摘要：在当今信息化的社会中，出现了许多复杂网络，我们可以通过研究社团结构来更好地理解复杂网络的结构及特征。本文首先研究了复杂网络的基本概念及其模型，在此基础上，利用AR-Cluster算法实现了属性网络的社团检测；同时，针对现实生活中复杂网络有重叠社团现象这样一个状况，利用NI-DF算法实现并验证了对重叠社团的检测。

（1）AR-Cluster算法：应用于节点具有属性特征的网络中的基于节点相似度的社团检测算法。AR-Cluster提出了吸引度和相似度两个全新概念，并且通过它们的协同作用定义节点之间的相似度，最后在K-Medoids算法框架下聚类。

（2）NI-DF算法：应用于重叠节点检测中的基于节点重要度来检测社团结构的算法。首先提出计算节点重要度的方法，选择节点重要度值最大的节点作为中心节点，通过TROC算法的中心节点扩展方法划分网络。最后，在之前网络划分的基础之上用区别函数检测重叠点。

关键词：复杂网络；结构特征；社团检测；节点相似度；节点重要度

目录

摘要

Abstract

1 前言-1

1.1 研究背景-1

1.2 研究意义-1

1.3 研究现状-2

1.4 论文研究内容及论文结构-3

1.4.1论文主要内容-3

1.4.2论文组织结构-3

2 预备知识-4

2.1 复杂网络简介-4

2.2 复杂网络模型-4

2.2.1技术网络-4

2.2.2社交网络-4

2.2.3信息网络-5

2.2.4生物网络-5

2.3复杂网络社团检测算法简介-5

3 基于节点相似度的社团检测算法-7

3.1 引言-7

3.2 节点相似度-7

3.3 AR-Cluster算法-9

3.3.1吸引度和推荐度-9

3.3.2结构相似度-10

3.3.3属性相似度-10

3.3.4节点相似度计算-10

3.3.5算法描述-11

3.4实验设置-12

3.4.1实验数据集-12

3.4.2评价指标-12

3.4.3对比算法-13

3.5实验结果及分析-13

3.6 本章小结-17

4 基于节点重要度的重叠社团检测算法-18

4.1 引言-18

4.2 节点中心性-18

4.3 NI-DF算法-19

4.3.1节点重要度-19

4.3.2社团检测算法-20

4.3.3重叠点检测-22

4.4实验设置-22

4.4.1实验数据集-23

4.4.2评价指标-23

4.4.3对比算法-23

4.5 实验结果及分析-24

4.6 本章小结-29

结论-30

参考文献-31

致谢-34