题目：基于信息传播的社团发现算法研究

       现如今，对于复杂网络的研究毫无疑问已经成为学术界的焦点，其在各个领域无处不在，如人际关系网、万维网、全球交通网等等。研究者通过大量实验表明，除了小世界性、无标度性之外，社团结构也是复杂网络中的一个重要特征。社团是一组彼此相似但与网络中其他节点存在差异的节点构成的集合。找出复杂网络里面存在的社团结构有助于深入了解复杂网络的构造和特性、揭示复杂网络中隐藏的信息并推测复杂网络进一步的作为。所以发现网络的社团结构对探究科学奥秘具有重大的指导意义，并已逐渐成为近几年来人们争相追逐的研究热点。

       本文深入研究已有的复杂网络社团发现算法，将信息传播的方法运用到社团发现算法中，首先在复杂网络上传递信息，然后将这些信息转化为合适的数据对象进行聚类，从而获得相应的社团结构。

       本文工作主要包括以下几个方面：

     （1）提出了基于信号自适应传递的社团发现算法(SAC算法)：首先在复杂网络上进行信号自适应地传递，使网络中的每个节点都获取到信号，然后获取各个节点所对应的影响向量，即把网络节点的拓扑结构转化成向量之间的几何关系，之后结合聚类性质划分社团。为获取更加合理的空间向量，本文基于自适应的思想使所有节点都获取信息，并提出确定最佳传递次数的方法，提高了算法的准确度和精确度。

      （2）提出了基于影响度的标签传播社团发现算法(ILAP算法)：首先为所有节点赋予一个唯一的标签，然后找出网络中的核心节点，从核心节点开始进行标签传播，并将影响度的概念引入到标签更新的策略中，最后当社团的模块度趋于稳定后停止标签更新。在标签传播的过程中加入影响度的概念减小了标签传播的随机性，也避免了标签传播过程中可能出现的振荡现象，在一定程度上提高了社团结构的稳定性。

      （3）将SAC算法和ILAP算法分别在计算机生成网络和真实网络上进行实验分析，都得到了相对较好的社团划分效果，并与其它几种比较经典的社团发现算法进行实验对比。