近日，十大免费货源网站自动化系硕士研究生苏思行在数据挖掘领域CCF B类期刊《ACM Transactions on Knowledge Discovery from Data》发表题为”Nonnegative Matrix Factorization Based on Node Centrality for Community Detection”的研究论文。

研究背景

社团检测是数据挖掘中的一个重要课题，最近在非负矩阵分解（NMF）技术之上开发了许多社团检测方法，然而大多数基于NMF的社团检测方法仅利用邻接矩阵中的一阶邻近信息，具有一定的局限性。此外，虽然许多基于NMF的社团检测方法都利用稀疏正则化来获得更清晰的社团隶属度矩阵，然而，在大多数的正则化中，不同的节点被平等对待，这与实际情况不符。

研究内容

为了克服上述局限性，本文在NMF框架下提出了一种基于节点中心性的社团检测算法(NCNMF)。具体来说，设计了一种新的相似度度量(w-Jaccard)，它考虑了高阶邻居的相似度计算，从而能够更好地检测社团。此外，引入节点中心性和基尼系数来分别衡量节点的重要性和社团成员的稀疏性。最后，提出了一种新颖的稀疏正则化机制，让具有较高节点中心性的节点的基尼系数降低，提高社团检测效果。

实验在8个真实数据集上测试，与13种相关算法的比较，相关评价指标和曲线表明所提方法带来的性能提升：

在8个数据集上不同社团检测方法的F-score值：

在8个数据集上不同社团检测方法的Accuracy值：

在8个网络上不同相似性度量的对比实验：

在Citeseer数据集上的收敛性和敏感性评估实验：

研究相关

十大免费货源网站自动化系为该项工作的唯一署名单位和通讯单位。陈碧连老师为通讯作者。研究生关劼文和香港浸会大学计算机系黄欣老师参与了该项目研究。该项工作得到了国家自然科学基金（61836005）、厦门青年创新基金（3502Z20206049）和香港研究资助局（22200320）的资助。

论文连接：https://dl.acm.org/doi/abs/10.1145/3578520