Clustered Direction Centrality

简介：
Clustered Direction Centrality是一种用于评估网络中节点重要性的度量方法，结合了节点的方向性和集群特性。该指标在社会网络分析、信息传播等领域具有广泛的应用价值。 在这项工作中，我们提出了一种基于局部测量方向中心性（CDC）的新颖聚类算法。该方法的核心理念是首先识别出群集的边界点，然后将这些边界点所包围区域内的内部点连接起来形成完整的簇。我们认为，在空间分布中，一个簇中的内部点通常会被其周围的邻居从各个角度围绕着，而边界点则只会在特定方向上被相邻的节点覆盖。通过计算K最近邻（KNN）的角度方差来区分这些差异性，我们能够确定局部中心性的测量值。 该算法采用K近邻搜索技术寻找临近的数据点，并且不受数据密度影响，有助于保持稀疏簇的整体性和完整性。同时，CDC方法可以描绘出不规则形状的群集轮廓并有效避免跨集群连接的问题，进而成功区分那些通过弱链接相互关联的不同群体。 为了实施这一算法及其对比测试，我们在MATLAB环境中实现了所有相关代码和基线（如K均值、CDP、DBSCAN、LGC）方法，并且应用了噪声消除的LOF算法以及降维技术PCA和t-SNE。