[目的/意义]以在线社交网络为研究对象,通过文献梳理准确捕捉社区发现的发展态势及研究热点,探究如何在大规模社交网络中挖掘隐藏社区,具有理论和实践意义。[方法/过程]以中国知网(CNKI)数据库、Web of Science核心合集及相关国际会议...[目的/意义]以在线社交网络为研究对象,通过文献梳理准确捕捉社区发现的发展态势及研究热点,探究如何在大规模社交网络中挖掘隐藏社区,具有理论和实践意义。[方法/过程]以中国知网(CNKI)数据库、Web of Science核心合集及相关国际会议文献作为数据来源,应用CiteSpace可视化分析工具从热点关键词、主题演化路径以及共被引文献等方面进行定量研究,并从社区发现方法、算法实现及应用实践3个维度对文献内容详细述评。[结果/结论]当前研究领域仍有广阔的发展空间,未来应注重算法的优化及创新、应用场景的区分和拓展以及融合跨学科知识、前沿技术方法的交叉研究。展开更多
社区发现能够揭示真实社会网络的拓扑结构和动态特性.目前的社区发现算法多针对静态社会网络所设计,而绝大多数真实社会网络的社区结构是动态变化的.针对动态社区发现,现有算法通常基于社区结构平稳变化的假设,无法处理演化过程中可能...社区发现能够揭示真实社会网络的拓扑结构和动态特性.目前的社区发现算法多针对静态社会网络所设计,而绝大多数真实社会网络的社区结构是动态变化的.针对动态社区发现,现有算法通常基于社区结构平稳变化的假设,无法处理演化过程中可能出现的大量社区消亡或涌现等突发事件.为解决有效并高效地发现大规模动态社会网络的社区结构的问题,提出了一种基于邻域跟随关系的社区表示模型Follow-Community,模型刻画的社区由不同角色的节点以及节点间的跟随关系组成,通过发现节点间存在的直接或间接的跟随关系,可将跟随同一个节点的节点所构成的集合归为一个社区.基于该模型提出了一种具有接近线性时间复杂度的邻域跟随算法NFA(Neighborhood Following Algorithm),遍历网络节点一次即可得到静态社会网络的社区结构.进一步扩展得到增量邻域跟随算法iNFA(incremental Neighborhood Following Algorithm).通过更新网络演化过程中相关节点的邻域跟随关系,iNFA可发现动态社会网络的社区结构及社区演化.实验结果验证了算法在大规模动态社会网络社区发现方面具有精度、效率以及稳定性的优势.展开更多
文摘[目的/意义]以在线社交网络为研究对象,通过文献梳理准确捕捉社区发现的发展态势及研究热点,探究如何在大规模社交网络中挖掘隐藏社区,具有理论和实践意义。[方法/过程]以中国知网(CNKI)数据库、Web of Science核心合集及相关国际会议文献作为数据来源,应用CiteSpace可视化分析工具从热点关键词、主题演化路径以及共被引文献等方面进行定量研究,并从社区发现方法、算法实现及应用实践3个维度对文献内容详细述评。[结果/结论]当前研究领域仍有广阔的发展空间,未来应注重算法的优化及创新、应用场景的区分和拓展以及融合跨学科知识、前沿技术方法的交叉研究。
文摘社区发现能够揭示真实社会网络的拓扑结构和动态特性.目前的社区发现算法多针对静态社会网络所设计,而绝大多数真实社会网络的社区结构是动态变化的.针对动态社区发现,现有算法通常基于社区结构平稳变化的假设,无法处理演化过程中可能出现的大量社区消亡或涌现等突发事件.为解决有效并高效地发现大规模动态社会网络的社区结构的问题,提出了一种基于邻域跟随关系的社区表示模型Follow-Community,模型刻画的社区由不同角色的节点以及节点间的跟随关系组成,通过发现节点间存在的直接或间接的跟随关系,可将跟随同一个节点的节点所构成的集合归为一个社区.基于该模型提出了一种具有接近线性时间复杂度的邻域跟随算法NFA(Neighborhood Following Algorithm),遍历网络节点一次即可得到静态社会网络的社区结构.进一步扩展得到增量邻域跟随算法iNFA(incremental Neighborhood Following Algorithm).通过更新网络演化过程中相关节点的邻域跟随关系,iNFA可发现动态社会网络的社区结构及社区演化.实验结果验证了算法在大规模动态社会网络社区发现方面具有精度、效率以及稳定性的优势.
