蘇思行，陳碧連，曹浪財(cái)

(廈門(mén)大學(xué)航空航天學(xué)院，廈門(mén)市大數(shù)據(jù)智能分析與決策重點(diǎn)實(shí)驗(yàn)室，福建廈門(mén)361005)

現(xiàn)實(shí)生活中真實(shí)網(wǎng)絡(luò)的一個(gè)基本組成部分是它們的底層社團(tuán)[1].通常，一個(gè)社團(tuán)被認(rèn)為是內(nèi)部緊密相連的一組節(jié)點(diǎn)，而不同社團(tuán)之間的外部鏈接是稀疏連接的.一個(gè)網(wǎng)絡(luò)可能包含多個(gè)社團(tuán)，社團(tuán)檢測(cè)任務(wù)旨在網(wǎng)絡(luò)中找到所有這些社團(tuán)，也稱(chēng)為圖聚類(lèi)[2].

當(dāng)前，許多研究主要集中在只包含一種節(jié)點(diǎn)類(lèi)型的單模網(wǎng)絡(luò)上.人們提出了許多方法來(lái)應(yīng)對(duì)不同假設(shè)下識(shí)別單模網(wǎng)絡(luò)的情況，如非負(fù)矩陣分解[3]、標(biāo)簽傳播[4]和模塊度優(yōu)化[5]等.然而，真實(shí)世界的網(wǎng)絡(luò)通常包含多種類(lèi)型的節(jié)點(diǎn)，最簡(jiǎn)單的情況是包含兩種不同類(lèi)型節(jié)點(diǎn)的二分網(wǎng)絡(luò)[6].投影方法是一個(gè)簡(jiǎn)單的解決方法，即將二分網(wǎng)絡(luò)轉(zhuǎn)換為單模網(wǎng)絡(luò)，然后使用現(xiàn)有的社團(tuán)檢測(cè)方法[7].因?yàn)橹挥幸环N類(lèi)型的節(jié)點(diǎn)被應(yīng)用，而另一種類(lèi)型的節(jié)點(diǎn)在投影后丟失，投影方法可能會(huì)導(dǎo)致信息不完整的問(wèn)題[8]，所以，學(xué)者開(kāi)發(fā)了各種方法來(lái)在社團(tuán)劃分之后維護(hù)兩種類(lèi)型的節(jié)點(diǎn).Barber[6]首先提出了一個(gè)二分模塊度，然后開(kāi)發(fā)了BRIM模型，將節(jié)點(diǎn)的兩個(gè)獨(dú)立部分歸納為模結(jié)構(gòu).但是，因?yàn)楦吣K度分?jǐn)?shù)不能準(zhǔn)確地檢測(cè)到小社團(tuán)，二分網(wǎng)絡(luò)的模塊度在分辨率問(wèn)題[9]上存在局限性.于是，Sun等[10]將單模網(wǎng)絡(luò)中的傳統(tǒng)動(dòng)態(tài)距離模型Attractor[11]擴(kuò)展到二分網(wǎng)絡(luò)中，提出二分網(wǎng)絡(luò)的傳統(tǒng)動(dòng)態(tài)距離模型BiAttractor，能夠準(zhǔn)確地檢測(cè)到小社團(tuán).但是，BiAttractor的敏感參數(shù)λ的微小變化可能會(huì)導(dǎo)致由此產(chǎn)生的群落結(jié)構(gòu)的巨大差異，使得模型的魯棒性差.

為了解決這個(gè)問(wèn)題，本文提出一種新的局部非對(duì)稱(chēng)邊緣聚類(lèi)系數(shù)(local asymmetric edge clustering coefficient，LAECC)，將自我中心(Ego-Leader)[12]從單模網(wǎng)絡(luò)擴(kuò)展到二分網(wǎng)絡(luò)，計(jì)算專(zhuān)屬鄰居節(jié)點(diǎn)對(duì)距離的影響，以此用來(lái)擺脫敏感參數(shù)λ.在此基礎(chǔ)上，基于Ego-Leader，本文在二分網(wǎng)絡(luò)中設(shè)計(jì)了一個(gè)增強(qiáng)的動(dòng)態(tài)距離模型E-BiAttractor，并提出了相應(yīng)的社團(tuán)檢測(cè)算法.與傳統(tǒng)動(dòng)態(tài)距離模型相比，E-BiAttractor模型具有更好的性能和魯棒性.

1 背景知識(shí)

在本節(jié)中，首先介紹本文會(huì)用到的二分網(wǎng)絡(luò)符號(hào)定義.而后，介紹一種能夠在二分網(wǎng)絡(luò)中檢測(cè)社團(tuán)的傳統(tǒng)動(dòng)態(tài)距離模型BiAttractor[10].

1.1 符號(hào)定義

設(shè)G=(U,V,E)是一個(gè)無(wú)向無(wú)權(quán)的二分圖，其中U和V代表兩組不同類(lèi)型的節(jié)點(diǎn).在二分網(wǎng)絡(luò)中，同一類(lèi)型(U或V)的節(jié)點(diǎn)之間沒(méi)有邊連接.

定義1(節(jié)點(diǎn)u的鄰居節(jié)點(diǎn)集合)節(jié)點(diǎn)u的鄰居節(jié)點(diǎn)集合N(u)表示如下：

N(u)={v|u∈U,v∈V,(u,v)∈E}.

定義2(節(jié)點(diǎn)u的二階鄰居節(jié)點(diǎn)集合)節(jié)點(diǎn)u的二階鄰居節(jié)點(diǎn)集合NN(u)表示如下：

NN(u)={y|x∈N(u),y∈N(x),u∈U,x∈

V,y∈U,u≠y}.

定義3(專(zhuān)屬鄰居節(jié)點(diǎn)集合)對(duì)于邊e(u,v)而言，節(jié)點(diǎn)u的專(zhuān)屬鄰居節(jié)點(diǎn)集合定義為NE(u)=N(u)-{v}.

定義4(Jaccard距離)使用流行的Jaccard距離[13]來(lái)量化兩個(gè)同類(lèi)型節(jié)點(diǎn)u和節(jié)點(diǎn)x之間的距離，定義如下：

(1)

定義5(局部Jaccard距離)由于二分網(wǎng)絡(luò)的性質(zhì)[10]，不同類(lèi)型節(jié)點(diǎn)之間沒(méi)有公共鄰居， Sun等[10]提出能夠計(jì)算二分網(wǎng)絡(luò)中直接相連的不同類(lèi)型節(jié)點(diǎn)之間距離的局部Jaccard距離，定義如下：

(2)

1.2 二分網(wǎng)絡(luò)中的傳統(tǒng)動(dòng)態(tài)距離模型

Sun等[10]提出一種能夠在二分網(wǎng)絡(luò)中檢測(cè)社團(tuán)的傳統(tǒng)動(dòng)態(tài)距離模型BiAttractor，它通過(guò)檢查節(jié)點(diǎn)之間距離的變化(即動(dòng)態(tài)距離)，來(lái)發(fā)現(xiàn)二分網(wǎng)絡(luò)中的社團(tuán).其基本思想是每個(gè)節(jié)點(diǎn)與其鄰居節(jié)點(diǎn)交互，最終形成穩(wěn)定分布，即同一社團(tuán)的節(jié)點(diǎn)彼此靠近，不同社團(tuán)的節(jié)點(diǎn)彼此遠(yuǎn)離.

BiAttractor有兩種不同的交互模式，包括直接連接節(jié)點(diǎn)對(duì)距離的影響和專(zhuān)屬鄰居節(jié)點(diǎn)對(duì)距離的影響.

模式1：直接連接節(jié)點(diǎn)的影響.

在動(dòng)態(tài)交互過(guò)程中，直接連接節(jié)點(diǎn)的影響ID(u,v)使節(jié)點(diǎn)u和節(jié)點(diǎn)v之間的距離減小，定義如下：

ID(u,v)=

(3)

其中，f(·)是一個(gè)耦合函數(shù)，可用正弦函數(shù)sin(·)來(lái)計(jì)算[10]，deg(u)表示節(jié)點(diǎn)u的度數(shù).

模式2：專(zhuān)屬鄰居節(jié)點(diǎn)的影響.

在動(dòng)態(tài)交互過(guò)程中，每個(gè)專(zhuān)屬鄰居節(jié)點(diǎn)會(huì)吸引與它相連的節(jié)點(diǎn)(節(jié)點(diǎn)u或節(jié)點(diǎn)v)向自身移動(dòng).通過(guò)引入一個(gè)參數(shù)λ來(lái)判斷節(jié)點(diǎn)u的專(zhuān)屬鄰居節(jié)點(diǎn)x會(huì)對(duì)節(jié)點(diǎn)u和節(jié)點(diǎn)v之間的距離產(chǎn)生積極影響還是消極影響.定義如下：

ρ(x,u)=

(4)

在上式中，ρ(x,u)表示節(jié)點(diǎn)u的專(zhuān)屬鄰居集NE(u)里的節(jié)點(diǎn)x將會(huì)對(duì)距離d(u,v)產(chǎn)生積極影響還是消極影響，參數(shù)λ的取值推薦為[0.2,0.8][11].

專(zhuān)屬鄰居節(jié)點(diǎn)的影響IE(u,v)的定義如下：

(5)

最后，節(jié)點(diǎn)u和節(jié)點(diǎn)v之間的距離d(u,v)隨時(shí)間的變化如下所示：

2 二分網(wǎng)絡(luò)中的增強(qiáng)動(dòng)態(tài)距離模型

2.1 局部非對(duì)稱(chēng)邊緣聚類(lèi)系數(shù)

Cai等[12]在單模網(wǎng)絡(luò)中提出非對(duì)稱(chēng)邊緣聚類(lèi)系數(shù)(asymmetric edge clustering coefficient，AECC).對(duì)于連接節(jié)點(diǎn)u和節(jié)點(diǎn)v的邊e(u,v),AECC定義為：

為了將AECC從單模網(wǎng)絡(luò)擴(kuò)展到二分網(wǎng)絡(luò)，本文提出LAECC.直接相連的節(jié)點(diǎn)u對(duì)節(jié)點(diǎn)v的LAECC定義為：

(6)

其中，N(x)表示節(jié)點(diǎn)x的鄰居節(jié)點(diǎn)集合，NE(u)表示節(jié)點(diǎn)u的專(zhuān)屬鄰居節(jié)點(diǎn)集合.CLAECC(u,v)首先計(jì)算NE(u)里每個(gè)節(jié)點(diǎn)對(duì)節(jié)點(diǎn)v的CAECC之和，再除以節(jié)點(diǎn)u的專(zhuān)屬鄰居節(jié)點(diǎn)個(gè)數(shù)|NE(u)|.需要注意的是，節(jié)點(diǎn)u對(duì)節(jié)點(diǎn)v的CLAECC不等于節(jié)點(diǎn)v對(duì)節(jié)點(diǎn)u的CLAECC，即CLAECC(u,v)≠CLAECC(v,u).

2.2 Ego-Leader和它的特征

一個(gè)節(jié)點(diǎn)的Ego-Leader由一個(gè)或多個(gè)LAECC最大的鄰居節(jié)點(diǎn)組成，任何一個(gè)節(jié)點(diǎn)的Ego-Leader包含的節(jié)點(diǎn)數(shù)永遠(yuǎn)不會(huì)超過(guò)該節(jié)點(diǎn)的鄰居數(shù).從節(jié)點(diǎn)的鄰居集合中選擇具有最大LAECC的節(jié)點(diǎn)來(lái)形成它的Ego-Leader，當(dāng)多個(gè)鄰居節(jié)點(diǎn)對(duì)該節(jié)點(diǎn)具有相同的最大LAECC時(shí)，這幾個(gè)鄰居節(jié)點(diǎn)都會(huì)被選取.因此，本文利用LAECC來(lái)尋找二分網(wǎng)絡(luò)中任意節(jié)點(diǎn)的Ego-Leader.

判斷節(jié)點(diǎn)u的專(zhuān)屬鄰居節(jié)點(diǎn)x對(duì)節(jié)點(diǎn)u和節(jié)點(diǎn)v之間距離的影響時(shí)，本質(zhì)是判斷節(jié)點(diǎn)x和節(jié)點(diǎn)v是否相似[11].Cai等[12]提出，當(dāng)節(jié)點(diǎn)u的專(zhuān)屬鄰居節(jié)點(diǎn)x和節(jié)點(diǎn)v的Ego-Leader有共同節(jié)點(diǎn)時(shí)，認(rèn)為節(jié)點(diǎn)x和節(jié)點(diǎn)v是相似的.

因此，若節(jié)點(diǎn)x和節(jié)點(diǎn)v的Ego-Leader有共同節(jié)點(diǎn)，則節(jié)點(diǎn)x作為節(jié)點(diǎn)u的專(zhuān)屬鄰居節(jié)點(diǎn)，會(huì)對(duì)節(jié)點(diǎn)u和節(jié)點(diǎn)v的距離d(u,v)產(chǎn)生積極影響，使得節(jié)點(diǎn)u和節(jié)點(diǎn)v的距離在交互過(guò)程中減小.相反，若節(jié)點(diǎn)x和節(jié)點(diǎn)v的Ego-Leader沒(méi)有共同節(jié)點(diǎn)，則節(jié)點(diǎn)x作為節(jié)點(diǎn)u的專(zhuān)屬鄰居節(jié)點(diǎn)，會(huì)對(duì)節(jié)點(diǎn)u和節(jié)點(diǎn)v的距離d(u,v)產(chǎn)生消極影響，使得節(jié)點(diǎn)u和v的距離在交互過(guò)程中增大.

除此之外，Ego-Leader還具有以下重要特征：

1) Ego-Leader是不對(duì)稱(chēng)的.節(jié)點(diǎn)u在節(jié)點(diǎn)v的Ego-Leader中，不代表節(jié)點(diǎn)v也在節(jié)點(diǎn)u的Ego-Leader中.

2) Ego-Leader是局部和靜態(tài)的.一個(gè)節(jié)點(diǎn)的Ego-Leader由其鄰域集合中LAECC值最大的節(jié)點(diǎn)組成.也就是說(shuō)，任何Ego-Leader都只適用于一個(gè)節(jié)點(diǎn)，它的活動(dòng)范圍是該節(jié)點(diǎn)的鄰居節(jié)點(diǎn)集合.因此，Ego-Leader強(qiáng)烈依賴(lài)于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu).因?yàn)榫W(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)是靜態(tài)的，所以節(jié)點(diǎn)的Ego-Leader也是靜態(tài)的，不會(huì)發(fā)生任何變化[14].

2.3 交互模式

E-BiAttractor和BiAttractor一樣，只討論兩種交互模式，直接連接節(jié)點(diǎn)對(duì)距離的影響和專(zhuān)屬鄰居節(jié)點(diǎn)對(duì)距離的影響.

模式3直接連接節(jié)點(diǎn)的影響.

與BiAttractor的模式1相同.由式(3)可知，在動(dòng)態(tài)交互過(guò)程中，因?yàn)楣?jié)點(diǎn)u和節(jié)點(diǎn)v是相連的，所以節(jié)點(diǎn)u和節(jié)點(diǎn)v會(huì)相互靠近，直接連接節(jié)點(diǎn)的影響ID(u,v)使節(jié)點(diǎn)u和節(jié)點(diǎn)v之間的距離減小.

模式4專(zhuān)屬鄰居節(jié)點(diǎn)的影響.

為了提高模型的魯棒性，同時(shí)說(shuō)明專(zhuān)屬鄰居節(jié)點(diǎn)對(duì)距離產(chǎn)生的是積極影響還是消極影響，本文利用能夠應(yīng)用于二分網(wǎng)絡(luò)的LAECC，計(jì)算每個(gè)節(jié)點(diǎn)的Ego-Leader，來(lái)代替內(nèi)聚參數(shù)λ.對(duì)于e(u,v),節(jié)點(diǎn)x屬于節(jié)點(diǎn)u的專(zhuān)屬鄰居節(jié)點(diǎn)集合NE(u),通過(guò)判斷節(jié)點(diǎn)x的Ego-Leader和節(jié)點(diǎn)v的Ego-Leader是否有重疊部分，以此來(lái)判斷節(jié)點(diǎn)x和節(jié)點(diǎn)v是否相似.定義如下：

σ(x,u)=

(7)

其中，Ego(x)表示節(jié)點(diǎn)x的最高LAECC的鄰居節(jié)點(diǎn)集合.函數(shù)σ(x,u)不僅表示了節(jié)點(diǎn)u的專(zhuān)屬鄰居節(jié)點(diǎn)x對(duì)距離的影響方向(積極或消極)，而且還表示了這種影響的強(qiáng)度.如果節(jié)點(diǎn)u的專(zhuān)屬鄰居節(jié)點(diǎn)x與節(jié)點(diǎn)v的Ego-Leader有公共節(jié)點(diǎn)，那么節(jié)點(diǎn)u到它的專(zhuān)屬鄰居節(jié)點(diǎn)x的移動(dòng)會(huì)導(dǎo)致d(u,v)的減小，即節(jié)點(diǎn)u的專(zhuān)屬鄰居節(jié)點(diǎn)x對(duì)距離會(huì)產(chǎn)生積極影響；相反，如果節(jié)點(diǎn)u的專(zhuān)屬鄰居節(jié)點(diǎn)x與節(jié)點(diǎn)v的Ego-Leader沒(méi)有公共節(jié)點(diǎn)，那么節(jié)點(diǎn)u到它的專(zhuān)屬鄰居節(jié)點(diǎn)x的移動(dòng)會(huì)導(dǎo)致d(u,v)的增加，即節(jié)點(diǎn)u的專(zhuān)屬鄰居節(jié)點(diǎn)x對(duì)距離會(huì)產(chǎn)生消極影響.

結(jié)合函數(shù)σ(x,u),專(zhuān)屬鄰居節(jié)點(diǎn)對(duì)距離的影響IE定義如下：

(8)

最后，綜合考慮這兩種交互模式，節(jié)點(diǎn)u和節(jié)點(diǎn)v之間的距離d(u,v)隨時(shí)間的變化如下所示：

(9)

2.4 算法流程

基于E-BiAttractor的社團(tuán)檢測(cè)算法流程如下所示：

算法：基于E-BiAttractor的社團(tuán)檢測(cè)算法

輸入：無(wú)向無(wú)權(quán)的二分圖G=(U,V,E).

輸出：二分圖G的k個(gè)社團(tuán)C1,C2,…,Ck.

1) 開(kāi)始時(shí)間(t=0)，對(duì)于每條邊e(u,v)∈E,利用式(2)計(jì)算每條邊的初始距離.同時(shí)，利用式(6)計(jì)算每條邊的兩個(gè)LAECC，最后得到每個(gè)節(jié)點(diǎn)的Ego-Leader.

2) 對(duì)于每條邊e(u,v)∈E,如果t時(shí)刻e(u,v)的距離dt(u,v)大于0且小于1，則利用式(3),(7),(8),(9)計(jì)算出t+1時(shí)刻e(u,v)的新距離dt+1(u,v)；如果t時(shí)刻e(u,v)的距離dt(u,v)小于0或大于1，則這條邊達(dá)到收斂，跳過(guò)這條邊.

3) 重復(fù)步驟2)直到所有邊都收斂.

4) 刪除距離大于1的邊，檢測(cè)出網(wǎng)絡(luò)的群落結(jié)構(gòu)，得到社團(tuán)C1,C2,…,Ck.

2.5 時(shí)間復(fù)雜性

算法的時(shí)間復(fù)雜度分為三部分.首先，計(jì)算每條邊的初始距離，時(shí)間復(fù)雜度為O(|E|),其中|E|為邊數(shù).而后，計(jì)算每個(gè)節(jié)點(diǎn)的Ego-Leader，時(shí)間復(fù)雜度為O(2·|E|).最后，每次交互的時(shí)間復(fù)雜度是O(N·|E|),其中N是兩個(gè)相連節(jié)點(diǎn)的專(zhuān)屬鄰居節(jié)點(diǎn)的平均數(shù)，動(dòng)態(tài)交互過(guò)程的時(shí)間復(fù)雜度為O(T·N·|E|),T表示時(shí)間步長(zhǎng).因此，算法的時(shí)間復(fù)雜度為O(T·N·|E|).

3 實(shí)驗(yàn)結(jié)果及分析

本節(jié)首先介紹實(shí)驗(yàn)準(zhǔn)備(數(shù)據(jù)集、對(duì)比算法和評(píng)價(jià)指標(biāo))，而后將基于E-BiAttractor模型的社團(tuán)檢測(cè)算法與另外3種算法在8個(gè)公開(kāi)數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)，通過(guò)對(duì)實(shí)驗(yàn)結(jié)果的分析，驗(yàn)證基于E-BiAttractor模型的社團(tuán)檢測(cè)算法的有效性.

3.1 實(shí)驗(yàn)準(zhǔn)備

3.1.1 數(shù)據(jù)集介紹

在對(duì)比實(shí)驗(yàn)中，本文使用http:∥konect.cc/networks/上的8個(gè)常見(jiàn)的無(wú)標(biāo)簽公開(kāi)數(shù)據(jù)集，這8個(gè)公開(kāi)數(shù)據(jù)集的節(jié)點(diǎn)數(shù)、邊數(shù)以及節(jié)點(diǎn)的平均度在表1中詳細(xì)給出.

表1 數(shù)據(jù)集的簡(jiǎn)要信息

3.1.2 對(duì)比算法介紹

為了對(duì)基于E-BiAttractor模型的社團(tuán)檢測(cè)算法的性能有個(gè)客觀認(rèn)識(shí)，將它與基于BiAttractor的社團(tuán)檢測(cè)算法[10]、基于Adaptive Brim的社團(tuán)檢測(cè)算法[6]和基于LP Brim的社團(tuán)檢測(cè)算法[15]這3種算法進(jìn)行比較.實(shí)驗(yàn)中，將BiAttractor需要用到的參數(shù)λ設(shè)為0.8.

3.1.3 評(píng)價(jià)指標(biāo)介紹

因?yàn)樗芯W(wǎng)絡(luò)都是無(wú)標(biāo)簽的，本文采用模塊度(modularity)[16]來(lái)衡量檢測(cè)出來(lái)的社團(tuán)質(zhì)量.其定義為：

(10)

其中：m表示網(wǎng)絡(luò)中的邊數(shù)；A是網(wǎng)絡(luò)的鄰接矩陣，如果節(jié)點(diǎn)i和節(jié)點(diǎn)j之間有邊，則Ai,j=1,否則Ai,j=0；deg(i)表示節(jié)點(diǎn)i的度數(shù)；ci表示節(jié)點(diǎn)i所處的社團(tuán)，如果節(jié)點(diǎn)i和節(jié)點(diǎn)j被分配到同一個(gè)社團(tuán)，則δ(ci,cj)=1,否則δ(ci,cj)=0.該指標(biāo)的范圍在0到1之間，值越大，說(shuō)明社團(tuán)檢測(cè)算法的性能越好.

3.2 實(shí)驗(yàn)結(jié)果分析

表2描述的是各個(gè)模型在各個(gè)數(shù)據(jù)集上的模塊度表現(xiàn)情況.實(shí)驗(yàn)結(jié)果中的評(píng)價(jià)指標(biāo)用粗體表示最好的結(jié)果，下劃線表示次好的結(jié)果.從表2中可以得到如下結(jié)論：

1) E-BiAttractor在這8個(gè)數(shù)據(jù)集中，有5個(gè)數(shù)據(jù)集(Nahwiki、Zawiki、Towiki、Cvwiki、Crime)取得最好的結(jié)果，有兩個(gè)數(shù)據(jù)集(Fywiki、Iawiki)取得次好的結(jié)果，說(shuō)明E-BiAttractor較之其他3種算法，能夠更有效的區(qū)分社團(tuán)；

2) 在這8個(gè)數(shù)據(jù)集中，E-BiAttractor都取得了比BiAttractor更好的結(jié)果，而且E-BiAttractor不需要修改參數(shù)，說(shuō)明通過(guò)引入Ego-Leader，E-BiAttractor較之BiAttractor具有更好的魯棒性.

綜上所述，本文提出的E-BiAttractor通過(guò)LAECC尋找出各節(jié)點(diǎn)正確的Ego-Leader，借此來(lái)判斷兩個(gè)節(jié)點(diǎn)是否相似，使得E-BiAttractor免于調(diào)參，并適用于絕大部分網(wǎng)絡(luò)，具有更好的魯棒性，因此在區(qū)分社團(tuán)上有更優(yōu)異的表現(xiàn).

表2 各算法的模塊度比較

4 結(jié) 論

動(dòng)態(tài)距離模型是一種成熟的社團(tuán)檢測(cè)方法，可以有效地區(qū)分社團(tuán)，進(jìn)而實(shí)現(xiàn)社團(tuán)內(nèi)部緊密連接、社團(tuán)之間稀疏連接的目的.二分網(wǎng)絡(luò)中的社團(tuán)檢測(cè)算法相比于單模網(wǎng)絡(luò)中的社團(tuán)檢測(cè)算法更加富有挑戰(zhàn)性.

本文提出一種在二分網(wǎng)絡(luò)中基于Ego-Leader進(jìn)行社團(tuán)檢測(cè)的增強(qiáng)動(dòng)態(tài)距離模型E-BiAttractor，它利用LEACC得到Ego-Leader，通過(guò)分析節(jié)點(diǎn)間的Ego-Leader，來(lái)提升動(dòng)態(tài)距離模型在二分網(wǎng)絡(luò)中的魯棒性和有效性.在8個(gè)數(shù)據(jù)集中進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，本文提出的算法與其他3種社團(tuán)檢測(cè)算法相比，模塊度都有一定程度的提升，模型具有更高的精度，且沒(méi)有參數(shù)，具有很高的魯棒性.