊名称】《计算机工程与应用》【年(卷),期】2015(000)009【总页数】7页(P201-206,216)【关键词】社区发现;信号传播;信号缺失;度中心性;层次聚类【作者】康茜;李德玉;王素格;冀庆斌【作者单位】山西大学计算机与信息技术学院，太原 030006;山西大学计算机与信息技术学院，太原 030006; 山西大学计算智能与中文信息处理教育部重点实验室，太原 030006;山西大学计算机与信息技术学院，太原 030006; 山西大学计算智能与中文信息处理教育部重点实验室，太原 030006;山西大学计算机与信息技术学院，太原 030006【正文语种】中文【中图分类】TP3931 引言真实世界中的许多系统都可以用网络来表示，例如，WWW的链接关系、Facebook中的好友关系、食物链网络、社会关系网络等[1]。
典型的社会网络分析软件工具及分析方法社会网络分析是一种探究人际干系和信息传播的方法，已经成为社会科学和管理科学中重要的探究工具之一。
随着互联网的普及和社交媒体的兴起，人们之间的社会网络变得越来越复杂。
为了更好地理解和分析社会网络，探究人员和分析师们开发了许多社会网络分析软件工具。
本文将介绍一些典型的社会网络分析软件工具，并谈论它们的分析方法。
二、典型的社会网络分析软件工具1. GephiGephi 是一个开源的网络分析和可视化软件工具，可以通过其图形用户界面（GUI）来分析和可视化社会网络数据。
它提供了丰富的网络分析算法和可视化选项，可以援助用户发现网络的核心成分、节点的度中心性、紧密中心性、介数中心性等重要的网络属性。
Gephi 还支持导入和导出多种常见的社会网络数据格式，如GraphML等，以便利用户使用。
2. UCINetUCINet 是一款经典的用于社会网络分析的软件工具，也是最早的商业软件之一。
UCINet 提供了一系列强大的网络分析功能，例如节点统计、集群分析、坐标估算等。
它还支持导入和导出多种不同格式的数据，并且可以通过命令行界面（CLI）进行批处理分析。
UCINet 还包含了一些可视化功能，可以援助用户更好地理解网络结构。
3. PajekPajek 是一个用于大规模网络分析和可视化的软件工具，尤其适用于处理包含成千上万个节点和边的复杂网络。
Pajek 支持多种网络数据格式，并且提供了丰富的网络分析算法，如社团发现、布局估算、节点属性分析等。
Pajek 的可视化功能分外强大，可以展示网络的节点、边以及它们之间的干系。
4. NodeXLNodeXL 是一个用于分析和可视化社交媒体网络的工具，特殊适用于分析 Twitter、Facebook 和 Flickr 等社交媒体平台上的数据。
NodeXL 支持导入和分析社交媒体的干系数据，如用户之间的关注干系、转发干系等。
除了常见的网络分析功能外，NodeXL 还提供了一些社交媒体特定的分析方法，如情绪分析、主题提取等。
一种基于节点重要度的社团划分算法吴卫江;周静;李国和【摘要】This paper points out that through mining the society existed in complex networks, the topological structure and function of complex networks can be analyzed, and the hidden rules can be found either. In order to get the optimal community structure, node importance matrix and clustering matrix are defined, combined the spectral bisection method based on graph and modularity function, an community partition algorithm ( CDNIM ) based on node importance is proposed. This algorithm is applied in karate club, dolphin networks, and other classical data sets, the result of experiment shows that this algorithm can effectively improve the accuracy of discovering community structure.%指出了通过挖掘复杂网络中存在的社团结构，可以分析整个复杂网络的拓扑结构和功能，还可以发现网络中隐藏的规律。
为了得到最佳社团划分结构，定义了网络的节点重要度矩阵和聚类矩阵，结合图的特征谱平分法和模块度函数，提出了一种基于节点重要度的社团划分算法( CDNIM)。
复杂通信网络的地理位置聚集性社团发现和可视化代翔【摘要】The geolocation is believed to have certain positive correlation with network structure in the communication networks,shopping network and other complex networks.The geolocation information is introduced into the task of complex network group detecting and visualization to improve the traditional label propagation algorithm and force-directed graph drawing algorithm.By performing the geolocation based clustering in advance,and then adding the geolocation based restriction in the iterative process,meaningless oscillations can be greatly minimized.The experiment proves that this scheme can speed up the discovery of community and the convergence speed of the algorithm can also be added to the influence of geographical location on the distribution of the community,and the performance of the fast community discovery algorithm can be improved both in convergence time and community discovery(Q value).%针对以通信网络为代表的一类复杂网络地理位置信息的聚集性与网络结构一定程度上的正相关性,探讨了将地理位置信息带入特定的复杂网络的社团发现和可视化任务中,改进传统的标号传播和力导引算法,提前进行网络的地理位置聚类分析,并对标号传播的和力导引的迭代过程引入基于地理位置的限制性条件,避免无意义的振荡.实验证明,提出的方法既可以加快社团发现和可视化算法的收敛速度,也可以通过地理位置对社团分布的影响提高快速社团发现算法的性能.针对存在地理位置聚集性的复杂网络数据,该方法无论在收敛时间还是社团发现结果(Q值)上都有较大提升.【期刊名称】《电讯技术》【年(卷),期】2017(057)006【总页数】7页(P615-621)【关键词】复杂通信网络;社团发现;地理位置;标号传播;力导引【作者】代翔【作者单位】中国西南电子技术研究所,成都610036【正文语种】中文【中图分类】TN921现实世界中存在着大量的网络结构，例如人际关系网络、工作协作网络、传染病传播网络以及新近产生的通信网络和社交网络等。
一文读懂社会网络分析(SNA)理论、指标与应用开新坑！社交网络分析（又称复杂网络、社会网络，Social Network Analysis）是诞生于数学图论、计算机科学、物理学的交叉碰撞中的一门有趣的学科。
缘起：我研究SNA已经有近2年的时光，一路坎坷走来有很多收获、踩过一些坑，也在线上给很多学生讲过SNA的入门知识，最近感觉有必要将心得和基础框架分享出来，抛砖引玉，让各位对SNA感兴趣的同学们一起学习进步。
我的能力有限，如果有不足之处大家一起交流，由于我的专业的影响，本文的SNA知识可能会带有情报学色彩。
面向人群：优先人文社科类的无代码学习，Python、R的SNA 包好用是好用，但是对我们这这些社科的同学来说门槛太高，枯燥的代码首先就会让我们丧失学习兴趣。
特征：类综述文章，主要目的是以通俗的语言和精炼的框架带领各位快速对SNA领域建立起一个全面的认知，每个个关键概念会附上链接供感兴趣的同学深入学习。
开胃菜：SNA经典著作分享《网络科学引论》纽曼 (访问密码 : v9d9g3)2概述:什么是网络？我们从哪些角度研究它？1) 认识网络SNA中所说的网络是由节点（node，图论中称顶点vertex）和边（edge）构成，如下图。
每个节点代表一个实体，可以是人、动物、关键词、神经元；连接各节点的边代表一个关系，如朋友关系、敌对关系、合作关系、互斥关系等。
最小的网络是由两个节点与一条边构成的二元组。
Les Miserables人际关系网络2) 构建网络就是建模马克思说过，“人的本质在其现实性上，它是一切社会关系的总和。
” 事实上，当我们想快速了解一个领域，无论该领域是由人、知识、神经元乃至其他实体集合构成，利用SNA的方法将实体及其相互关系进行抽象和网络构建，我们就完成了对某一领域的“建模”，这个模型就是网络图，拿科学网络计量学家陈超美的观点来说，借助网络图，“一图胜千言，一览无余”。
3) 社会网络类型这里展示了常见和常用的网络类型名词。
在线社会网络团结构分析的开题报告1. 研究背景和意义随着社会网络的广泛应用，越来越多的人开始在社交媒体上分享信息，建立朋友圈或者线上团体，这些线上群体的行为特征和结构信息一直备受研究者的关注。
从线下实体社会网络的研究中我们知道，一个团体的结构特征会影响到团体内部的交互模式和信息流向，影响个体的行为特征和社交关系等等。
因此，对于社交媒体上的社团网络结构进行研究，有助于我们更深入了解社交行为、构建更细致的社交分析模型。
2. 研究现状在社交媒体社团网络的研究方面，目前已经有很多相关的论文和研究成果，主要包括以下几个方向：（1）社团的识别和发现社交媒体上的社团有很多种类，既有用户自发形成的兴趣小组，也有品牌或者组织官方账号形成的粉丝群体。
因此，对于社团的识别和分类是社交媒体研究中非常重要的一环。
目前已经有很多研究针对社团的自动识别和发现进行研究，使用的方法主要包括社团检测算法和社团特征分析等。
（2）社团内部结构分析社团网络中的节点可以分为核心节点和边缘节点，核心节点在社团内部关系网络中起到重要的连接和传递作用。
因此，对于社团内部的结构特征进行分析是研究的重点之一。
目前已经有一些研究者使用聚类算法或者社区发现算法对社团结构进行了分析，发现了一些规律和特征。
（3）社团间的关系分析社交媒体的社团网络不仅存在于平台内部，有时也可以连接到其他网络上。
因此，对于社团间的连接和传递特征进行研究也十分重要。
目前已有一些研究者尝试采用多层网络分析的方法对社团间的关系进行了分析，并发现了一些有趣的结果。
3. 研究内容和方法本次研究的主要内容是对社交媒体上的社团网络结构进行分析，并针对性地研究社团内部的行为特征和社团间的连接传递特征。
基于现有的研究成果和方法，本研究采用以下方法：（1）数据采集和清洗。
选取在社交媒体上较为活跃的多个重点社团作为研究对象，利用API或者爬虫等技术采集相关数据，并进行数据清洗和处理。
（2）社团识别和分类。
