Применение спектральных методов для распознавания структуры сообществ в сложных сетях

Наталья Владимировна Гринева; Полина Алексеевна Семёнова

doi:10.17308/sait/1995-5499/2023/3/75-83

Применение спектральных методов для распознавания структуры сообществ в сложных сетях

Наталья Владимировна Гринева Финансовый университет при Правительстве Российской Федерации https://orcid.org/0000-0001-7647-5967
Полина Алексеевна Семёнова Финансовый университет при Правительстве Российской Федерации https://orcid.org/0009-0000-4835-5319

DOI: https://doi.org/10.17308/sait/1995-5499/2023/3/75-83

Ключевые слова: теория графов, структура сообществ, спектральный анализ, кластеризация, матрица Лапласа, модулярность

Аннотация

В работе исследованы методы спектральной кластеризации для обнаружения сообществ неориентированного графа. Эти алгоритмы получены из задач секционирования графов и стали одним из самых популярных способов определения структуры в последние годы. Реализованы несколько видов традиционных алгоритмов спектрального анализа на языке программирования Python для выделения сообществ в неориентированном графе, а также произведен сравнительный анализ методов, который будет являться уникальной информацией для корректного выбора способа обнаружения структуры сети. Практическая значимость работы заключается в возможности наилучшего выбора реализации алгоритма на основе спектральных методов для выделения сообществ, исходя из свойств конкретной сети и целей разбиения.

Скачивания

Данные скачивания пока не доступны.

Биографии авторов

Наталья Владимировна Гринева, Финансовый университет при Правительстве Российской Федерации

кандидат экономических наук, доцент, доцент Департамента анализа данных и машинного обучения Финансового университета при Правительстве Российской Федерации

Полина Алексеевна Семёнова, Финансовый университет при Правительстве Российской Федерации

студентка 4 курса факультета информационных технологий и анализа больших данных Финансового университета при Правительстве Российской Федерации

Литература

1. Fortunato S. (2010) Community detection in graphs. Physics Reports. V. 486, Iss. 3-5. P. 103.
2. Zhaoa X., Lianga J., Wangab J. (2021) A community detection algorithm based on graph compression for large-scale social network. Information Sciences. No 551. P. 358–372.
3. Jianjun Cheng, Longjie Li, Mingwei Leng, Weiguo Lu, Yukai Yao and Xiaoyun Chen (2015) A divisive spectral method for network community detection. Statistical Mechanics Theory and Experiment. No 4. P. 24.
4. Hua-Wei Shen and Xue-Qi Cheng (2010) Spectral methods for the detection of network community structure: A comparative analysis. Statistical Mechanics Theory and Experiment. No 5. P. 21–24.
5. Xiaofeng Gong, Kun Li, Menghui Li, C.-H. Lai (2013) A spectral algorithm of community identification. A Letters Journal Exploring the Frontiers of Physics. No 5. P. 73–78.
6. Complex systems and AI. Data separation. – URL

Опубликован

2023-10-26

Как цитировать

Гринева, Н. В., & Семёнова, П. А. (2023). Применение спектральных методов для распознавания структуры сообществ в сложных сетях. Вестник ВГУ. Серия: Системный анализ и информационные технологии, (3), 75-83. https://doi.org/10.17308/sait/1995-5499/2023/3/75-83

Выпуск

№ 3 (2023): Июль – Сентябрь

Раздел

Системный анализ социально-экономических процессов

Авторы сохраняют за собой авторские права и предоставляют журналу право первой публикации работы, которая по истечении 6 месяцев после публикации автоматически лицензируется на условиях Creative Commons Attribution License , которая позволяет другим распространять данную работу с обязательным сохранением ссылок на авторов оригинальной работы и оригинальную публикацию в этом журнале.
Авторы имеют право размещать их работу в сети Интернет (например в институтском хранилище или персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу (См. The Effect of Open Access).