并行社区发现算法的可扩展性研究

• 作者: 刘强 周斌 方滨兴 胡玥 贾焰 黄九鸣
• 来源期刊: 通信学报
• 学科: 工学
• 关键词: 社区发现 并行算法 可扩展性
• 年，卷（期）: 2018,（4）
• 所属期刊栏目: 学术论文
• 页码范围: 13-20
• 页数: 8页
• 分类号: TP311
• 字数: 7113字
• 语种: 中文
• DOI: 10.11959/j.issn.1000-436x.2018052

摘要

社交网络中往往蕴含着大量用户和群体信息,如话题演化模式、群体聚集效应以及信息传播规律等,对这些信息的挖掘成为社交网络分析的重要任务.社交网络的群体聚集效应作为社交网络的一种特征模式,表现为社交网络的社区结构特性.社区结构的发现已成为其他社交网络分析任务的基础和关键.随着在线社交网络用户数量的急剧增长,传统的社区发现手段已经难以适应,从而催生了并行社区发现技术的发展.对当前主流并行社区发现方法Louvain算法和标签传播算法在超大规模数据集上的可扩展性进行了研究,指出了各自的优缺点,为后续应用提供参考.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	贾焰	国防科技大学计算机学院	118	926	16.0	24.0
2	刘强	国防科技大学计算机学院	33	265	10.0	15.0
3	周斌	国防科技大学计算机学院	43	413	10.0	19.0
4	方滨兴	国防科技大学计算机学院	50	1129	17.0	33.0
8	黄九鸣	国防科技大学计算机学院	6	33	3.0	5.0
9	胡玥	国防科技大学计算机学院	1	4	1.0	1.0