《表2 人工符号网络非重叠社团发现结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于约束非负矩阵分解的符号网络社团发现方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文在5个人工符号网络上分别进行了50次独立运行，平均的NMI、purity和Qs结果如表2所示。在所有数据集上，OE-sNMTF算法在全部三个指标方面都比对比算法获得了更好的社团发现结果。在网络LNetwork 1中，与次优结果相比，OE-sNMTF在NMI、Purity和Qs指标上分别提高了5.62%、2.62%和12.74%。本文的方法之所以优于次优的ReS-NMTF算法主要是因为OE-sNMTF的两个正则化项不仅使负边连接的节点尽量划分到不同社团，也使正边相连的节点尽量保留在相同社团，两个正则化项同时作用于框架获得了优异的社团结构，进一步提高了社团发现的准确度。此外，在网络LNetwork 3中，本文增大了参数μ的值，使社团结构比网络LNetwork 2更加模糊，划分社团也更加困难。由于网络结构更具模糊性，所有方法的评价指标结果都略有下降，而本文方法仍然是所有算法中性能最好的。在网络LNetwork 4和网络LNetwork 5中，网络的规模相比其他网络有所增加，因此结构也更加复杂，本文的算法仍然取得了最优的结果。总的来说，相比于对比算法，本文的算法在人工符号网络中取得了优异的效果，得到的社区结构比其他典型的算法更为准确，显示出了OE-sNMTF算法在对符号网络中非重叠社团发现的优越性能。OE-sNMTF之所以优于其他方法主要有三个原因：a)OE-sNMTF同时考虑了连接的密度和符号；b）本文的框架降低了原始网络的高维维度，在潜在的低维空间进行社团发现；c）引入了两个图正则化项同时作用于框架，使连接为正边的节点尽量划分到一个社团，连接为负边的节点划分到不同的社团。