论文部分内容阅读
近几年来，复杂网络已经成为了人们研究的一个热点，越来越多的研究者们进入了这一领域。研究表明，复杂网络普遍的具有社团结构这一特性。如何有效快速的找到网络所具有的社团结构已经成为人们研究的一个重要方向，也已经取得了一定的研究成果。 目前所研究的复杂网络都是无符号的网络，即权值均为正值的网络。而现实世界的很多复杂系统往往具有两面性的关系。对于这类系统，如果用传统复杂网络来表示，则可能会丢掉一些很重要的性质。因此,我们用符号网络来表示这种系统，符号网络是指同时有积极和消极两种关系的网络。符号网络中的社团结构是研究者们比较关注的一个课题。虽然社团划分算法已经发展了很久，但是绝大部分算法仅适用于只包含正关系的网络，并不适用于符号网络。基于这种现状，本文提出了一种针对符号网络的社团划分算法，它同时考虑了边的连接密度和符号。 本文详细介绍了符号网络的定义，网络中的基本性质特征以及社团结构的基本定义。然后分析了适用于符号网络的模块度函数，并对其进行转换，得到了模块度函数的另一种形式。随后提出了一个基于模块度的适用于符号网络的社团划分算法，这个算法不仅将模块度函数作为社团划分结果好坏的衡量标准，而且将模块度函数直接应用到这个算法上。算法运行过程中，每循环运行一次，模块度都要求有一个最大的增量，直到模块度不再增大时，算法停止。由于模块度函数中同时考虑了边的密度和符号，在这个算法中，这两个特征自然也被考虑进去了。 文中使用实验法，通过四个数据对算法的有效性进行了验证，发现通过算法所得到的社团结构与实际存在的社团结构是一致的，并得到一个较大的模块度的值，说明了算法的有效性。然后利用仿真的方法，建立了仿真模型，与FEC算法对比，分析了算法的优越性。最后，利用此算法对所收集的数据和加权的复杂网络进行了社团结构的划分和分析。 本文的创新点有两个：一是根据符号网络中的模块度定义提出了它的另一种表达形式，它是从社团的角度进行定义的；二是利用文中的算法对评论网络进行了社团结构划分，分析了这类网络所拥有的性质。