40、高效提取网络社区核心的算法研究

高效提取网络社区核心的算法研究

在当今互联网的海量信息中，网络社区的发现和提取对于人们获取有价值的信息至关重要。本文将介绍两种用于提取网络社区核心的算法：C&C 算法和基于词汇相似度改进的最大流算法，并对它们的原理、优势以及实验结果进行详细阐述。

Trawling 算法的局限性

Trawling 算法的目标是尽可能多地找到不重叠的核心，且这些核心大多对应真实的社区，而非偶然出现的完全二分子图。然而，Trawling 算法存在一些明显的缺点。

首先，其结果依赖于参数 i 和 j 的取值。例如，在特定图中，当 i > 3 或 j > 4 时，就无法识别出完全二分子图。而网络的未知性和庞大性使得 i 和 j 的初始化成为一个巨大的挑战。

其次，Trawling 的一些移除策略会破坏其他完全二分子图的结构，导致某些核心丢失。如在图中，节点 3 同时属于 C3,3 和 C3,4，移除与 C3,3 相关的节点会破坏 C3,4 的结构。此外，一个社区可能有多个核心，要求这些二分核心不重叠是不合理的。

C&C 算法：解决 Trawling 缺点的有效方案

为了克服 Trawling 算法的缺点，提出了 C&C 算法。该算法大致可分为两个阶段：单位核心提取和核心合并。

• 单位核心提取
  • 新的核心判断标准 ：Kumar 等人提出的寻找核心的标准仅适用于出度恰好等于 j 的顶点。为此，提出了新的标准（Criterion 2）来判断一个潜在的扇区是否能成为社区的一部分。