登录 | 注册 | 充值 | 退出 | 公司首页 | 繁体中文 | 满意度调查
综合馆
大规模复杂网络社区并行发现算法
  • 摘要

    随着网络规模的不断扩大,传统社区发现算法已无法有效和高效地处理大规模网络数据.基于Spark分布式图计算模型,提出大规模复杂网络社区并行发现算法DBCS(Discovering Big Community on Spark).算法利用基于模块度的聚类思想,首先计算出节点对之间的模块度增量,然后迭代查找出所有模块度增量最大的节点对,对所有节点对进行合并操作,并更新节点对之间的模块度增量,进而实现大规模复杂网络社区识别.大量真实复杂网络与仿真网络数据集上的实验结果表明:DBCS算法能有效地解决传统社区发现算法无法处理的大规模复杂网络社区划分问题,百万级以上节点处理时间约为4min,是Hadoop平台下并行发现算法运行时间的1/20,社区识别准确率比传统社区发现算法提高了7.4%.

  • 作者

    乔少杰  郭俊  韩楠  张小松  元昌安  唐常杰  QIAO Shao-Jie  GUO Jun  HAN Nan  ZHANG Xiao-Song  YUAN Chang-An  TANG Chang-Jie 

  • 作者单位

    成都信息工程大学信息安全工程学院 成都 610225/西南交通大学信息科学与技术学院 成都 610031/成都信息工程大学管理学院 成都 610103/电子科技大学大数据研究中心 成都 611731/广西师范学院科学计算与智能信息处理广西高校重点实验室 南宁 530023/四川大学计算机学院 成都 610065

  • 刊期

    2017年3期 ISTIC EI PKU

  • 关键词

    复杂网络  社区发现  图计算  并行计算  模块度  社交网络  complex networks  community discovery  graph computing  parallel computing  modularity  social networks 

相似文献 查看更多>>
54.166.133.84