加权网络的结构洞挖掘算法

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (9): 135-139.

加权网络的结构洞挖掘算法

赵姝1，2，刘倩倩1，2，陈洁1，2，张燕平1，2

1.安徽大学计算机科学与技术学院，合肥 230601
2.安徽大学计算智能与信号处理教育部重点实验室，合肥 230601

出版日期:2016-05-01 发布日期:2016-05-16

Mining structural hole spanners algorithm for weighted network

ZHAO Shu1，2, LIU Qianqian1，2, CHEN Jie1，2, ZHANG Yanping1，2

1.School of Computer Science and Technology, Anhui University, Hefei 230601, China
2.Key Laboratory of Intelligent Computing and Signal Processing of Ministry of Education, Anhui University, Hefei 230601, China

Online:2016-05-01 Published:2016-05-16

摘要/Abstract

摘要： 作为网络结构分析的重要概念，结构洞占据者在获取网络有效信息方面起着关键的作用。目前，研究者们主要针对无权网络研究挖掘其结构洞的方法，然而，实际网络中，边权对网络性能的影响起着重要作用。以加权网络为研究对象，以约束度为衡量指标，提出一种加权的结构洞挖掘算法——W_HIS算法（Weighted HIS Algorithm）。将提出的W_HIS算法应用到公用数据和实例数据，与已有的算法进行对比，验证了算法的有效性。实验结果表明，提出的算法对挖掘结构洞占据者效果相对较好。

关键词: 结构洞, 加权网络, 约束度

Abstract: As an important concept of network structure analysis, structural hole spanners play a key role in terms of access to effective information of network. Currently, the researchers mainly study how to find structural hole spanners on the unweighted network. However, the weight of edge influences the performance of actual network. In this paper, a weighted algorithm, W_HIS algorithm （Weighted HIS algorithm）, with constraint as measurement for mining structural hole spanners is proposed for the weighted network. A public dataset and two real datasets are used to evaluate the proposed algorithm and the existing algorithm. The experimental results show that, the proposed algorithm in this paper is relatively well for mining structural hole spanners.

Key words: structural hole, weighted network, constraint

赵姝1，2，刘倩倩1，2，陈洁1，2，张燕平1，2. 加权网络的结构洞挖掘算法[J]. 计算机工程与应用, 2016, 52(9): 135-139.

ZHAO Shu1，2, LIU Qianqian1，2, CHEN Jie1，2, ZHANG Yanping1，2 . Mining structural hole spanners algorithm for weighted network[J]. Computer Engineering and Applications, 2016, 52(9): 135-139.

[1]	傅馨玉, 顾益军. 融合节点重要性的无监督链路预测算法[J]. 计算机工程与应用, 2022, 58(16): 94-101.
[2]	葛炎1，蒋国平2，宋玉蓉2，李因伟1. 加权网络中考虑边权和度的熟人免疫策略[J]. 计算机工程与应用, 2019, 55(8): 74-79.
[3]	胡健，朱海湾，毛伊敏. 基于时序加权PPI网络的关键蛋白质识别[J]. 计算机工程与应用, 2019, 55(23): 150-162.
[4]	田鹤1，赵海2. 水电运行仿真软件网络结构特征的度量[J]. 计算机工程与应用, 2018, 54(3): 259-264.
[5]	赵姝，刘倩倩，刘峰，张燕平. 基于加权合著网络的结构洞特征分析[J]. 计算机工程与应用, 2016, 52(2): 40-44.
[6]	王国明1，李夏苗1，胡正东1，2，蔡鉴明1，曹晓东1. 长株潭城市群交通网络结构洞分析[J]. 计算机工程与应用, 2012, 48(15): 1-6.
[7]	张志华，封筠，赵正旭. 工程软件格式加权网络的复杂特征分析[J]. 计算机工程与应用, 2011, 47(31): 82-85.
[8]	周宽久，兰文辉，冯金金. 软件执行过程的加权复杂网络[J]. 计算机工程与应用, 2011, 47(17): 51-55.
[9]	张森，张兴芳. 正则蕴涵算子族G-λ-R₀的约束度理论相关研究[J]. 计算机工程与应用, 2010, 46(7): 49-51.
[10]	韩华，王娟，王慧. 改进的CNM算法对加权网络社团结构的划分[J]. 计算机工程与应用, 2010, 46(35): 86-89.
[11]	李伟伟，王红，仇娜. 有向加权网络的局域世界演化模型[J]. 计算机工程与应用, 2010, 46(33): 94-97.
[12]	杨光华^1,2，李夏苗¹，谢小良¹. 加权区域物流网络结构分析[J]. 计算机工程与应用, 2009, 45(26): 245-248.
[13]	李稳国^1,2,王力虎¹,陈明芳¹. 加权网络簇系数[J]. 计算机工程与应用, 2008, 44(28): 55-56.