.png){kind=icon}
返回
Graph reconstruction model for enhanced community detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.physa.2025.130440.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
社区发现是复杂网络分析中的一个基础任务，专注于通过分析节点间关系来揭示网络的潜在组织结构。尽管现有方法已取得显著成功，但它们在具有重叠社区或复杂拓扑结构的网络中往往表现不佳，这主要归因于它们依赖局部信息以及捕捉全局结构的能力有限。为克服这些局限性，我们提出了增强社区发现的图重构模型（GRMECD），这是一种将高阶信息与网络重构相结合的新型方法。GRMECD利用基于马尔可夫链的转移概率矩阵捕捉全局网络结构，从而实现有效的剪枝与重构，以提升社区发现的性能。在合成数据集和真实世界数据集上的实验评估表明，GRMECD始终优于当前最先进的方法，尤其是在具有复杂或重叠结构的网络中表现更为突出。
Keyword:
Community detection
Complex network
Markov chain
Graph reconstruction
期刊
P
IF:
3.1
论文数:
1.3K
被引数:
3.6W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏
查看更多内容