数学建模——K-means聚类算法与社团发现

将之前的课程报告整理一下，以具体的应用案例介绍K-means算法与其他方法结合的应用场景。

let's go~

1  概述

复杂网络是指规模庞大，具有自组织、自相似、小世界以及无标度特性的网络[1]。随着对复杂网络的深入研究，人们发现许多实际网络都有一个共同的性质，即社团结构；换句话说，实际网络是有若干个群或者团构成。社团性质表现为社团内部之间边连接紧密，社团与社团之间联系稀疏[2][3]。复杂网络社团结构的研究对于疾病传播的控制、病毒传播等具有重大意义。

寻找复杂网络的社团结构的传统的算法是分级聚类算法。它基于网络中各个节点之间连接的相似度或者连接的强度，将网络划分为若干个子群，并且根据是向网络中添加还是移除边的方法将算法分为凝聚算法（Agglomerative method)和分裂方法(Divisive method)[4]。其中应用较为广泛分级聚类算法是由Girvan等人提出的基于边介数的分裂算法（GN算法）[5]，GN算法是基于模块化优化的社团发现算法的代表，这个算法是2002年Girvan和Newman在PNAS上的一篇文章《Community structure in social and biological networks》中提出的，也是在这篇文章提出了复杂网络存在聚类特性即社团。GN算法通过不断删除介数值大的边来实现图的划分，但这一算法的复杂度太高，当节点较多时存在大量节点的重复计算，因此，在一定程度上并不适用与超大规模社交网络中的社团发现。

社交网络具有内容丰富、信息量大、节点多、随时间演化速度快等特点，在很多真实场景的研究和应用中，传统的社团发现和图划分算法并不适用，将K-means