.png){kind=icon}
返回
K-Means Community Detection Algorithm Based on Density Peaks
.png){kind=icon}
OA
AI
DOI：10.3390/e28020152.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
社区结构的识别对于理解复杂网络的功能特性至关重要。为解决大多数现有社区检测算法需要预先定义社区数量且缺乏鲁棒性的局限性，本文提出了一种名为D-means（基于密度峰的K-means社区检测算法）的新型社区检测算法。该算法整合了密度峰聚类与K-means谱聚类概念，采用切比雪夫不等式自动确定社区中心数量，从而实现社区数量的无监督识别。通过设计多维评估框架，在LFR基准网络（Lancichinetti-Fortunato-Radicchi基准网络）和真实社会网络数据集上进行了比较实验。结果表明，D-means算法在ACC（准确率）、ARI（调整兰德指数）和NMI（归一化互信息）指标上优于传统算法，同时在运行效率上也有提升，展现出强鲁棒性。最后，将D-means算法应用于乌鲁木齐公共交通网络。实证分析识别出12个功能显著的交通社区，为城市轨道交通优化和商业设施布局规划提供了理论支持。
Keyword:
complex network
community detection algorithm
D-means algorithm
density peak clustering
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2
论文数:
956
被引数:
2.4W
机构
引用论文
Community Detection Method Based on Node Density, Degree Centrality, and K-Means Clustering in Complex Network.png)
EntropyOAAI
EntropyIF0
OAAI分享收藏DPC-MFP: An adaptive density peaks clustering algorithm with multiple feature pointsDpc-mfp: 一种具有多特征点的自适应密度峰值聚类算法NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容