基于ELPMeans的社区检测：无监督方法运用拉普拉斯中心性与聚类
社会与信息网络
2025-02-28 v1 机器学习
摘要
社区检测在网络分析中日益复杂，due to recent hike in social networks。为此，本文提出新方法ELPMeans以解决此挑战。对于整个网络的社区检测，ELPMeans结合拉普拉斯算子、层次聚类与K-means算法。该技术采用拉普拉斯中心性和最小距离度量进行中心节点识别，而K-means学习用于高效收敛至最终社区结构。值得注意的是，ELPMeans为无监督方法，不仅简单易实现，而且有效解决诸如中心节点随机初始化或寻找社区数量（K）等常见问题。实验结果表明，该算法在提高准确率和降低时间复杂度方面显著优于最新方法，适用于实际网络。此外，该方法在各种社区检测任务中具有广泛适用性，即便面对非凸形状或无关社区数量先验知识的情况亦可行。
引用
@article{arxiv.2502.19895,
title = {Community Detection by ELPMeans: An Unsupervised Approach That Uses Laplacian Centrality and Clustering},
author = {Shahin Momenzadeh and Rojiar Pir Mohammadiani},
journal= {arXiv preprint arXiv:2502.19895},
year = {2025}
}