基于非负矩阵分解的稀疏网络社区发现算法
The Non-negative Matrix Factorization Based Algorithm for Community Detection in Sparse Networks作者机构:湖北大学计算机与信息工程学院湖北武汉430062 北京邮电大学信息与通信工程学院北京100088
出 版 物:《电子学报》 (Acta Electronica Sinica)
年 卷 期:2023年第51卷第10期
页 面:2950-2959页
核心收录:
学科分类:08[工学] 081203[工学-计算机应用技术] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金(No.61977021) 湖北省教育厅科学研究计划项目(No.Q20211010)。
主 题:稀疏网络 社区发现 拓扑结构特征 非负矩阵分解 正则化矩阵
摘 要:社区结构是复杂网络的重要特征之一,社区发现对研究网络结构有重要的应用价值.基于非负矩阵分解(Non-negative Matrix Factorization,NMF)的社区发现方法是解决社区发现问题的一类基本方法,然而,大多数不能很好地扩展以适用于大型网络,并且在稀疏网络上往往会失败.由于表达复杂网络拓扑结构特征的邻接矩阵在数据矩阵稀疏时,特征向量的局部化导致基于NMF的方法往往无法工作.本文提出一种基于NMF的稀疏网络社区发现算法,尝试提高使用非负矩阵分解方法进行社区发现的准确性以及普适性.本文提出从局部特征向量学习正则化矩阵用来表达原始网络拓扑结构特征,得到的特征矩阵能够很好地发掘数据矩阵隐含的全局结构有更强的特征表达能力.与邻接矩阵相比,正则化数据矩阵克服了由于稀疏或噪声引起的特征向量(或奇异向量)的局部化问题.在人工网络和现实网络中的实验结果显示:与经典的基于NMF的社区发现算法相比,该算法能够发现更准确的社区结构,同时,在稀疏网络上也有较好的表现.