自動編碼器的社區(qū)發(fā)現(xiàn)算法

　　社區(qū)結(jié)構(gòu)是復(fù)雜網(wǎng)絡(luò)的重要特征之一，社區(qū)發(fā)現(xiàn)對研究網(wǎng)絡(luò)結(jié)構(gòu)有重要的應(yīng)用價值．K均值等經(jīng)典聚類算法是解決社區(qū)發(fā)現(xiàn)問題的一類基本方法．然而，在處理網(wǎng)絡(luò)的高維矩陣時，使用這些經(jīng)典聚類方法得到的社區(qū)往往不夠準確．提出一種基于深度稀疏自動編碼器的社區(qū)發(fā)現(xiàn)算法CoDDA（a community detection algorithm based on deep　sparse autoencoder），嘗試提高使用這些經(jīng)典方法處理高維鄰接矩陣進行社區(qū)發(fā)現(xiàn)的準確性．首先，提出基于跳數(shù)的處理方法，對稀疏的鄰接矩陣進行優(yōu)化處理，得到的相似度矩陣不僅能夠反映網(wǎng)絡(luò)拓撲結(jié)構(gòu)中相連節(jié)點間的相似關(guān)系，同時還反映了不相連節(jié)點間的相似關(guān)系．然后，基于無監(jiān)督深度學習方法構(gòu)建深度稀疏自動編碼器，對相似度矩陣進行特征提取，得到低維的特征矩陣與鄰接矩陣相比，特征矩陣對網(wǎng)絡(luò)拓撲結(jié)構(gòu)有更強的特征表達能力．最后，使用“均值算法對低維特征矩陣聚類得到社區(qū)結(jié)構(gòu)．實驗結(jié)果顯示：與6種典型的社區(qū)發(fā)現(xiàn)算法相比，CoDDA算法能夠發(fā)現(xiàn)更準確的社區(qū)結(jié)構(gòu)．同時，參數(shù)實驗結(jié)果顯示，CoDDA算法發(fā)現(xiàn)的社區(qū)結(jié)構(gòu)比直接使用高維鄰接矩陣的基本K均值算法發(fā)現(xiàn)的社區(qū)結(jié)構(gòu)更為準確．