1、現(xiàn)實(shí)生活中的很多網(wǎng)絡(luò),如互聯(lián)網(wǎng),電力系統(tǒng)網(wǎng),神經(jīng)網(wǎng),人際關(guān)系網(wǎng),都可以看成是復(fù)雜網(wǎng)絡(luò)。這些網(wǎng)絡(luò)共同的特點(diǎn)就是具有小世界,無標(biāo)度,社團(tuán)結(jié)構(gòu)等特性。其中社團(tuán)結(jié)構(gòu)是復(fù)雜網(wǎng)絡(luò)最重要的特性之一,尋找和分析社團(tuán)結(jié)構(gòu)有助于更好地了解網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu),分析網(wǎng)絡(luò)的性質(zhì)。所以,復(fù)雜網(wǎng)絡(luò)的社團(tuán)結(jié)構(gòu)研究近年來成為人們研究的熱點(diǎn)問題,大量的復(fù)雜網(wǎng)絡(luò)社團(tuán)挖掘算法陸續(xù)被提出來。本文從社團(tuán)的相似性定義出發(fā),研究了現(xiàn)有的節(jié)點(diǎn)相似性度量指標(biāo),提出了一種新的局部相似性指數(shù),結(jié)

2、合現(xiàn)有的基于相似性的社團(tuán)檢測(cè)算法對(duì)網(wǎng)絡(luò)社團(tuán)進(jìn)行劃分。主要工作如下:
　　(1)研究經(jīng)典的復(fù)雜網(wǎng)絡(luò)社團(tuán)結(jié)構(gòu)檢測(cè)算法,分析了研究復(fù)雜網(wǎng)絡(luò)社團(tuán)結(jié)構(gòu)的一般方法。
　　(2)在研究現(xiàn)有的網(wǎng)絡(luò)節(jié)點(diǎn)的相似性指標(biāo)的基礎(chǔ)上,定義了一種新的局部相似性指數(shù),從理論上證明了該局部相似性指數(shù)在社團(tuán)檢測(cè)方面比其它局部相似性指數(shù)更具優(yōu)勢(shì)。
　　(3)提出了一種基于局部相似性的K-means譜聚類算法,該算法采用網(wǎng)絡(luò)節(jié)點(diǎn)相似性矩陣的前 K個(gè)最大特征值

3、所對(duì)應(yīng)的特征向量為坐標(biāo),將網(wǎng)絡(luò)節(jié)點(diǎn)映射到歐式空間,再采用 K-means譜聚類算法對(duì)其進(jìn)行社團(tuán)劃分,算法根據(jù)最大特征值間距預(yù)測(cè)社團(tuán)個(gè)數(shù),再采用模塊度進(jìn)行驗(yàn)證。在計(jì)算機(jī)生成的網(wǎng)絡(luò)和大量的實(shí)際網(wǎng)絡(luò)驗(yàn)證該算法的可行性和有效性。
　　(4)提出了一種基于局部相似性的AP聚類算法,該算法以節(jié)點(diǎn)的局部相似性矩陣作為基礎(chǔ),起初將所有的節(jié)點(diǎn)視為聚類中心,通過對(duì)每個(gè)節(jié)點(diǎn)的“吸引度”和“歸屬度”不斷修改,來確定最優(yōu)的聚類中心和每個(gè)節(jié)點(diǎn)的社團(tuán)歸屬。在計(jì)