自動(dòng)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(duì)研究網(wǎng)絡(luò)結(jié)構(gòu)有重要的應(yīng)用價(jià)值．K均值等經(jīng)典聚類(lèi)算法是解決社區(qū)發(fā)現(xiàn)問(wèn)題的一類(lèi)基本方法．然而，在處理網(wǎng)絡(luò)的高維矩陣時(shí)，使用這些經(jīng)典聚類(lèi)方法得到的社區(qū)往往不夠準(zhǔn)確．提出一種基于深度稀疏自動(dòng)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(jìn)行社區(qū)發(fā)現(xiàn)的準(zhǔn)確性．首先，提出基于跳數(shù)的處理方法，對(duì)稀疏的鄰接矩陣進(jìn)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?fù)浣Y(jié)構(gòu)中相連節(jié)點(diǎn)間的相似關(guān)系，同時(shí)還反映了不相連節(jié)點(diǎn)間的相似關(guān)系．然后，基于無(wú)監(jiān)督深度學(xué)習(xí)方法構(gòu)建深度稀疏自動(dòng)編碼器，對(duì)相似度矩陣進(jìn)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(duì)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)有更強(qiáng)的特征表達(dá)能力．最后，使用“均值算法對(duì)低維特征矩陣聚類(lèi)得到社區(qū)結(jié)構(gòu)．實(shí)驗(yàn)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(zhǔn)確的社區(qū)結(jié)構(gòu)．同時(shí)，參數(shù)實(shí)驗(yàn)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(zhǔn)確．