加权网络的结构洞挖掘算法

作为网络结构分析的重要概念,结构洞占据者在获取网络有效信息方面起着关键的作用。目前,研究者们主要针对无权网络研究挖掘其结构洞的方法,然而,实际网络中,边权对网络性能的影响起着重要作用。以加权网络为研究对象,以约束度为衡量指标,提出一种加权的结构洞挖掘算法--W_HIS算法（Weighted HIS Algorithm）。将提出的W_HIS算法应用到公用数据和实例数据,与已有的算法进行对比,验证了算法的有效性。实验结果表明,提出的算法对挖掘结构洞占据者效果相对较好。     

基于重叠社区和结构洞度的社会网络结构洞识别算法

结构洞是社会网络中的关键位置,对信息扩散起中介作用。为高效、准确地辨识具有社团结构的社会网络中占据结构洞的节点,提出了一种基于重叠社区和结构洞度的结构洞识别算法,旨在找到一组最具信息优势和控制优势的节点。基本思想是首先定位社区之间的重叠节点,然后利用节点的邻接差异和连接的社区差异衡量其非冗余性,计算出重叠节点的结构洞度,通过对结构洞度值升序排列发现占据结构洞的节点集。应用于实际数据集的实验结果表明,与网络约束系数算法、中介中心度算法、MaxD算法相比,该算法的识别准确度最高,时间复杂度最低。     

分层递阶的网络结构洞占据者挖掘及分析

结构洞是在社会网络信息传播中占据重要位置的一类关键节点。据研究,5%的结构洞控制着50%的信息传播。学者们研究了单一粒度网络下结构洞的挖掘方法及分析,然而很多网络存在分层递阶的多粒度结构特性,对分层递阶网络的结构洞挖掘和分析具有现实意义。因此,该文提出了一种分层递阶网络的多粒度结构洞挖掘方法HI-SH,并对不同粒度下的结构洞进行了分析。在该方法中,首先对网络进行多粒度社团划分,得到每一粒度下网络的社团;然后,根据两级信息传播理论,使用单一粒度下结构洞挖掘算法,挖掘每一粒度下top-k结构洞。在公用数据Topic16和真实数据上进行了实验,结果表明,网络的结构洞是动态变化的,单一粒度下的结构洞排名不能代表整个网络的结构洞排名。     

面向DBWorld数据挖掘的学术社区发现算法*

针对传统社区发现算法多数是基于单一关系的同构学术社会网络,而包含多种关系的异构学术网络社区发现算法还不多的情况,提出一种基于FCM(Fuzzy c-means)和结构洞的学术社区发现算法—HAFCD算法。从构建基于DBWorld邮件数据的异构学术网络出发,通过分析异构网络中的多种关联关系和节点内容的相似性,提出改进的语义路径模型,计算评审人间的相似度。基于此,该算法根据结构洞越少,网络闭合性越高这一事实,将结构洞理论融入FCM算法,进行异构学术社区发现。通过与现有的谱聚类和路径选择聚类算法进行实验比较表明,本算法具有较好的计算效果。     

基于结构洞和度折扣的影响力最大化算法

在社会网络影响力最大化（IM）算法中,针对目前仅选取局部最优节点造成的影响范围较小的问题,综合考虑核心节点和结构洞节点的传播优势,提出了一种基于结构洞和度折扣的最大化算法（SHDD）。首先,该算法将结构洞思想和中心度思想互相融合应用到影响力最大化问题中,并找出能将结构洞节点和核心节点综合发挥最大传播作用的α因子,使得信息更大范围地扩散从而扩大整个网络的影响范围。其次,为突出两个思想融合的优势,将二度邻居的影响添加到结构洞评价标准中来选取结构洞节点。在不同规模的数据集上实验结果表明,与DegreeDiscount算法相比,SHDD在没有增加过多时间开销的同时扩大了影响范围;与基于结构的贪心（SG）算法相比,在聚类系数较大的网络中SHDD扩大了影响范围并降低了时间开销。SHDD在α因子取0.6时能最大限度地发挥结构洞节点和核心节点融合的作用并且在聚类系数较大的社交网络中能更加稳定地扩大影响范围。     

一种基于加权复杂网络特征的K-means聚类算法

在分析了传统的基于划分的K-means聚类算法的优越性和存在不足的基础上,根据近两年复杂网络研究中部分新的理论成果,提出了复杂网络加权度、加权聚集度与加权聚集系数的定义,并将数据聚类转换为复杂网络上的节点聚类,提出基于加权复杂网络特征的K-means聚类算法(简称WCNFC算法)。实验结果表明,该算法根据节点加权复杂网络特征值,能够较好地找到聚类中心,有效地避免了对初始化选值敏感性的问题,从而使得聚类质量大大提高。     

基于核心节点扩散的有向网络重叠社团发现算法

复杂网络中的社团结构探测是当前复杂网络研究领域的一个热点问题。传统的社团划分算法主要以无向、无权网络作为分析对象,不能够适用于现实世界中各种有向网络、加权网络。在分析和研究各种社团划分算法的基础上,提出一种新的重叠社团发现算法。该算法从网络中的核心节点开始,不断合并适应度最大邻居节点,最终将网络划分为多个重叠的社团。最后,将该算法应用到两个有向网络中,实验表明该算法能够很好地划分出有向网络中的重叠社团。     

基于社团结构的科研合作关系分析与预测

科研合作关系分析和预测针对网络的结构信息预测未来哪些学者间会产生合作关系进行研究,对于理解网络信息传播和动态变化具有重要的意义。在主流的基于拓扑属性的关系预测算法基础上提出了一种基于社区结构信息的合作关系预测模型。首先分析社区发现算法下科研网络的链接分布规律及给出模型构建的理论依据,然后构造引入社区拓扑结构信息的改进算法,最后采用不同社区发现算法进行实验。该方法在实验效果和性能上要优于一些经典的算法,说明该算法能够有效地引入社区结构信息对真实的科研合作网络关系预测问题建模,并为科研合作关系分析预测这一问题提供一种新的思路。     

一种集成局部加权聚类系数的链接预测算法

加权复杂网络中的权重主要表示节点与节点之间的相互作用强度。由于权重的存在,传统的基于局部结构的无权链接预测方法并不适用于加权网络。因此一部分工作尝试把传统的基于局部邻接节点结构的算法迁移到加权网络场景,但是该类算法只是利用了一级共邻节点的拓扑属性,无法反映共邻节点的邻居对潜在节点对的贡献以及共邻节点互联密集程度对预测结果的影响。该文从局部结构的密集层面来分析共邻节点对潜在节点对的影响,提出了一种集成加权聚类系数的相似度指标（WCCLP）,该指标能够有效地扩大局部共邻节点结构对预测性能的影响,同时也能轻易拓展到加权局部朴素贝叶斯链接预测模型（WLNB）中。采用无监督学习的实验表明,和现有的相似度算法相比,WCCLP在多个真实数据集取得了更好的预测效果,同时在有监督学习的链接预测场景中,由WCCLP构建的特征比现有的局部相似度算法构成的特征更具判别性,同时拓展到WLNB的实验效果证明加权聚类系数的定义能够有效推广到其他模型当中。     

一种基于加权复杂网络特征的K-means聚类算法

在分析了传统的基于划分的K—means聚类算法的优越性和存在不足的基础上，根据近两年复杂网络研究中部分新的理论成果，提出了复杂网络加权度、加权聚集度与加权聚集系数的定义，并将数据聚类转换为复杂网络上的节点聚类，提出基于加权复杂网络特征的K—means聚类算法（简称WCNFC算法）。实验结果表明，该算法根据节点加权复杂网络特征值，能够较好地找到聚类中心，有效地避免了对初始化选值敏感性的问题，从而使得聚类质量大大提高。     

注意力流网络中节点影响力的层级性研究

复杂网络中节点影响力的层级性在网络结构与控制研究中至关重要。针对有向加权网络中节点影响力的层级性问题,基于海量在线用户行为数据,构建有向加权集体注意力流网络。通过定义节点的层级位置时间和位置约束指标,并结合节点的拓扑位置和时间序列,提出一种用于有向加权网络的节点影响力度量及排序算法。实验结果表明,该算法能有效区分网络层级结构,准确识别出最具影响力的节点,对于节点影响力评估与复杂网络可控性研究具有一定的借鉴意义和参考价值。     

动态加权网络中节点重要度评估

目前节点重要度评估中针对静态无权图的研究比较多,针对动态加权图的研究相对较少。针对加权网络提出了等效点权节点重要度评估方法;考虑加权网络的动态性,提出了动态距离矩阵更新算法;结合动态规划和迭代的思想,给出了一种新的求距离矩阵的方法;考虑加权网络的社区性,提出了基于距离增量的分组算法;最后,综合给出了基于距离增量分组的动态节点重要度评估算法(node importance evaluation based on distance-increment grouping in dynamic weighted network,IDGD),通过在C-DBLP(digital bib-liography & library project in China)数据上的对比实验,验证了算法的可行性和有效性。     

融合节点重要性的无监督链路预测算法

提高加权网络链路预测算法精确度是研究复杂网络的基础问题之一。常用的基于局部网络结构的无监督预测方法没有考虑到重要性越高的节点越容易产生新连接,且在真实网络上中心性小的节点同样具有高度重要性。针对上述问题,提出一种融合节点重要性的无监督链路预测算法,从结构相似性和节点重要性两个角度计算新连接产生的可能性,并利用自定义系数调节影响程度。在5个真实加权网络数据集上进行实验,结果表明在解决小规模加权网络的快速预测问题上,该算法相比同类方法的预测精确度更高,有监督式链路预测方法并不适用。     

基于带权超图的跨网络用户身份识别方法

随着各种社交网络的不断涌现,越来越多的研究者开始从多源的角度分析社交网络数据,多社交网络的数据融合依赖于跨网络用户身份识别。针对现有的基于好友关系（FRUI）算法对社交网络中的异质关系利用率不高的问题,提出了基于带权超图的跨网络用户身份识别（WHUI）算法。首先,通过在好友关系网络上构建带权超图来准确地描述同一网络中的好友关系及异质关系,以此提高表示节点所处拓扑环境的准确性;然后,在构建好的带权超图的基础上,根据节点所处拓扑环境在不同网络中大致相同这一特性,定义节点之间的跨网络相似性;最后,结合迭代匹配算法,每次选取跨网络相似性最高的用户对进行匹配,并加入双向认证和结果剪枝来保证识别准确率。在合作网络DBLP和真实社交网络上进行了实验,实验结果表明,在真实社交网络上,所提算法相比FRUI算法,平均准确率提高了5.5个百分点,平均召回率提高了3.4个百分点,平均F值提高了4.6个百分点。在只有网络拓扑信息的情况下,所提WHUI算法有效提高了实际应用中身份识别的准确率和召回率。     

Efficient algorithms to solve the link-orientation problem for multi-square, convex-bipartite, and convex-split networks

This paper studies the issue of assigning orientations to all links of an undirected network, which is called the link-orientation problem (LOP). First, we describe some practical variations and address some complexity analysis in LOPs for general networks. Then, we design efficient algorithms to solve these LOPs issues. The proposed approach employs the recursive shortest path rules and the efficient cost cores scheme to resolve the LOP issues for some weighted network systems. These classes of networks include multi-square, convex-bipartite, and convex-split networks. Next, we use the cost core algorithm for adjusting LOP and obtain the more efficient LOP for the weighted convex-bipartite and convex-split networks. In general, the LOP scheme can support the actual applications requirements to realize a WFQ (weighted fair queuing) task for multicast routing in real networks. Finally, the findings of this paper can be mainly applied to some network applications, including efficient revision of load balancing in a ATM switch network, quick selection of a firm’s PCS (Proxy Cache Server) on the Web, and dynamic adjusting of link’s changing conditions in a workflow system on the Internet.     

相接行凸约束网络的快速识别算法

约束网络为计算机科学中的许多问题提供了一种有效的表示方法.一般而言,约束满足问题是NP完全的.然而,许多实际问题通常对约束的结构或形式施加了特殊的限制,从而能够高效地加以解决.迄今,为了识别易处理约束类,人们对特殊的约束或约束网络方面进行了许多研究.相接行凸(connected row-convex,简称CRC)约束网络是Deville等人提出的一类易处理问题.为了给该类问题寻求有效的快速识别算法,在CRC约束网络相关工作基础上,提出了CRC约束矩阵的标准型.在分析CRC约束矩阵的标准型性质的基础上,利用行凸(row-convex,简称RC)约束网络的判定,结合PQ树(由P节点和Q节点构成的树)的性质和矩阵的索引表示法,给出了CRC约束网络的快速识别算法.该算法的时间复杂度为O(n³d²),其中,n为约束网络涉及的变量数,d为各变量的定义域中最大定义域的大小.该时间复杂度达到该类问题的最佳时间复杂度,从而为实际的CRC约束满足问题的求解提供了可行的方法.     

无线传感网中延迟受限的生命周期最大的数据收集算法

无融合数据收集是无线传感网络中最重要的技术之一.在持续实时的监测应用中,网络生命周期和网络传输延迟是衡量数据收集性能的两个重要指标,已有的研究大多侧重于某单一性能指标,而较少关注多性能的折衷优化.因此,本文研究了如何构造一棵延迟受限的生命周期最大的数据收集树,并将该构造问题形式化为一个整数规划问题,提出了有效的数据收集算法-EDG.该算法首先利用MITT方法构造生命周期近似最优的数据收集树,然后对“瓶颈节点”进行路径调整以使其满足延迟约束.仿真结果表明,与无延迟约束的MITT算法相比,EDG算法能在保证网络传输延迟的前提下,使其网络生命周期在大多数情况下达到MITT的90％以上.     

异构传感器网络能量空洞分析与避免研究

在无线传感器网络中,由于sink附近的节点承担远方节点数据的转发,故能量消耗较高,容易在sink附近形成能量空洞而使网络提前死亡.针对由初始能量较大节点充当簇头节点与初始能量较小的节点作为普通节点组成的异构分簇无线传感器网络,提出了不等簇半径工作能量空洞避免策略.策略的核心是让近sink的簇半径较小,而远sink的簇半径较大,这样,近sink部署的初始能量较大的簇头节点较多,因而能够减弱能量空洞的影响,以达到能量消耗均衡的目的.将能量空洞避免问题转化为在保证网络寿命满足应用需求约束前提下如何使部署的节点最小的优化问题,并详细给出了不等簇半径的取值与优化方法.理论分析与实验结果表明,所提出的策略对网络寿命与性能有较大的改善,对于异构传感器网络建设有较好的指导意义.