经典动态社区发现算法(GraphScope算法,FaceNet算法,QCA算法)

最新推荐文章于 2024-08-07 09:54:52 发布

蘑菇棒棒哒

最新推荐文章于 2024-08-07 09:54:52 发布

阅读量4.5k

点赞数 1

分类专栏：社区检测动态社区检测

本文链接：https://blog.csdn.net/qq_41106162/article/details/89879254

版权

本文介绍了三种动态社区发现算法：GraphScope、FaceNet和QCA。GraphScope通过合并图结构在改变点进行社区发现；FaceNet每个时间片都需更新网络和社区划分；QCA算法仅处理变化部分以提高效率，但可能牺牲准确性。这些算法在处理网络动态变化时各有优缺点。

摘要由CSDN通过智能技术生成

1.1 GraphScope算法
GraphScope算法[1,2,3], 是通过合并不同时间点的图结构从而获取到新图, 并对生成的新图应用社区发现。算法的具体过程:
判断新的时间点是否为改变点,即网络结构发生重大改变的时间片，整个过程不需要用户提供参数
(1) 若是则开始新的时间片并单独进行发现社区，且不对网络的变化进行关注;
(2) 若不是则合并当前时刻和该时间的图结构来获取新的图, 并在新图中应用社区发现算法, 合并后的新图拥有网络变化的各时刻信息, 同时会持续考虑网络的动态变化情况。
1.2 FaceNet算法
在这里插入图片描述

1.3 QCA算法
QCA算法[7,8], 是经典的自适应增量式处理网络动态变化的方法, 其t时刻的社区结构是基于上一时刻t-1和t时刻两者之间的网络变化而演化生成的。

评价：GraphScope算法和FaceNet算法在每一个时间片都需更新网络图和重新划分社区, 但一般情况下相邻的社区不会发生很大的变化, 因此这些算法会造成社区划分计算时间过长。QCA算法应用的是时间片递增变化处理方法, 仅对变化的网络部分进行计算, 因此可以提高算法的效率, 但会降低算法的准确率。
[1]Chen J Y, Fagnan J, Goebel R, et al. Meerkat:Community mining with dynamic social