文摘
艰苦的采矿和艰苦的发现隐藏在复杂网络社区结构得到了极大的关注由研究团体和多方面的网络中是一个热门领域,因为它不仅揭示了细节多方面的网络的层次结构,但也有助于更好地理解网络的核心功能和随后的信息的建议。由两部分构成的网络属于多方面的网络的节点可以分为不同的节点集,没有顶点之间的边协助。尽管简要研究,发现一种模式的社区网络社区检测由两部分构成的网络不是研究。在本文中,我们提出一个新颖的Rider-Harris鹰派优化(RHHO)由两部分构成的网络社区检测算法通过节点相似性。拟议中的RHHO是骑手的集成开发的优化与哈里斯鹰(RO)算法优化(HHO)算法。此外,一个新的评价指标,即。,h-Tversky Index (h-TI), is also proposed for computing node similarity and fitness is newly devised considering modularity. The goal of modularity is to quantify the goodness of a specific division of network to evaluate the accuracy of the proposed community detection. The quantitative assessment of the proposed approach, as well as thorough comparative evaluation, was meticulously conducted in terms of fitness and modularity over the citation networks datasets (cit-HepPh and cit-HepTh) and bipartite network datasets (Movie Lens 100 K and American Revolution datasets). The performance was analyzed for 250 iterations of the simulation experiments. Experimental results have shown that the proposed method demonstrated a maximal fitness of 0.74353 and maximal modularity of 0.77433, outperforming the state-of-the-art approaches, including h-index-based link prediction, such as Multiagent Genetic Algorithm (MAGA), Genetic Algorithm (GA), Memetic Algorithm for Community Detection in Bipartite Networks (MATMCD-BN), and HHO.
1。介绍
自然,被认为是复杂系统分为多个社区或模块。通常,为了表示网络,说社区或模块贴上集群节点相关的简洁与稀缺的链接到其他集群的节点。复杂网络模型有几个表示,包括一种模式网络,由两部分构成的网络,和多模网络,但双方的网络是非常接近的存在一种自然现象,特别是建模协会两个不同类型的实际对象之间的关系。在一个由两部分构成的网络中,有两种不同的节点。节点之间边的存在是有条件的,如果连接节点与其他类型相关联。由两部分构成的网络维护丰富的信息对于整个网络建模和分享重要的统计特性如聚类系数作为他们的单模形式。许多现实世界的应用程序包括P2P网络,娱乐和观众网络,研究协调网络,网络和项目贷款。
社区检测本质上有着重大贡献在许多复杂网络,特别是一个重要的类,即。由两部分构成的网络。社区特征识别和二分法由两部分构成的网络不仅揭示的细节层次结构多方面的网络也有助于更好地理解网络的核心功能和随后的信息的建议。由两部分构成的网络属于多方面的网络的节点可以分为不同的节点集,没有顶点之间的边协助。尽管简要研究,发现一种模式的社区网络社区检测由两部分构成的网络不是研究。
社区检测领域的一个热门研究领域网络科学提出了能够提供视觉的基本结构和网络提供了即将到来的函数。许多现实世界的模型,如互联网、食物网,社会关系,生物系统被认为是复杂网络(1,2]。社区是表示为一个复杂网络描述为节点的集合,坚强地与另一个但偶尔与节点存在外部(集3]。基于社区检测算法识别节点的开发,模块,或集群内部网络,更容易比其他网络彼此相互关连。这个过程进行时,节点属于同一个社区而执行不同的节点属于其他社区(4]。社交网络使用属性节点是由两偶图和提取的bicommunities显示后一式两份的书目的像其他社区网络是用于引用推荐(4,5]。由两部分构成的网络也被称为双模网络或联系网络中节点分为两个不同的集合,包括上下节点。在这里,每条边是适应上层节点连接到较低的节点。在这里,两者之间不存在边缘上节点和之间没有边躺下节点(6]。由两部分构成的网络提供了一个洞察范例之间的两个不相交的团体使用的应用程序之间的引文网络,独立组织、协作网络和生态网络。在这里,偶图包含了特定覆盖属性也称为最大匹配(7]。
由两部分构成的网络可以集中体现在真实场景中考虑两个不同类别的对象,包括电影演员关系和paper-reference关系。目标网络的二分法如若协助披露更多的细节比单一模型网络(5]。由两部分构成的网络统计特性提供单模的形式有助于定义节点两部分组成的单一模型最初由两部分构成的网络和提供了度分布、聚类系数来处理更多的信息使用真正的网络建模与单一模型版本(4]。网络模型被广泛应用于现实,和研究人员提供一式两份的网络相关研究使用实时应用,合作网络和P2P网络交换(8]。存在两种方式对弯曲不同的对象类的关系涉及投影法和nonprojection法(8]。投影法项目由两部分构成的网络的两个部分考虑某些节点评价进一步研究。相似性策略使用的频繁链接预测策略中每一对节点认为接近得分,描述了基于网络结构,意味着两个节点是相似的,如果他们提出更高的结构相似之处(9]。该方法(10)是一种基于模块化的启发式方法优化和展示高质量的社区检测模块由两部分构成的网络。鲁汶算法的效率和有效性证明了几个应用程序。
许多社区检测技术是为了认识到社区结构。一些标准的算法或最优值是由良好的分区。此外,良好的分离也揭示了组织使用不同分辨率的群落结构(11]。传统,层次聚类和图像分割策略如凝结的算法和破坏性的同行用于解决社区检测的问题12]。在[13),模块化是划定测量的质量分区。科雷亚et al。14)是一个复杂的网络词义消歧方法。通过社区检测的输入-输出由两部分构成的图表(英国),唐宋Daoutidis [15)提出了分布式控制网络分解。为了发现必要的IP流量模式,维亚德et al。16流)派系用于双方的联系。黄等。17)提出了一种新颖的链接预测大规模miRNA-lncRNA BG交互网络。Rechner et al。18]介绍了均匀采样的英国地质调查局学位建议间隔。基于复杂网络理论,关et al。19)提供了一个面向服务的端到端网络的部署策略切片。扁和邓20.]进行研究来识别有影响力的节点在复杂网络。高et al。21写了一篇论文;名为“一种适应性optimal-Kernel时频表示复杂网络方法描述使用SSVEP-based BCI系统疲劳行为。“黄等。22)进行的一项调查在多层网络社区检测的技术。Rostami et al。23)提出了一种遗传算法的特征选择是基于一种新型社区检测、李et al。24)提出了凸松弛技术社区检测和Joo et al。25)利用社区检测为研究流计网络分组。模块化是用来反映边缘的部分使用相关的社区使用社区开发的边的数量。这里的方法设计了一个空模型,利用计算的节点度的不确定性建立节点之间的边。
此外,高价值的模块化指定好分区,从而最大化的标准使用优化方法[26]。然而,固执来确定精确的最优解的问题。因此,许多近似技术设计为社区检测。在[13],贪婪的方法被设计为社区检测。算法显示有效的性能,被认为是一种有效的算法来检测节点的相似性。鲁汶算法包含两个重要的过程。在初始阶段,利用每个节点的社区,本地模块化优化。同一社区的节点是聚合和被认为是supernode形成了粗粒度的网络小说。执行的过程是反复使用集中网络考虑模块化设计中包含的节点运动网络。尽管鲁汶算法和modularity-based策略造成一定的缺点,他们仍广泛用于评估现实问题(27]。
本研究的主要目的是设计一个社区检测技术由两部分构成的网络中基于节点相似性。这里,h-Tversky指数(h-TI)措施是新设计的通过修改h指数基于Tversky指数计算节点的相似性。这种方法是基于节点之间的相似性度量,利用由两部分构成的网络。该算法保持着联系的周期最大化节点之间的相似性来定义社区。然后执行社区检测的基础上,提出Rider-Harris鹰派优化算法(RHHO)和模块化。RHHO介绍了研究开发的整合与哈里斯鹰骑士优化(RO)算法优化(HHO)算法。此外,健身是新设计考虑模块化和提出h-Tversky指数(h-TI)评估节点的相似性。模块化的目的是列举具体的分工网络的完整性评估拟议的社区检测的准确性。
主要贡献是招募如下:(我)提出RHHO社区检测方法:提出RHHO算法是一种新颖的推导通过RO和HHO算法的结合,为社区检测(2)提出h-Tversky指数(h-TI)节点相似性:节点之间的相似性评估通过整合h指数和特沃斯基相似性指数
本文的其他部分安排如下。部分2描述了传统的社区检测的策略用于文学和所面临的挑战,积极发展中提出的技术。社区检测的目标模型使用两偶图中说明了部分3。提出的方法引入社区检测通过RHHO节中描述4。结果RHHO与其他技术相比在介绍部分5最后,部分6提供了结论。
2。动机
社区检测是np难的问题,因为人们使用不同的技术来解决优化问题。因此,精确算法像群进化算法(EAs)和智能算法是用于社区检测,但是需要更多的时间收敛全局最优的解决方案。限制与模块化标识,称为分辨率极限。此外,模块化未能确定节点较少的群落结构。上述限制站作为小说的动机设计社区检测模型由两部分构成的网络。
2.1。文献调查
基于现有8个社区的技术检测算法使用由两部分构成的网络。周et al。9设计两h-index-based使用引文网络链接预测技术。在这里,h形指数用于计算使用引文网络的重要节点。此外,预测的准确性发现更好,而且该方法不适用与其他类型的网络来提高系统的性能。Gmati et al。4)设计Fast-Bi社区检测(FBCD)检测社区在社交网络使用的节点属性。模型的目标是发现使用两偶图的最大匹配,减少并发症。由两部分构成的网络的方法没有使用其他像导演一样,加权,或为确定动态网络社区结构。格瓦拉et al。28)设计了迷因算法,即MATMCD-BN使用双模网络社区检测。方法采用常规string-driven表示策略染色体表示。这里,使用由两部分构成的种群初始化方法设计了网络提高收敛速度。此外,density-based双边的模块化功能使用适应度函数设计。然而,该方法未能确定多个节点。Chang et al。7)设计重叠社区发现战略考虑完全偶图使用microbipartite网络Bi-EgoNet (cbre和本)相结合的好处两偶图和Bi-EgoNet产生最好的群落结构。然而,该方法未能评估面临的相关问题考虑Bi-EgoNet由两部分构成的网络。太阳et al。29日)为确定双模设计BiAttracter社区使用由两部分构成的网络。该方法计算距离的基础上动态吸引子模型。尽管该方法精确地确定了双模由两部分构成的社区网络在更短的时间内,它未能发现社区检测考虑异构网络,多级网络,网络和时间。李等人。3)设计量化函数确定考虑双方的网络社区结构。此外,启发式和适应标签传播算法(BiLPA)设计优化量化函数使用大规模由两部分构成的网络。然而,一些数据的获得双方的网络失踪的提出网络。周et al。10)设计了一种使用由两部分构成的网络社区检测方法。这里,扩大双边的模块化设计和鲁汶算法设计。鲁汶算法适应本土移动启发式展开的完整层次结构网络。此外,拉普拉斯算子的动力学分析被认为是社会结构的恒常性但未能开发社区支持的推荐模型。雪et al。30.)设计了一个方法解决冷启动问题的社区检测考虑两偶图。起初,解耦标准化策略是用于提取倾向模式考虑评级。此外,两个增量社区检测方法被设计用于捕获有趣的变化基于失踪的评级方法。然而,这项技术是不成功的在使用的成对约束semisupervised学习增强系统的性能。
2.2。挑战
面临的挑战传统的技术来开发一个有效的社区检测方法描述如下:(我)面对社区检测方法的另一个缺点是加权模块化。这里的加权网络模块化才会生效的所有连接都是正的。然而,这些方法未能在加权网络创建模块设计优势(正面和负面的联系26]。(2)确定网络的结构有利于说明配方功能和性能,被认为是一个重要的问题在社区检测(1]。(3)在[30.),增量与模型设计为社区检测。然而,实证分析并没有提供一个合理的解释来简化分组方法,未能把宝贵的拓扑信息。(iv)在[9),h-index-based链接预测方法是使用引文网络开发的。然而,它没有考虑h指数和特沃斯基相似性指数和索尔顿海来提高性能。(v)由两部分构成的网络适应复杂网络的类别,其顶点分布为两个疏远的顶点集合,这样不存在任何顶点之间的边的集合/集和边节点之间只存在不同的集合。即使在一种模式网络,社区发现被广泛研究,在双方的网络社区检测尚未研究由于原文的投影失去重要的信息由两部分构成的网络。
3所示。社区检测目标模型
社区检测是一个基本的工具用于发现隐藏在复杂网络上的有价值的信息。许多由两部分构成的网络社区检测技术设计了考虑不同的观点。然而,这些技术的效率恶化当社区结构模糊不清。改善社区结构是一个复杂的任务。由两部分构成的网络是复杂网络的一个重要类在实际系统中,在每个节点是不同类型的,没有完全相同的两个节点类型。例如,一个由两部分构成的网络,有三个社区如图1。
随着双方的网络构成社区结构和社区是相互独立的,帮助暴露不定功能模块。这些社区的分析和检测由两部分构成的网络提供了一个方法的功能分类由两部分构成的网络。社区检测是一项非常具有挑战性的任务由于考虑双方的网络社区检测问题是np困难的事实。该算法使社区检测问题成为一个组合优化问题。
模块化是广泛应用的质量评估特定分区的一个网络社区。此外,模块化程度反映了,相对于一个空模型网络的边缘形成社区内,而不是它们之间。进一步,提出由两部分构成的模块性措施,这可能是有用的识别社区由两部分构成的网络。反过来,模型是新设计,相同数量的节点和度分布的原始网络的边缘节点所取代。
假设两偶图建模为一个无向图 在哪里代表的一组节点和表示一组边缘。的节点集表示为 在哪里和表示节点的类型和类型 。边的集合表示为 。边缘的姿势能够连接不同类型的节点,建模为边缘 ,和表明两偶图的边的数量。检测两偶图表示为社区 这是用来分区成子图,建模为 在哪里 和是一个社区的总数。
3.1。一式两份的模块化检测节点之间的相似性
模块化(31日)设计了量化的特定部分的完整性提供网络和被认为是一种普遍的基准指数计算社区检测的准确性。群落结构被定义为一个模型在统计学上令人惊讶的方式安排边缘。假设表示节点的程度和表示总边数。节点之间的边的概率被呈现和节点被表示为 。模块化量化边的数量基于新设计的模型可以表示为 在哪里在所有组代表不同的总和,表明网络的大小,表示节点之间的相邻关系和节点 , 表示节点的程度 ,和表示节点的程度 , 1如果表示一个函数获得一个值 和接收值0,否则,表示边的数量,显示的节点 。这里的价值−1和1之间变化,更大的价值表明一个更精确的分工网络社区。一个由两部分构成的网络节点可以表示为二元性 在哪里和表明两种类型的节点等 ,在左边的表示一种类型的节点和右边的显示其他类型的节点。一式两份的模块化,认为一个特定类型的节点在网络社区作为
unipartite网络可以表示为一个由两部分构成的一个,和双方的网络可以恢复给定网络的模块化。如果每个节点是由两个节点和和每条边是由两个节点和然后unipartite网络节点和边缘转换为相应的由两部分构成的网络节点和边缘。此外,由两部分构成的网络被认为是一个巨大的网络,提供了一个解决方案来处理社会结构检测。一式两份的模块化是作为一个标准化的目标检测社区使用优化。
3.2。提出了节点相似性h-Tversky指数(h-TI)
在这个研究中,提出的一种新型h-Tversky相似性指数Tversky指数结合h指数(9)计算两个节点之间的相似性。特沃斯基指数相似度度量用于比较变量的原型。特沃斯基指数被认为是一个泛化的骰子系数和Tanimoto系数。另一方面,h指数是一个术语,用于发现节点考虑引文网络的重要性。h指数也称为游说指数的基础上设计了舒伯特的h指数。与高度的邻居节点加强h指数,已经被发现了。因此,特沃斯基的组合指数和h指数评估类似的节点定义为了提高网络性能。拟议中的h-Tversky相似性指数表示
相似函数的值在上面的形式是单位时间有限 。这个公式概括许多常见的相似性函数合适的参数值, , , ,和选择的区间尺度函数。例如,如果 Tversky指数Jaccard指数或Jaccard相似系数是一样的。当 和 ,特沃斯基的公式是一样的骰子相似系数,在这里, 和 , 表示一组常见的邻居节点j和 , 对应的重量和原型表示变异的重量,代表一个节点的h指数 ,和指定节点的h指数 。在这里,一个节点的h指数表示为 在哪里表示节点的总数,代表了邻接矩阵,表示节点的程度邻居。
4所示。提出Rider-Harris鹰优化(RHHO)为社区检测
社区检测的目标是生成高质量的社区结构。达到目标,小说h-Tversky指数(h-TI),结合h指数和特沃斯基相似性指数确定节点的相似性。基于相似性,社区检测考虑拟议中的RHHO执行算法。拟议中的RHHO设计通过集成RO (32]和HHO [33]。提出RHHO算法是用来确定在多方面的网络社区,这是优化网络模块化的基础上完成的。拟议中的RHHO是一种新型的种群初始化方法,它有助于加速收敛。此外,适应度函数,即h-Tversky相似性指数,是新设计计算人口的个人。
4.1。两偶图
考虑一个两偶图表示为图 在哪里表示节点的设置和表明边缘的集合。节点的集合表示为 在哪里和表示节点的类型和类型 。边的集合表示 。边缘的姿势能够连接不同类型的节点,建模为边缘 和表明两偶图的边的数量。检测两偶图表示为社区 ,这是用来分区成子图,进行建模 在哪里 和是社区的总数。
4.2。确定节点相似性
相似度被定义为一个度量用于计算的两对节点之间的亲密关系。许多基于节点相似性措施在文献中描述的本地信息,显示不同的性能确定复杂网络的社区结构。然而,该方法计算节点相似性网络中使用一个适应度函数派生的一式两份的模块化和h-Tversky相似性指数。这里,适应度函数是一个最大化函数表示为 在哪里表示由两部分构成的模块化和代表提出h-Tversky相似性指数考虑一个特定的社区结构。拟议中的h-Tversky相似性指数,认为一个特定类型的节点在网络社区给出 在哪里代表一个边缘和数量1如果表示一个函数,获得价值 和获得价值0否则,代表提出h-Tversky相似性指数,表示的一组节点 ,和表示的一组节点 。
4.3。提出的算法步骤Rider-Harris鹰优化(RHHO)算法
HHO [33)修改使用RO算法(32]在HHO的更新规则更新基于旁路骑手在RO算法的更新规则,从而获得新的算法,一个RHHO,用于执行社区检测最优。基本上,HHO追逐行为的启发,哈里斯鹰。HHO提供了一个平滑过渡的开发,探索,有助于提高探索性行为。此外,解决方案的质量改进的迭代次数。HHO算法有效地处理与当地最优解搜索空间的困难。另一方面,RO算法是受车手赛车达到一个特定的目的地。同时,平时RO算法显示良好的全局最优收敛。基于虚构的想法和思想,没有像其他自然和人工计算算法,RO算法在虚构的计算平台工作。RO算法的优化行为取决于乘客的四组,每个展示特定的特征。超越骑士派生新的更新规则HHO算法通过使用RO算法。 The advantages of bypass include the faster convergence with greater global neighborhoods. Hence, in the current RHHO, the optimal global convergence is enhanced at the maximal iteration. The algorithmic steps of the introduced RHHO are defined as follows.
4.3.1。步骤1:初始化
首先是初始化的人口来标示总兔子, 在哪里是总解决方案,然后呢表示解决方案。
4.3.2。步骤2:确定适应度函数
计算解决方案的成功率或健身的基础上由两部分构成的模块化和提出h-Tversky相似性指数,阐述了在部分4所示。2。因此,解决方案的健身方程描述了(3)。
4.3.3。步骤3:确定更新的位置
该方案的选择HHO [33]算法有助于逐步更新位置实现一种改进的位置。此外,哈里斯的鹰派附上预期的猎物更新他们的地方。在这种情况下,当前地方空间更新的解决方案 在哪里 指示的位置鹰派在下个迭代,表明兔子的位置,指定位置向量之间的区别的兔子和当前位置的猎物,和代表的能量的猎物。 在哪里显示当前位置矢量。假设积极的,上面的方程表示为
在这里,绕过骑手的更新位置根据RO算法(32)是利用更新过程中最大化的成功通过旁路车手的位置。绕过骑士之路共同的路线没有跟踪最重要的骑手。绕过骑手的方程给出的乘客表示为 在哪里和表示随机数字0和1之间,包容,和是随机数字,然后呢表明迭代。假设 ;方程写成
最后给出方程
4.3.4。步骤4:确定最佳的解决方案
如果解决方案获得最小的健身价值,那么这是最好的解决方案。此外,参数更新的骑手为了达成最好的解决方案是至关重要的。
4.3.5。第五步:终止
重复迭代的步骤预期达到的最大计数。
5。结果与讨论
分析社区的使用提出了检测模型RHHO演示了在这一节中有一个有效的对比分析证明了该模型的有效性。
5.1。实验装置
该方法执行系统中运行Windows 8操作系统,4 GB的RAM,英特尔酷睿我处理器,实现在Python中进行。
5.2。数据库描述
节点从实验的数据集,即引文网络数据集(34和双方的网络数据集35]。每个下面的描述。
5.2.1。引文网络数据集
实验数据集上执行一个引文网络中节点表示论文和边缘表示引用。引文网络数据集可以使用集群网络和学习引文网络的影响来确定最具影响力的论文。这里,cit-HepPh和cit-HepTh是两个数据集用于执行社区检测:(一)分析基于cit-HepPh: cit-HepPh网络引文网络数据集数据的实例可以时间,导演,或标记34546个节点和421578边缘。Arxiv的cit-HepPh网络数据采用高能物理论文引文网络。(b)分析基于cit-HepTh: cit-HepTh网络数据可以直接,时间,或标记27770个节点和352807边缘。Arxiv的cit-HepTh网络数据采用高能物理论文引文网络。
5.2.2。由两部分构成的网络数据集
实验数据集上执行一个由两部分构成的网络中网络包括两个不同的节点类型,和所有边缘连接节点的第一与第二种类型的节点类型。在这里,电影镜头100 K收购从官方网站(https://grouplens.org/datasets/movielens/),美国革命从网站获得网络(http://konect.cc/networks/brunson_revolution/)有两个公共数据集用于执行社区检测。(一)分析基于电影镜头100 K:这个由两部分构成的网络由一千万年的电影评级在左边节点用户,和正确的节点是电影。一条边连接用户和电影代表了用户评价这部电影评级值附加到边缘。(b)分析基于美国革命:会员信息的双方的网络由三十六人的五个组织考虑美国革命前的一小段时间内。列表中包括著名的美国人喜欢活跃的保罗·里维尔。这里,左节点指示人,和正确的节点表示组织。在这里,边缘连接人和组织表明,人是组织的一员。
5.3。仿真结果
提出社区检测模型的仿真结果考虑引用网络数据集和由两部分构成的网络数据集的数据2和3。
(一)
(b)
(c)
(d)
(一)
(b)
(c)
(d)
5.3.1。引文网络数据集
在本节中,我们分析基于引文网络社区检测的仿真结果数据集。图2阐述了该社区检测模型的仿真结果考虑cit-HepPh和cit-HepTh使用引文网络数据集的数据集。
图2(一个)描述了原始网络使用cit-HepPh数据集和考虑原标识的社区网络cit-HepPh数据集在图中描述2 (b)。在图2 (b),绿色,红色,蓝色节点代表不同的社区。图2 (c)阐述了原始网络使用cit-HepTh数据集和社区发现的原始网络使用cit-HepTh数据集在图描述2 (d)。在图2 (d),绿色,红色,蓝色节点与不同社区呈现在原始的网络。
5.3.2。由两部分构成的网络数据集
本节解释社区检测的仿真结果基于双方的网络数据集。图3阐述了仿真结果的数据集使用由两部分构成的网络社区检测模型考虑电影镜头100 K和美国革命的数据集。
图3(一个)描述了原始网络使用电影镜头100 K数据集和考虑原标识的社区网络与电影镜头100 K图中描述的数据集3 (b)。在图3 (b),绿色,红色,蓝色代表不同的社区。图3 (c)阐述了原始网络数据集使用美国革命,和社区发现由原使用美国革命的网络数据集在图描述3 (d)。在图2 (d),绿色,红色,蓝色节点具有不同社区的呈现在原始的网络。
5.4。性能分析
提出RHHO考虑引文网络的性能分析数据集和由两部分构成的网络数据集说明考虑健康和模块化的措施。
5.4.1之前。使用cit-HepPh基于引文网络的性能分析数据集
图4说明了RHHO的性能分析方法使用基于cit-HepPh健身和模块化的措施。分析RHHO基于健康指标是描绘在图4(一)。迭代是1时,相应的健身价值计算的提出RHHO与人口= 5,10、15、20、25日和30日是6.628186,0.000010,0.000014,0.000018,0.000024和0.000035。同样地,当迭代是250,那么相应的健身价值计算的提出RHHO与人口= 5,10、15、20、25日和30日是0.0059,0.0182,0.8430,0.8771,0.9431,和0.9958,分别。基于模块化的分析RHHO指标如图4 (b)。迭代是1时,相应的模块化值计算提出RHHO与人口= 5,10、15、20、25日和30日是0.00038,0.00113,0.00274,0.00327,0.00422和0.00455。同样地,当迭代是250,那么相应的模块化值计算提出RHHO方法与人口= 5,10、15、20、25日和30 6 0.62139,0.65143,0.65208,0.65385,0.66975,和0.67397,分别。
(一)
(b)
5.4.2。使用cit-HepTh基于引文网络的性能分析数据集
图5说明提出的性能分析RHHO使用基于cit-HepTh健身和模块化的措施。分析提出了基于适应性度量RHHO描绘在图5(一个)。当迭代1,对应的适应度值计算提出RHHO与人口= 5,10、15、20、25日和30日是8.7459,0.000012,0.000018,0.000030,0.000031和0.000068。同样地,当迭代是250,那么相应的健身价值计算提出RHHO与人口= 5,10、15、20、25日和30日是0.0011,0.0020,0.9203,0.9586,0.9681,和0.9932,分别。基于模块化的分析提出RHHO指标如图5 (b)。迭代是1时,相应的模块化值计算提出RHHO与人口= 5,10、15、20、25日和30日是0.00146,0.00177,0.00211,0.00346,0.00361和0.00390。同样地,当迭代是250,那么相应的模块化值计算提出RHHO与人口= 5,10、15、20、25日和30日是0.5954,0.6006,0.6270,0.6306,0.6391,和0.6855,分别。
(一)
(b)
5.4.3。基于双方的网络性能分析数据集用电影镜头100 K
图6说明提出的性能分析RHHO使用电影镜头100 K-based健身和模块化的措施。分析提出了基于适应性度量RHHO描绘在图6(一)。当迭代1,对应的适应度值计算提出RHHO与人口= 5,10、15、20、25日和30日是0.0000061,0.000010,0.000012,0.000016,0.000031和0.000063。同样地,当迭代是250,那么相应的健身价值计算提出RHHO与人口= 5,10、15、20、25日和30日是0.00076,0.00576,0.07740,0.88287,0.97519,和0.99201,分别。基于模块化的分析提出RHHO指标如图6 (b)。迭代是1时,相应的模块化值计算提出RHHO与人口= 5,10、15、20、25日和30日是0.000419,0.00204,0.00213,0.00284,0.00303和0.00376。同样地,当迭代是250,那么相应的模块化值计算提出RHHO与人口= 5,10、15、20、25日和30日是0.6069,0.6205,0.6398,0.6404,0.6542,和0.6790,分别。
(一)
(b)
5.4.4。基于双方的网络性能分析数据集使用美国革命
图7说明了性能分析使用美国的提议RHHO Revolution-based健身和模块化的措施。分析提出了基于适应性度量RHHO描绘在图7(一)。当迭代1,对应的适应度值计算提出RHHO与人口= 5,10、15、20、25日和30日是0.000021,0.000026,0.000036,0.000044,0.000051和0.00040。同样地,当迭代是250,那么相应的健身价值计算提出RHHO与人口= 5,10、15、20、25日和30日是0.0016,0.0017,0.0069,0.5085,0.9140,和0.9962,分别。基于模块化的分析提出RHHO指标如图7 (b)。迭代是1时,相应的模块化值计算提出RHHO人口= 5、10、15、20、25、30是0.00023,0.00300,0.00311,0.00327,0.00436和0.00496。同样地,当迭代是250,那么相应的模块化值计算提出RHHO与人口= 5,10、15、20、25日和30日是0.57925,0.61982,0.64765,0.65844,0.66412,和0.67721,分别。
(一)
(b)
5.5。竞争的方法
h-index-based链接等方法,预测(9),米加(31日],GA [36],MATMCD-BN [28],HHO [33),与该RHHO用于比较。
5.6。比较分析
该模型的比较分析是由评估性能的其他技术基于健康和模块化。分析是由不同数量的迭代。
5.6.1。使用cit-HepPh分析基于引文网络数据集
图8说明了分析方法的使用基于cit-HepPh健身和模块化的措施。基于健康指标的分析方法是描绘在图8(一个)。当迭代1,对应的适应度值计算h-index-based链接预测,米加,GA, MATMCD-BN, HHO,并提出RHHO是0.0000513,0.00183,0.47324,0.48179,0.50100和0.51568。同样地,当迭代是250,对应的适应度值计算h-index-based链接预测,米加,GA, MATMCD-BN, HHO,并提出RHHO是0.130475,0.574730,0.59360,0.60131,0.64708,和0.66048,分别。基于模块化的分析方法度量如图8 (b)。迭代是1时,相应的模块化值计算h-index-based链接预测,米加,GA, MATMCD-BN, HHO,并提出RHHO是0.000759,0.00109,0.00138,0.00190,0.00211和0.00285。同样地,当迭代是250,相应的模块化值计算h-index-based链接预测,米加,GA, MATMCD-BN, HHO,并提出RHHO是0.36686,0.37422,0.37475,0.38952,0.39476,和0.77560,分别。
(一)
(b)
5.6.2。使用cit-HepTh分析基于引文网络数据集
图9说明了分析方法的使用基于cit-HepTh健身和模块化的措施。基于健康指标的分析方法是描绘在图9(一个)。当迭代1,对应的适应度值计算h-index-based链接预测,米加,GA, MATMCD-BN, HHO,并提出RHHO是0.000118,0.00095,0.36191,0.40654,0.43435和0.48270。同样地,当迭代是250,对应的适应度值计算h-index-based链接预测,米加,GA, MATMCD-BN, HHO,并提出RHHO是0.36032,0.51114,0.54192,0.55247,0.63780,和0.69778,分别。基于模块化的分析方法度量如图9 (b)。迭代是1时,相应的模块化值计算h-index-based链接预测,米加,GA, MATMCD-BN, HHO,并提出RHHO是0.000375,0.00083,0.00101,0.00120,0.00134和0.00298。同样地,当迭代是250,相应的模块化值计算h-index-based链接预测,米加,GA, MATMCD-BN, HHO,并提出RHHO是0.34853,0.37638,0.37948,0.38210,0.38734,和0.77807,分别。
(一)
(b)
5.6.3。分析基于双方的网络数据集用电影镜头100 K
图10说明了分析方法的使用电影镜头100 K-based健身和模块化的措施。基于健康指标的分析方法是描绘在图10 ()。当迭代1,对应的适应度值计算h-index-based链接预测,米加,GA, MATMCD-BN, HHO,并提出RHHO是0.000035,0.00069,0.39608,0.41400,0.41713和0.49527。同样地,当迭代是250,那么相应的健身价值计算h-index-based链接预测,米加,GA, MATMCD-BN, HHO,并提出RHHO是0.04802,0.31454,0.52216,0.58928,0.64062,和0.68944,分别。基于模块化的分析方法度量如图10 (b)。迭代是1时,相应的模块化值计算h-index-based链接预测,米加,GA, MATMCD-BN, HHO,并提出RHHO是0.00035,0.00129,0.00163,0.00168,0.00196和0.00553。同样地,当迭代是250,那么相应的模块化值计算h-index-based链接预测,米加,GA, MATMCD-BN, HHO,并提出RHHO是0.36727,0.37546,0.37596,0.39952,0.41170,和0.77191,分别。
(一)
(b)
5.6.4。分析基于双方的网络数据集使用美国革命
图11说明了分析方法的使用电影镜头100 K-based健身和模块化的措施。基于健康指标的分析方法是描绘在图(11日)。当迭代1,对应的适应度值计算h-index-based链接预测,米加,GA, MATMCD-BN, HHO,并提出RHHO是0.00053,0.00142,0.23572,0.26296,0.3476和0.4756。同样地,当迭代是250,那么相应的健身价值计算h-index-based链接预测,米加,GA, MATMCD-BN, HHO,并提出RHHO是0.31137,0.36367,0.47276,0.64272,0.73190,和0.74353,分别。基于模块化的分析方法度量如图11 (b)。迭代是1时,相应的模块化值计算h-index-based链接预测,米加,GA, MATMCD-BN, HHO,并提出RHHO是0.000207,0.00116,0.00190,0.00217,0.00224和0.00275。同样地,当迭代是250,那么相应的模块化值计算h-index-based链接预测,米加,GA, MATMCD-BN, HHO,并提出RHHO是0.36400,0.38391,0.38523,0.39717,0.39896,和0.77433,分别。
(一)
(b)
5.7。比较讨论
表1犹豫不决的比较分析,提出RHHO与其他现有方法的模块化和健身。所做的分析是考虑引文网络和由两部分构成的网络数据集。考虑cit-HepPh,计算最大健身提出RHHO为0.66048,而现有的健身价值h-index-based链接预测,米加,GA, MATMCD-BN,和HHO是0.130475,0.574730,0.59360,0.60131和0.64708。最大模块化是计算提出RHHO为0.77560,而现有的模块化价值h-index-based链接预测,米加,GA, MATMCD-BN,和HHO是0.36686,0.37422,0.37475,0.38952,和0.39476,分别。同样,考虑cit-HepTh,模块化最大健身是0.69778,最大是0.77807。基于电影镜头100 K,模块化最大健身是0.68944,最大是0.77191。同样,考虑到美国革命,模块化最大健身是0.74353,最大是0.77433。也观察到该RHHO优于其他方法与最大健身的0.74353和0.77433最大的模块化考虑美国革命网络,分别。
6。结论
在复杂的网络结构,包括由两部分构成的网络社区检测是一个主要的关键任务。社区标识由两部分构成的网络不仅揭示了多方面的网络层次结构的细节,但也有助于更好地理解网络的核心功能和随后的信息的建议。本文提出一种由两部分构成的网络社区检测方法考虑到节点相似性度量。为了检查节点的相似性,h-Tversky措施是新设计的通过修改基于Tversky指数h指数。此外,小说Rider-Harris鹰派优化算法(RHHO)设计了社区发现和开发的集成RO和HHO算法来加快算法的收敛速度。健身是新设计考虑模块化和提出h-Tversky指数评估节点的相似性。将模块化的适应度函数的目的是量化的具体分工网络计算提出了社区检测的精度。该方法显示有效的性能最大的健身为0.74353,最大0.77433使用美国革命网络的模块化由两部分构成的网络数据集。它可以利用机器学习学科检测组具有类似特征和属性在股市或社交网络就像一个由两部分构成的网络,然后提取这些组织是出于不同的原因。在未来,可以使用MapReduce方法确定多个节点的重叠社区的社区之间共享。
数据可用性
电影镜头100 K数据集是公开的https://grouplens.org/datasets/movielens/和美国革命是公开的网络数据集http://konect.cc/networks/brunson_revolution/。
的利益冲突
作者声明没有利益冲突的有关这项研究发表的文章。
确认
这项研究受到了研究者支持项目数量(RSP-2021/244),沙特国王大学,利雅得,沙特阿拉伯。