Resumen

Los grafos de similitud de la mayoría de los algoritmos de agrupamiento espectral contienen mucha información de comunidad incorrecta. En este artículo, proponemos una matriz de probabilidad y un nuevo algoritmo mejorado de agrupamiento espectral basado en la matriz de probabilidad para la detección de comunidades. Primero, se utiliza la cadena de Markov para calcular la probabilidad de transición entre nodos, y la matriz de probabilidad se construye a partir de la probabilidad de transición. Luego, el grafo de similitud se construye con la matriz de probabilidad media. Finalmente, la detección de comunidades se logra optimizando la función objetivo de corte normalizado (NCut). El algoritmo propuesto se compara con SC, WT, FG, FluidC y SCRW en redes artificiales y reales. Los resultados experimentales muestran que el algoritmo propuesto puede detectar comunidades de manera más precisa y tiene un mejor rendimiento de agrupamiento.

• Materias:Virus informático Entropía del gráfico Modelo epidémico Modelo de optimización Modelos conceptuales
• Subjects:Computer virus Entropy of the graph Epidemic model Optimization model Conceptual models
• Palabras claves:Agrupamiento espectral; Detección de comunidades; Matriz de probabilidad; Cadena de Markov; Función objetivo de corte normalizado; Rendimiento de agrupamiento
• Keywords:Spectral clustering; Community detection; Probability matrix; Markov chain; NCut objective function; Clustering performance