A Particle-and-Density Based Evolutionary Clustering Method for Dynamic Networks

A Particle-and-Density Based Evolutionary Clustering Method for Dynamic Networks

    近年来，动态网络因其在捕捉随时间变化的自然和社会现象方面的巨大潜力而受到越来越多的关注。发现动态网络中的演化社区已成为一项重要任务。现有的演化聚类方法通常采用时间平滑框架，该框架具有很好的控制时间噪声和社区真实概念漂移之间的平衡的特点。然而，它们有一些主要的缺点:(1)假设随着时间的推移社区的数量是固定的;(2)不允许随着时间的推移随意开始/停止社区。新社区的形成和已有社区的消解是现实动态网络中非常普遍的现象。本文提出了一种新的基于粒子和密度的演化聚类方法，可以有效地发现任意形成和溶解的可变数量的社区。首先，将动态网络建模为大量粒子的集合，称为纳米社区，社区为密集连接的粒子子集，称为拟l-clique-by-clique(简称l-KK)。每个粒子包含关于数据或模式演化的少量信息，而给定动态网络中固有的准l-KKs为我们如何找到任意形成和溶解的可变数量的社区提供了指导。本文提出一种基于密度的聚类方法，通过使用代价嵌入技术和最优模块性，有效地找到时间上平滑的高质量局部聚类。本文还提出了一种基于信息论的映射方法，使平滑的局部簇序列尽可能接近数据固有的拟l-KKs。该映射方法的结果可以方便地识别出每个社区在演化、形成和溶解三个阶段中的阶段。在不同数据集上的实验结果表明，该方法在提高聚类精度的同时，时间性能也比现有方法提高了一个数量级