黃涵霞+胡燕萍+孫知信

Community Relationship Mining and Behavior Analysis for a Microblog

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1009-6868 （2014） 01-0011-003

摘要：提出了一種基于權(quán)重屬性的圖聚類方式。該圖聚類方式在圖聚類的基礎(chǔ)上，考慮了每個(gè)節(jié)點(diǎn)的不同屬性，并根據(jù)影響度給屬性分配權(quán)重，從而在依據(jù)親密度構(gòu)建的網(wǎng)絡(luò)拓?fù)鋱D上進(jìn)行圖聚類的修正。實(shí)驗(yàn)證明，該方法更符合實(shí)際的群體聚合方式。

關(guān)鍵詞： 社群挖掘；圖聚類；相似度計(jì)算

Abstract： This paper proposes a graph-clustering algorithm based on attribute information. The attributes （and their weights） of each node are considered in this model when modifying the network topology based on intimacy. Experiments show that the modified algorithm is closer to the actual group polymerization.

Key words： community detection； graph clustering； similarity calculation

社交網(wǎng)絡(luò)發(fā)展勢(shì)頭強(qiáng)勁，微博更是一個(gè)強(qiáng)大的社交平臺(tái)。名人們紛紛開(kāi)啟了認(rèn)證微博，相互關(guān)注頓時(shí)拉近了陌生人在網(wǎng)絡(luò)空間中的距離。隨著智能終端性能的突破性革新，社交平臺(tái)向著移動(dòng)互聯(lián)網(wǎng)絡(luò)進(jìn)軍。中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）發(fā)布的第32次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》中顯示2013年具有微博的網(wǎng)民數(shù)已達(dá)33 077萬(wàn)人，社交網(wǎng)站的網(wǎng)民數(shù)已達(dá)28 880萬(wàn)人。對(duì)比使用率與增長(zhǎng)率，微博的發(fā)展勢(shì)頭超過(guò)了傳統(tǒng)的社交網(wǎng)站。與往年數(shù)據(jù)對(duì)比發(fā)現(xiàn)，傳統(tǒng)社交網(wǎng)站的用戶大批量轉(zhuǎn)戰(zhàn)到微博，這主要是因?yàn)槲⒉┯脩糁恍枰磿r(shí)即地的輸入簡(jiǎn)短的文字信息或者上傳圖片就可以公開(kāi)發(fā)布狀態(tài)，支持原創(chuàng)，更快速更便捷地反映微博用戶的情感等各方面資訊，關(guān)注、@等功能增強(qiáng)了微博用戶之間的互動(dòng)。

從網(wǎng)絡(luò)營(yíng)銷角度看，微博不僅成為用戶社交生活的網(wǎng)絡(luò)工具，也成為傳統(tǒng)網(wǎng)絡(luò)與移動(dòng)互聯(lián)網(wǎng)的營(yíng)銷基地，在普通微博用戶的博文被感知程度低的情況下，以營(yíng)銷為目的的博文卻在潛移默化地培養(yǎng)著客戶群，然而這樣的客戶群是可以依靠群體挖掘技術(shù)實(shí)現(xiàn)的。因此，需要自適應(yīng)隱式或顯示的在海量微博用戶中組件群組。基于微博的信息挖掘是實(shí)現(xiàn)微博資源多重利用的技術(shù)手段，本文主要依據(jù)六度空間理論，研究傳統(tǒng)社交網(wǎng)絡(luò)中群組機(jī)制在微博社交網(wǎng)絡(luò)中的移植性，研究群體關(guān)系的挖掘方案與行為，在依靠用戶興趣模聚類獲取到的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)后依靠節(jié)點(diǎn)的屬性矩陣進(jìn)行初始拓?fù)浣Y(jié)構(gòu)的重分割。

1 微博社交網(wǎng)絡(luò)相關(guān)工作

社交網(wǎng)絡(luò)不同于普通的靜態(tài)網(wǎng)絡(luò)，社交網(wǎng)絡(luò)中的網(wǎng)絡(luò)結(jié)構(gòu)隨著時(shí)間變化而不斷發(fā)生變化，一定程度上反映真實(shí)世界的狀況。微博社交的即時(shí)即地性能夠更好地反映網(wǎng)絡(luò)與現(xiàn)實(shí)世界的關(guān)聯(lián)。社會(huì)性網(wǎng)絡(luò)中普遍存在群體現(xiàn)象，可以把網(wǎng)絡(luò)結(jié)構(gòu)中連接緊密的節(jié)點(diǎn)集命名為群體，類似于“好友圈”的顯示群體，群體與群體之間通過(guò)關(guān)鍵節(jié)點(diǎn)互聯(lián)被稱為稀疏網(wǎng)絡(luò)，社交性網(wǎng)絡(luò)中的群體挖掘主要有相似度計(jì)算和圖聚類兩方面的研究熱點(diǎn)。

（1）基于相似度的社會(huì)群體挖掘

網(wǎng)絡(luò)在時(shí)間維度上的動(dòng)態(tài)性，文獻(xiàn)[1]提出的網(wǎng)絡(luò)相似性度量方法，在基于圖形結(jié)構(gòu)的基礎(chǔ)上計(jì)算用戶的概要信息與語(yǔ)義信息，用戶的概要信息主要以標(biāo)簽記錄為主，通常在用戶申請(qǐng)賬號(hào)時(shí)生成靜態(tài)的文本，這樣計(jì)算出的相似度與網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)缺乏動(dòng)態(tài)性。相似度計(jì)算就是計(jì)算用戶之間的相似情況，依靠計(jì)算每?jī)蓚€(gè)用戶之間的相似度來(lái)構(gòu)建網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，將大型網(wǎng)絡(luò)社區(qū)分割成一個(gè)個(gè)具有關(guān)聯(lián)性的小型的群體。在文獻(xiàn)[2]中提出了一種新的協(xié)同過(guò)濾的用戶相似度計(jì)算算法，但沒(méi)有將其擴(kuò)展到社交網(wǎng)絡(luò)。文獻(xiàn)[3]用監(jiān)督式學(xué)習(xí)方法構(gòu)建了一個(gè)關(guān)系相似度模型，利用關(guān)系特性與非關(guān)系特性以及兩個(gè)核心用戶與其所在的社區(qū)信息，實(shí)現(xiàn)高度準(zhǔn)確的好友推薦。

（2）社交網(wǎng)絡(luò)的圖聚類技術(shù)

圖挖掘方法是社會(huì)性復(fù)雜網(wǎng)絡(luò)分析的重要方法，主要是將網(wǎng)絡(luò)中的個(gè)體分別用節(jié)點(diǎn)表示，形成復(fù)雜的網(wǎng)絡(luò)圖。節(jié)點(diǎn)之間采用直線連接的通常表示節(jié)點(diǎn)之間的某種關(guān)系，節(jié)點(diǎn)之間的距離計(jì)算公式直接影響到聚類的結(jié)果。歐幾里德距離與曼哈坦距離不能直接用在節(jié)點(diǎn)距離的計(jì)算中，坐標(biāo)的缺少使得節(jié)點(diǎn)間的距離不能直接采用歐幾里得距離和曼哈坦距離。實(shí)驗(yàn)證明采用k-medoids算法時(shí)，相比隨即漫步距離算法與最短路徑算法，在數(shù)據(jù)庫(kù)系統(tǒng)和邏輯編程（DBLP）數(shù)據(jù)集形成的網(wǎng)絡(luò)圖的子圖中最短距離算法的聚類結(jié)果更為合理[4]。Kohout與Nerda認(rèn)為可以通過(guò)一個(gè)有向圖模型將社交網(wǎng)絡(luò)中的用戶分到集群中去，他們分析了幾個(gè)不同的遺傳算子，并提出了一種遺傳算法用于直接加權(quán)圖的聚類[5]?；陟氐木垲惙椒ㄊ谦@取局部最優(yōu)簇的隨機(jī)種子成長(zhǎng)的方式，最大限度地減少圖熵。基于熵的方法比競(jìng)爭(zhēng)方法在計(jì)算精度和效率上有更好的性能[6]。文獻(xiàn)[7]研究了集群圖中社群交互的關(guān)鍵作用節(jié)點(diǎn)的發(fā)現(xiàn)。一個(gè)廣義馬爾可夫圖模型被提出并用在在社交網(wǎng)絡(luò)的分類上。該模型揭示了度分布、聚類系數(shù)分布。該擁擠系數(shù)分布給出了社會(huì)網(wǎng)絡(luò)特征。

2 微博社交網(wǎng)絡(luò)中的用戶

群體關(guān)系挖掘

大多數(shù)文獻(xiàn)都采用圖聚類算法來(lái)挖掘緊密聯(lián)系的群體。文獻(xiàn)[8]介紹了一種群體挖掘方法，在圖聚類算法的基礎(chǔ)上，加入了節(jié)點(diǎn)屬性的因素，使得群體分類更加精確。但是該文獻(xiàn)采用了二進(jìn)制的方式對(duì)節(jié)點(diǎn)屬性進(jìn)行描述。所有的屬性都采用0和1的方式進(jìn)行表示。這種方式過(guò)于簡(jiǎn)化了屬性的取值范圍，并且不具有代表性。endprint

本文在此基礎(chǔ)上，提出了基于親密度的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖，并對(duì)節(jié)點(diǎn)屬性的取值進(jìn)行了改進(jìn)。采用對(duì)微博的博文分詞的方式，提取其中的關(guān)鍵字，并對(duì)關(guān)鍵字進(jìn)行歸類，關(guān)鍵字分屬于不同的屬性。對(duì)同一種屬性的關(guān)鍵字出現(xiàn)的次數(shù)進(jìn)行統(tǒng)計(jì)，看該屬性占總值的比例，來(lái)作為節(jié)點(diǎn)屬性的具體數(shù)值。同時(shí)，考慮到群體聚類的不同目的，本文還對(duì)屬性的權(quán)值進(jìn)行了設(shè)置，根據(jù)群體劃分目的的不同，來(lái)分配屬性權(quán)重的大小，從而達(dá)到更好劃分群體的目的。

2.1 問(wèn)題描述

微博社交網(wǎng)絡(luò)中用戶采用相互關(guān)注、評(píng)論博文、轉(zhuǎn)發(fā)與@好友等形式形成節(jié)點(diǎn)之間的關(guān)聯(lián)，本文主要在由親密度構(gòu)建的網(wǎng)絡(luò)拓?fù)鋱D上進(jìn)行圖聚類的修正。

在群體挖掘中，挖掘目的直接影響著網(wǎng)絡(luò)群體的組合，親密度的計(jì)算可以將具有現(xiàn)實(shí)關(guān)系的博友聚集起來(lái)，形成拓?fù)浣Y(jié)構(gòu)。用有向帶權(quán)圖G（V，E，X）來(lái)表示微博網(wǎng)絡(luò)中用戶關(guān)系。V表示微博網(wǎng)絡(luò)中的節(jié)點(diǎn)集合；E表示用戶節(jié)點(diǎn)的有向邊，即用戶之間的親密行為；X為有向邊的權(quán)值，值小就代表不怎么親密，很少有親密舉動(dòng)。考慮到親密需要雙方互動(dòng)，故采用節(jié)點(diǎn)間雙向的權(quán)值的較小值E（X，Y）=min（W（X，Y），W（Y，X））表示親密度。依據(jù)親密程度可以構(gòu)建起類似于圖1的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。

由上述方案獲得的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)還不具有較強(qiáng)的群體特性，需要進(jìn)一步計(jì)算才能獲得社交網(wǎng)絡(luò)中的群體結(jié)構(gòu)圖。根據(jù)網(wǎng)絡(luò)拓?fù)鋱D，修改拓?fù)鋱D的表示方法，將節(jié)點(diǎn)屬性值作為參數(shù)重新描述拓?fù)鋱D：G（V，E，X），其中V={V1，V2，V3…Vn}是節(jié)點(diǎn)集合，n=|V|代表圖中的節(jié)點(diǎn)數(shù)量。E?V×V是邊的集合。E={（Vi，Vj）}：Vi，Vj∈V}，并且X∈R|V|×d是一個(gè)頂點(diǎn)屬性矩陣。圖1顯示了的是一個(gè)基于親密度組成的社會(huì)性網(wǎng)絡(luò)，每個(gè)節(jié)點(diǎn)代表一個(gè)用戶，用戶存在若干屬性，假設(shè)存在n個(gè)屬性值（T1，T2…Tn），下文將建立屬性矩陣，利用相似度函數(shù)計(jì)算出節(jié)點(diǎn)的相似矩陣，進(jìn)而對(duì)圖1進(jìn)行修正。

2.2 節(jié)點(diǎn)集的屬性矩陣

本文以一個(gè)12個(gè)頂點(diǎn)的簡(jiǎn)單拓?fù)渚W(wǎng)絡(luò)為例，研究基于屬性舉證重構(gòu)的拓?fù)渚W(wǎng)絡(luò)，為其尋找新的邊界。圖2中的拓?fù)浣Y(jié)構(gòu)中有3個(gè)小型群體，可以看出這3個(gè)小群體存在一個(gè)閉環(huán)關(guān)系。

由于每個(gè)屬性的重要程度不同，為屬性集（T1，T2…Tn）分別分配權(quán)值P1，P2…Pn，Pi的取值采用機(jī)器學(xué)習(xí)的方式，根據(jù)不同的聚類和挖掘目的，根據(jù)屬性的重要程度動(dòng)態(tài)地為屬性分配權(quán)值，P1，P2…Pn需滿足條件P1+P2…Pn=1。

對(duì)微博的博文采用分詞的方法，提取其中的關(guān)鍵字，對(duì)關(guān)鍵字進(jìn)行歸類，分屬于不同的屬性，對(duì)同一種屬性的關(guān)鍵字出現(xiàn)的次數(shù)進(jìn)行統(tǒng)計(jì)，設(shè)為k，所有關(guān)鍵字出現(xiàn)的總次數(shù)設(shè)為P，那么每個(gè)節(jié)點(diǎn)該屬性的屬性值a_ij=k/P。節(jié)點(diǎn)集屬性矩陣如圖3所示。矩陣給出了拓?fù)浣Y(jié)構(gòu)中每個(gè)節(jié)點(diǎn)的屬性。

上述矩陣給出了節(jié)點(diǎn)的屬性值，y1表示單純的屬性矩陣，y2依據(jù)屬性在割邊中的關(guān)鍵程度加入了權(quán)值計(jì)算，期中假設(shè)屬性權(quán)重向量為[T→]（1/2，1/4，1/4），接下來(lái)就可以依據(jù)加權(quán)的屬性矩陣求節(jié)點(diǎn)的相似度。

2.3 基于相似度的拓?fù)鋱D修正

根據(jù)屬性矩陣y2采用類余弦相似性計(jì)算公式：

可以計(jì)算得到每?jī)蓚€(gè)節(jié)點(diǎn)的相似性值，從而得到節(jié)點(diǎn)集的相似度矩陣，如圖4所示。

根據(jù)矩陣圖可以發(fā)現(xiàn)節(jié)點(diǎn)集（V1，V2，V3，V4，V5，V6）存在屬性高度相關(guān)性，但是該節(jié)點(diǎn)集中的節(jié)點(diǎn)分布在A、B兩個(gè)集合內(nèi)，在節(jié)點(diǎn)集C中，很明顯節(jié)點(diǎn)集（V7，V8，V10）屬性一樣，但與節(jié)點(diǎn)集（V9，V11，V12）中節(jié)點(diǎn)的余弦相似度在0.53左右，為了尋找高度相似的節(jié)點(diǎn)集，采用閥值為0.95對(duì)圖2中的網(wǎng)絡(luò)拓?fù)鋱D進(jìn)行修正，得到原拓?fù)鋱D的重構(gòu)，如圖5所示。圖5中虛線表示節(jié)點(diǎn)間屬性向量的余弦相似值極高，從而具有相似性，根據(jù)虛線的密集程度，對(duì)原始的拓?fù)浣Y(jié)構(gòu)進(jìn)行了群體的進(jìn)一步修正，一個(gè)藍(lán)色區(qū)域表示一個(gè)親密度基礎(chǔ)上，屬性值極似的群體。

基于網(wǎng)絡(luò)親密度所構(gòu)造的網(wǎng)絡(luò)拓?fù)鋱D根據(jù)用戶與用戶之間的親密關(guān)系劃分出來(lái)的群體，但是通過(guò)這樣的方式聚合出來(lái)的群體未必真正有內(nèi)在的聯(lián)系。為此，本文采用加入每個(gè)單個(gè)節(jié)點(diǎn)的內(nèi)在屬性的方式，這里的屬性可以是每個(gè)用戶的興趣愛(ài)好，又或者是用戶的需求等因素，根據(jù)不同的挖掘目的和要求，動(dòng)態(tài)地給這些屬性分配權(quán)重，來(lái)挖掘群體的內(nèi)在關(guān)聯(lián)。通過(guò)加入屬性并對(duì)它們分配權(quán)重的方式，把看似有聯(lián)系的群體分割成了兩個(gè)不同的群體，而看似沒(méi)有聯(lián)系的群體聚合在了一起。

3 結(jié)束語(yǔ)

本文提出了一種基于節(jié)點(diǎn)屬性的圖聚類算法，原有的網(wǎng)絡(luò)拓?fù)鋱D是基于微博用戶的網(wǎng)絡(luò)親密度進(jìn)行挖掘的，本文提出的算法對(duì)原有的網(wǎng)絡(luò)拓?fù)鋱D進(jìn)行了修正，加入了節(jié)點(diǎn)屬性的概念，并根據(jù)不同的挖掘目的，為屬性分配不同的權(quán)值，用來(lái)表示不同屬性的重要程度。數(shù)據(jù)表明這種修正算法更符合實(shí)際的社群聚類方式。

參考文獻(xiàn)

[1] AKCORA C G， CARMINATI B， FERRARI E. Network and profile based measures for user similarities on social networks [C]//Proceedings of the Information Reuse and Integration， 2011 IEEE International Conference on， 3-5 Aug. 2011. Las Vegas， 2011： 292-298.

[2] SHEN L， ZHOU Y M. A New User Similarity Measure for Collaborative Filtering Algorithm. [C]//Proceedings of the Computer Modeling and Simulation， 2010. Second International Conference on， 22-24 Jan. 2010， Sanya， Hainan， 2010： 375-379. doi： 10.1109/ICCMS.2010.67.endprint

[3] MOHAJIREEN M， ELLEPOLA C， PERERA M， et al. Relational similarity model for suggesting friends in online social networks [C]//Proceedings of the Industrial and Information Systems （ICIIS）， 2011 6th IEEE International Conference on. 16-19 Aug. 2011， Kandy， 2011：334-339. doi： 10.1109/ICIINFS.2011.6038090.

[4] 溫菊屏， 鐘勇. 圖聚類的算法及其在社會(huì)關(guān)系網(wǎng)絡(luò)中的應(yīng)用 [J].計(jì)算機(jī)應(yīng)用與軟件， 2012，25（2）：161-163.

[5] KOHOUT J， NERUDA R. Two-Phase Genetic Algorithm for Social Network Graphs Clustering [C]//Proceedings of the Advanced Information Networking and Applications Workshops （WAINA）， 2013 27th International Conference on， 25-28 March 2013， Barcelona， 2013：197-202.

[6] KENLEY E C， CHO Y R. Entropy-Based Graph Clustering： Application to Biological and Social Networks [C]//Proceedings of the Data Mining （ICDM）， 2011 IEEE 11th International Conference on， 11-14 Dec. 2011， Vancouver， BC， 2011：1116-1121. doi： 10.1109/ICDM.2011.64.

[7] CRUZ J D， BOTHOREL C， POULET F. Layout Algorithm for Clustered Graphs to Analyze Community Interactions in Social Networks [C]//Proceedings of the Advances in Social Networks Analysis and Mining （ASONAM）， 2012 IEEE/ACM International Conference on， 2012， Washington， DC， USA. 2012：704-705. doi： 10.1109/ASONAM.2012.120.

[8] SALEM S， BANITAAN S， ALJARAH I， et al. Discovering Communities in Social Networks Using Topology and Attributes [C]//Proceedings of the Machine Learning and Applications and Workshops， 2011 10th International Conference on， 18-21 Dec. 2011， Honolulu， HI， 2011：40-43. doi： 10.1109/ICMLA.2011.57.

作者簡(jiǎn)介

黃涵霞，南京郵電大學(xué)物聯(lián)網(wǎng)學(xué)院物流工程專業(yè)在讀碩士研究生；主要研究方向?yàn)樾畔⒕W(wǎng)絡(luò)技術(shù)及其在物流中的應(yīng)用。

胡燕萍，南京郵電大學(xué)物聯(lián)網(wǎng)學(xué)院物流工程專業(yè)在讀碩士研究生；主要研究方向?yàn)樾畔⒕W(wǎng)絡(luò)技術(shù)及其在物流中的應(yīng)用。

孫知信，南京郵電大學(xué)教授、博士生導(dǎo)師；主要研究領(lǐng)域?yàn)橛?jì)算機(jī)網(wǎng)絡(luò)與安全；已主持和參加基金項(xiàng)目10余項(xiàng)；已發(fā)表論文50余篇，其中被SCI/EI檢索40余篇。endprint

[3] MOHAJIREEN M， ELLEPOLA C， PERERA M， et al. Relational similarity model for suggesting friends in online social networks [C]//Proceedings of the Industrial and Information Systems （ICIIS）， 2011 6th IEEE International Conference on. 16-19 Aug. 2011， Kandy， 2011：334-339. doi： 10.1109/ICIINFS.2011.6038090.

[4] 溫菊屏， 鐘勇. 圖聚類的算法及其在社會(huì)關(guān)系網(wǎng)絡(luò)中的應(yīng)用 [J].計(jì)算機(jī)應(yīng)用與軟件， 2012，25（2）：161-163.

[5] KOHOUT J， NERUDA R. Two-Phase Genetic Algorithm for Social Network Graphs Clustering [C]//Proceedings of the Advanced Information Networking and Applications Workshops （WAINA）， 2013 27th International Conference on， 25-28 March 2013， Barcelona， 2013：197-202.

[6] KENLEY E C， CHO Y R. Entropy-Based Graph Clustering： Application to Biological and Social Networks [C]//Proceedings of the Data Mining （ICDM）， 2011 IEEE 11th International Conference on， 11-14 Dec. 2011， Vancouver， BC， 2011：1116-1121. doi： 10.1109/ICDM.2011.64.

[7] CRUZ J D， BOTHOREL C， POULET F. Layout Algorithm for Clustered Graphs to Analyze Community Interactions in Social Networks [C]//Proceedings of the Advances in Social Networks Analysis and Mining （ASONAM）， 2012 IEEE/ACM International Conference on， 2012， Washington， DC， USA. 2012：704-705. doi： 10.1109/ASONAM.2012.120.

[8] SALEM S， BANITAAN S， ALJARAH I， et al. Discovering Communities in Social Networks Using Topology and Attributes [C]//Proceedings of the Machine Learning and Applications and Workshops， 2011 10th International Conference on， 18-21 Dec. 2011， Honolulu， HI， 2011：40-43. doi： 10.1109/ICMLA.2011.57.

作者簡(jiǎn)介

黃涵霞，南京郵電大學(xué)物聯(lián)網(wǎng)學(xué)院物流工程專業(yè)在讀碩士研究生；主要研究方向?yàn)樾畔⒕W(wǎng)絡(luò)技術(shù)及其在物流中的應(yīng)用。

胡燕萍，南京郵電大學(xué)物聯(lián)網(wǎng)學(xué)院物流工程專業(yè)在讀碩士研究生；主要研究方向?yàn)樾畔⒕W(wǎng)絡(luò)技術(shù)及其在物流中的應(yīng)用。

孫知信，南京郵電大學(xué)教授、博士生導(dǎo)師；主要研究領(lǐng)域?yàn)橛?jì)算機(jī)網(wǎng)絡(luò)與安全；已主持和參加基金項(xiàng)目10余項(xiàng)；已發(fā)表論文50余篇，其中被SCI/EI檢索40余篇。endprint

[3] MOHAJIREEN M， ELLEPOLA C， PERERA M， et al. Relational similarity model for suggesting friends in online social networks [C]//Proceedings of the Industrial and Information Systems （ICIIS）， 2011 6th IEEE International Conference on. 16-19 Aug. 2011， Kandy， 2011：334-339. doi： 10.1109/ICIINFS.2011.6038090.

[4] 溫菊屏， 鐘勇. 圖聚類的算法及其在社會(huì)關(guān)系網(wǎng)絡(luò)中的應(yīng)用 [J].計(jì)算機(jī)應(yīng)用與軟件， 2012，25（2）：161-163.

[5] KOHOUT J， NERUDA R. Two-Phase Genetic Algorithm for Social Network Graphs Clustering [C]//Proceedings of the Advanced Information Networking and Applications Workshops （WAINA）， 2013 27th International Conference on， 25-28 March 2013， Barcelona， 2013：197-202.

[6] KENLEY E C， CHO Y R. Entropy-Based Graph Clustering： Application to Biological and Social Networks [C]//Proceedings of the Data Mining （ICDM）， 2011 IEEE 11th International Conference on， 11-14 Dec. 2011， Vancouver， BC， 2011：1116-1121. doi： 10.1109/ICDM.2011.64.

[7] CRUZ J D， BOTHOREL C， POULET F. Layout Algorithm for Clustered Graphs to Analyze Community Interactions in Social Networks [C]//Proceedings of the Advances in Social Networks Analysis and Mining （ASONAM）， 2012 IEEE/ACM International Conference on， 2012， Washington， DC， USA. 2012：704-705. doi： 10.1109/ASONAM.2012.120.

[8] SALEM S， BANITAAN S， ALJARAH I， et al. Discovering Communities in Social Networks Using Topology and Attributes [C]//Proceedings of the Machine Learning and Applications and Workshops， 2011 10th International Conference on， 18-21 Dec. 2011， Honolulu， HI， 2011：40-43. doi： 10.1109/ICMLA.2011.57.

作者簡(jiǎn)介

黃涵霞，南京郵電大學(xué)物聯(lián)網(wǎng)學(xué)院物流工程專業(yè)在讀碩士研究生；主要研究方向?yàn)樾畔⒕W(wǎng)絡(luò)技術(shù)及其在物流中的應(yīng)用。

胡燕萍，南京郵電大學(xué)物聯(lián)網(wǎng)學(xué)院物流工程專業(yè)在讀碩士研究生；主要研究方向?yàn)樾畔⒕W(wǎng)絡(luò)技術(shù)及其在物流中的應(yīng)用。

孫知信，南京郵電大學(xué)教授、博士生導(dǎo)師；主要研究領(lǐng)域?yàn)橛?jì)算機(jī)網(wǎng)絡(luò)與安全；已主持和參加基金項(xiàng)目10余項(xiàng)；已發(fā)表論文50余篇，其中被SCI/EI檢索40余篇。endprint