基于节点聚类复杂度的图聚类方法 |
| |
引用本文: | 郑文萍,王富民,刘美麟,杨贵.基于节点聚类复杂度的图聚类方法[J].计算机科学,2023(11):77-87. |
| |
作者姓名: | 郑文萍 王富民 刘美麟 杨贵 |
| |
作者单位: | 1. 山西大学计算机与信息技术学院;2. 计算智能与中文信息处理教育部重点实验室(山西大学);3. 山西大学智能信息处理研究所 |
| |
基金项目: | 国家自然科学基金(62072292); |
| |
摘 要: | 图聚类可以发现网络中的社区结构,是复杂网络分析中的一项重要任务。针对不同节点的聚类难度各异的问题,提出了一种基于节点聚类复杂度的图聚类算法(Graph Clustering Algorithm Based on Node Clustering Complexity, GCNCC),用于判断节点的聚类复杂度,为聚类复杂度低的节点赋予伪标签,利用伪标签提供的监督信息降低其他节点的聚类复杂度,进而得到网络聚类结果。GCNCC包括节点表示、节点聚类复杂度判别和图聚类3个主要模块。节点表示模块得到保持网络集聚性的表示;节点聚类复杂度判别模块用于判断网络中的低聚类复杂度节点,并利用低聚类复杂度节点的伪标签信息来优化更新网络中其他节点的聚类复杂度;图聚类模块采用标签传播方法,将低聚类复杂度节点标签传播给高聚类复杂度节点,以得到聚类结果。在3个真实的引文网络和3个生物数据集上与9种经典算法进行对比,算法GCNCC在ACC,NMI,ARI和F1等方面均表现良好。
|
关 键 词: | 图聚类 节点聚类复杂度 网络嵌入 自监督 |
|
|