基于局部邻域连通性的重叠社区发现算法

发现复杂网络中的重叠社区是目前复杂网络分析的重要内容.选择社区代表性强的节点作为种子节点进行扩展是基于种子扩展策略重叠社区发现算法的关键,提出了一种基于度信息和邻域连通性的节点邻域中心 性度量指标,并在此基础上提出了 一种基于局部邻域连通性的重叠社区发现算法(Local Neighbor-hood Connectivity-based overlapping community detection Algorithm,LNCA).首先计算每个节点的局部邻域连通熵和邻域中心性cc,选择中心性高的节点作为种子节点;然后采用带重启的随机游走策略扩展种子节点并得到初始社区;最后合并重叠度较大的社区得到最终社区发现结果.在6个带真实社区标签的网络和9个无真实社区标签的网络上,与SL-PA、DEMON、CPM、Node_Perception、Ego_Networks、Egonet_Splitter 等 6 个经典重叠社区发现算法进行比较,结果表明,在带标签网络上,LNCA算法在重叠NMI和F1分数上优于多数对比算法,可得到与网络真实社区更匹配的社区结构;在无标签网络上,LNCA在重叠模块度上有明显优势,可得到稳定社区发现结果.