随着信息化的高速发展，研究复杂关系型数据统计性质的网络科学正在兴起.如果将一个网络视为由节点与边构成的拓扑图，某些子图出现内部连接密集，而在外部连接稀疏的情况，即“高内聚，低耦合”，则通常认为其存在较为紧密的聚类关系，进而将这些子图称为一个社区.社区发现是网络科学的重要研究方向，对探索网络的特性、揭示网络潜在规则和改善网络行为具有指导性作用.标签传播算法（la⁃belpropagationalgorithm,LPA）[1]作为社区发现中的主要算法应运而生，基于信息传播的思想，同时具备时间复杂度低、所需网络结构的先验信息少等优势，但同时也存在因为标签更新过程中随机度过高而导致的准确率不高、迭代结果不稳定的问题.针对上述问题，学者们提出了多种改进算法，一般思路是改变原算法中的随机传播策略，通过度量节点重要性进行传播顺序的优化.翟镇新等[2]提出LLPA算法，引入LeaderRank算法计算节点影响力，减少资源“逆流”；贾慧娟等[3]提出COPRA-S算法，计算节点连接社区强度，通过桥梁节点的设计，防止标签过度传播；Lu等[4]提出LPANNI算法，度量邻居节点影响力NNI作为定义标签更新顺序的依据.以上算法均未考虑邻域相似度对设计标签更新顺序规则的重要性.本研究受到LLS[5]度量指标的启发，提出一种基于节点度与节点邻域相似度的标签传播算法（locallinksimilarity-labelpropagationalgorithm,LLS-LPA），通过量化邻域网络中的重叠率与节点度值，生成新的节点标签更新规则，引入标签传播算法可解决随机性过高的问题.通过在不同数据集上的实验结果表明，LLS-LPA算法在一定程度上消除了随机传播策略对社区划分精度的影响，提升了网络中信息传播的有效率.1标签传播算法标签传播算法是基于图结构数据的半监督式学习算法，用于寻找网络中存在的社区，其基本思想是利用网络中的拓扑结构信息，采用信息传播的方式，不断在目标节点和邻居节点中传递标签信息，在完成一次传递后根据多数原则更新所有节点的标签，反复迭代，直至算法收敛得到社区划分结果.其更新节点度与邻域相似度标签传播算法林欣，吴玉芹，冯玮，范业仙*（宁德师范学院信息与机电工程学院，福建宁德352100）摘要：标签传播算法是一种典型的社区发现算法，针对其传播过程中存在由于随机性过高而导致的准确率不高、迭代结果不稳定等问题，提出基于节点度与邻域相似度的标签传播算法，对传播策略进行改进，引导算法进入良性的路径依赖中.在真实网络和人工网络中的实验结果表明，基于节...
