2019年10月31日下午4:30， 珞珈资源环境讲坛第四十讲“城市网络的社区结构发现与关键点识别” 在资环学院220报告厅举办。我院万幼老师主讲的此次报告围绕地理网络社区发现的主题，介绍了自己近年来在此领域的三个算法研究，并以全国铁路运行线路构成的城市网络，对城市社区的结构和关键节点进行了分析挖掘。

在当今世界全球化、信息化和网络化的时代背景下，城市间的联系更加紧密和频繁。传统地理学依赖空间形态考察区域空间结构的研究模式，正逐渐向多中心、扁平化、流动性的网络分析模式转变，利用复杂网络理论和方法对城市网络的空间结构进行分析成为目前研究的热点。

首先，万幼老师社区介绍了地理网络社区发现的概念，并对四种常用的地理网络社区挖掘方法进行了综述，指出现有的地理网络社区发现方法在具体实现时未能很好地将地理网络的空间属性和网络属性相结合进行挖掘，影响了方法的准确性和有效性。

因此，万老师提出基于地理加权中心节点距离的网络社区发现算法(geographical weighted central node distance based Louvain method,GND-Louvain)，在距离模块度的计算中，以网络度加权的几何中位数中心节点距离来度量距离衰减效应，以此来计算和评估空间网络社区划分结果的质量。利用全国铁路网网络数据进行研究，设计了5种不同空间约束的空间社区发现对比性实验。结果证明，GND-Louvain算法的准确性最高，并且算法结果最稳定。

接着，万幼老师介绍了基于节点间结构相似性的社区发现方法，基于此提出了邻域扩张和密度聚类相结合的网络社区发现方法DASSCAN（A Density and Adjacency Expansion-Based Spatial Structural Community Detection Algorithm），采用空间邻域扩张策略对结构相似且空间邻近的节点进行基于密度的聚类。算法可识别空间网络中的社区结构以及枢纽和离群点两种特殊角色，但其准确度依赖于社区结构的有效识别，以及对节点重要性综合指标的计算方式。然后，万幼老师将基于密度的离群点检测方法与基于层次聚类的快速展开社区发现方法（Louvain）相结合，提出了ScanLouvain方法，可有效识别出网络离群点，并对剩余网络进行社区发现。

最后，万幼老师对社区发现算法的改进进行了总结展望，并提出了可能的研究方向。在场同学踊跃提问，与万幼老师沟通交流自己遇到的问题，报告圆满结束。

文本：徐轶姝

供图：徐轶姝