网络表示学习算法的研究现状与进展

网络数据可以用来描述事物及事物之间的复杂联系。真实世界中诸如社交、文献引文等大型网络,结构复杂、规模大,节点通常包含丰富的内容信息,随之带来的网络高维、稀疏等特点给机器学习带来前所未有的挑战。网络表示学习融合网络结构信息和节点内容信息将网络节点映射到低维向量空间,能够提高机器学习的效率。根据网络特点对不同类型的网络表示学习进行了介绍与总结。     

基于多通道图卷积网络的节点聚类

针对在深度聚类中大部分基于图卷积网络(graph convolutional network, GCN)的方法仅使用拓扑图而忽略了特征空间中存在的结构信息的问题，提出一种通过引入特征图更充分地利用特征空间中存在的结构信息的节点聚类方法.首先，该方法使用自动编码器(auto-encoder, AE)来学习节点特征的潜在表示，同时在特征图、拓扑图及节点属性3个层面获得节点嵌入；然后，使用融合机制对学习到的节点嵌入进行融合；最后，通过自监督的方式训练网络实现节点聚类.在6个基准数据集上的大量实验表明，该方法明显提高了聚类精度.     

结构扩展的非负矩阵分解社区发现算法

提出结构扩展的非负矩阵分解社区发现算法(nonnegative matrix factorization with structure extension, NMF-SE),通过结构扩展,加强相邻节点结构相似性,提高节点间连接的稠密度,从而提高非负矩阵分解在社区发现中的表现。结构扩展过程使节点将自身结构以一定的比例传递给周围的节点,从而使相邻节点间能够得到对方的拓扑结构信息。该过程构造了新的特征矩阵,使非负矩阵分解(nonnegative matrix factorization, NMF)更好地适用于社区发现,在图正则化的半监督任务中能更好地融合先验信息。在人工网络和真实网络上进行试验验证的结果表明,NMF-SE算法有效提高了复杂网络社区发现的准确性。     

动态融合复杂网络节点重要度评估方法

为挖掘复杂网络中的关键节点及提高网络鲁棒性,针对有/无线多网融合的层级网络,提出了动态融合复杂网络模型及其节点重要度评估方法.结合动态融合复杂网络的特点,定义了边连通概率、路径连通概率、网络连通概率、融合节点比例、融合节点分布和融合路径比例等与网络动态性和融合性相关的参数.在单层复杂网络节点重要度评估指标的基础上,设计了融合网络节点度中心性、节点介数中心性和节点融合中心性指标.其中,融合节点的节点融合中心性表示融合节点对网络融合的贡献程度,非融合节点的节点融合中心性表示非融合节点对网络融合的辅助作用程度,主要体现在作为融合节点之间的中继节点.最后,综合考虑网络拓扑结构、动态融合特性等因素进行节点重要度评估.以改进的动态交织风筝网络为例进行仿真分析,结果表明该方法能够比较全面地刻画节点在动态融合复杂网络中的重要性.利用NS2搭建由光通信网和卫星通信网融合构成的仿真实验网络,进一步验证了在仿真网络环境中本方法的有效性.     

异质信息网络的互信息最大化社区搜索

针对现有社区搜索方法难以处理复杂多样的搜索要求及在高维稀疏的异质信息网络(HINs)中难以融合网络结构和节点属性来度量节点间相关性的不足，提出异质信息网络互信息最大化社区搜索问题，给出互信息最大化的社区定义，设计相应的搜索方法 (互信息最大化社区搜索，CSMIM).将用户的搜索要求定义为查询约束，利用带查询约束的深度图互信息最大化(QC-DGI)模型融合网络结构、语义和节点属性信息获得节点嵌入，有效地计算节点间的互信息.根据给定的查询信息，利用互信息最大化准则搜索目标社区.为了提高搜索结果的准确率，提出基于用户反馈的优化策略，实现互信息从全局到局部的个性化计算.在真实数据集上进行大量实验，实验结果表明所提方法能够有效地根据搜索要求挖掘出给定节点所在的社区，相比具有代表性的基线方法有更高的准确率.     

考虑社交网络中用户属性的社区挖掘

传统社区挖掘往往不具灵活性,并且忽略用户节点特性.为能更加个性化地挖掘网络中的社区,在传统的社交网络表示方法的基础上,提取用户在社交网络中的属性,例如用户档案中的信息、用户的度节点信息等.将得到的数据进行结构化分类处理,用布尔值表示静态属性,用连续值表示动态属性,再将两者相结合构建混合型数据的贝叶斯网络.并通过图论简化用户网络信息结构,优化计算过程,最后对模型进行可行性检验.实验最后结果表明社区挖掘具有较高的精确性,且更具灵活性,能应用于各种社区的挖掘.     

基于遗传算法的复杂网络社区结构探测

对于复杂网络社区结构的探测问题在多个应用领域引起了广泛关注。本文基于遗传算法提出了一种新的社区探测算法,该算法通过最大化网络模块度以探求最好的社区划分结果。本文采用字符串编码进行基因表示。在初始化种群时,通过将一部分节点的社区标识符传递给它的邻居节点保证了算法的收敛性,并且消除了不必要的迭代。对于交叉算子和变异算子也进行了优化,将单向交叉引入到交叉算子中,并在变异过程中保证了变异节点的连接有效性。将本算法与两种算法通过真实世界的复杂网络进行实验比较,实验结果表明,改进后的算法可以有效地应用于社区结构探测。     

融合全局和局部特征的胶囊图神经网络

针对胶囊图神经网络训练中得到的只有整体结构信息,并且随着层数的增加,节点的结构特征信息会丢失的问题,本文提出融合全局和局部特征的胶囊图神经网络。首先,改进了Node2vec,将节点的属性信息引入随机游走过程中,从而在生成网络表示时综合考虑了网络结构和节点的属性;然后,将改进的Node2vec引入胶囊图神经网络,设计了一个融合全局和局部特征的胶囊图神经网络。通过实验发现,本文模型在训练时的收敛速度更快,在图分类任务上的准确率有所提高。     

机会网络节点兴趣社区检测及路由策略

根据机会网络中节点较稳定的社会属性,提出了一种兴趣社区检测机制,将机会网络中节点的兴趣爱好量化,根据节点间兴趣爱好相似性进行兴趣社区划分. 利用节点在运动过程中形成的社区,综合考虑节点的社区属性和节点间历史接触信息,设计了兴趣社区路由算法. 兴趣社区路由由社区内路由和社区间路由组成,路由机制是选择与目标节点在同一兴趣社区且与目标节点接触较多的节点作为中继节点完成数据包转发. 通过仿真实验验证兴趣社区路由策略的合理性和有效性. 仿真结果表明,所提出的兴趣社区路由算法能有效降低网络开销和时延,提高了投递率.     

基于结构平衡理论和高阶互信息的符号网络表示学习算法

提出了一种基于结构平衡理论和高阶互信息的符号网络表示算法SNSH，通过反转符号网络中的正负关系生成负图，来挖掘符号网络中隐含的高阶互信息。该方法旨在通过加强的社会平衡理论来模拟符号网络的局部隐含特征，并通过节点局部嵌入、网络全局结构和节点特征属性三者之间的高阶互信息，得到更全面的符合符号网络特性的节点嵌入。     

基于图神经网络的物联网僵尸网络检测

提出一种基于图神经网络的物联网僵尸网络检测方法。首先,利用网络流数据将网络建模为节点不带特征而边带特征的图;然后,利用图神经网络,根据图中边的特征迭代学习通信拓扑图中各节点的向量表示;最后,根据得到的向量表示对节点进行分类,以此检测网络中被攻击者利用的僵尸主机。学习节点表示时,所提方法同时考虑了网络流特征和网络通信拓扑,并且明确考虑了图中边的方向。此外,所提方法是归纳式的,因此能够适应网络的动态变化,也难以被攻击者绕开。在2个公开数据集上的实验结果表明,所提方法在训练时能快速收敛,且相比于无法利用网络通信拓扑结构信息的模型,所提方法的Micro-F1分数更高。相比其他方法,所提方法更易于推广到训练时未见过的数据上。     

复杂网络中的二阶邻居网络

基于以单个节点为中心的两层邻居网络,研究了复杂网络中的局部拓扑结构,提出邻居度等相关概念,分析了邻居度在复杂网络中信息的传递控制、MAS中的结构自组织、系统的鲁棒性以及网络社区发现等方面的应用,其中通过邻居度的分解可以有效地对Zachary社会关系网进行社区划分。     

复杂网络上的局域免疫研究

在网络全局结构信息未知的情况下,如何对大规模网络进行有效的免疫是疾病预防控制中的重要课题之一.本文介绍了针对社区网络、自适应网络和双层耦合网络等的局域免疫方法研究.对于社区网络,通过对5个真实社区网络的分析,发现桥节点的弱连接数目具有一定程度的异质性,存在一些更重要的桥中心节点,进而提出了一种有效的局域桥节点发现算法.对于自适应网络,发现传播过程中会出现很强的社区结构,由此提出一种基于社区效应的局域控制策略,结果显示疾病并非控制越早效果越好.对于双层耦合网络,提出一种促进-抑制的非对称耦合传播模型,研究危机意识的局域散布对于疾病传播的影响,分别解析得到了意识和疾病传播的爆发阈值与稳态分布.这些研究增进了人们对于复杂网络中关键节点的理解,也为实际的疾病防控工作提供了一些借鉴.     

基于元图注意力网络的异质信息网络链路预测方法

由于元路径存在节点之间语义信息模糊、联通性不强的缺陷,现有的基于元路径的异质信息网络链路预测方法不足以很好地捕捉复杂的结构信息和丰富的语义信息,从而影响链路预测性能的提升.为解决此问题,提出基于元图注意力网络的异质信息网络链路预测方法,综合利用元图内节点层面和元图间语义层面两种注意力机制学习节点向量表示,进而用学习到的...     

融合节点状态信息的跨社交网络用户对齐

提出一种融合节点状态信息的跨社交网络用户对齐方法, 通过网络表示捕获节点的局部特征和节点状态信息得到每个账户的嵌入向量, 计算不同账户对应表示之间的相似性发现对齐用户。在2个真实数据集上的试验结果表明, 提出的方法相对于其他方法可以对齐更多的用户。在预测不同尺度的top-k时, 提出的方法在网络结构较稠密的Twitter-Foursquare数据集上能够在top-9时对齐准确率达到50%且在稀疏且大网络数据集DM-ML上相比其他方法对齐准确率提高12.06%~36.62%;在分析F1-score时, 提出的方法能够有效提高用户对齐的性能。     

一种基于非对称三角形割的重叠社区发现算法

发现由相似功能的个体所形成的社区结构是复杂网络分析的重要任务之一. 提出一种基于非对称三角形割的重叠社区发现算法,首先根据社区内三角形连接情况对社区质量进行评价,并根据节点与社区的三角形连接定义了节点对社区的归属度和连接强度. 考虑到网络不同部分连接密度的差异,在将节点从社区中移除或加入社区的过程中,为每个节点分别设置了不同的移除阈值和扩展阈值,以提高社区发现质量. 将每个节点与其邻居节点组成初始社区,将归属度低于移除阈值的边缘节点从社区中移除,将连接强度高于扩展阈值的外围节点加入社区,社区节点移除和扩展阶段迭代进行直至社区结构趋于稳定,最后去掉重叠率过高的社区得到最终结果. 在7个带社区标签的网络上将所提算法与其他7个经典重叠社区检测算法进行比较,通过重叠标准互信息和F₁指标进行评价,结果表明所提算法可以较好地发现不同规模网络中的社区结构.     

基于贝叶斯和层次模型的传感器网络节点故障预测研究

提出了运用贝叶斯理论和层次模型对传感器网络节点故障进行预测的方法,结合传感器网络各节点处理信息的时序关系,用定性分析将时间信息融合到节点中分析故障传播机制和故障预测.根据节点的历史信息和当前运行情况,预测和确定节点的故障概率;利用参数学习和概率推理,预测上层节点的故障概率.通过仿真实验并与其他预测方法进行比较分析,验证了该方法的可靠性和精确性,为传感器网络节点的故障预测提供了新的思路和方法.     

基于检测信息融合的缆系海底观测网络节点部署策略

采用Neyman-Pearson准则融合观测节点的检测信息,计算不同单元网格达到全覆盖时,网格边长应满足的具体条件.分析基于传统方式与基于检测信息融合的正方形和正三角形网格在不同情况下的具体结构,提出正方形和正三角形网格单元相结合的缆系海底观测网络节点部署策略,确定水下主、次节点的数量及部署位置,以及网络的整体结构.对不同监测范围内网络的具体部署方式与需求进行仿真计算.结果表明:与传统网络结构的节点策略相比,基于检测信息融合的部署方案优势明显,覆盖比率、覆盖效率更高,节点数量更少.     

微博社区演进及信息传播建模分析研究

在真实的微博在线社区网络演进过程中,个体节点间新连接的生成,不仅与个体的节点连接度有关,还与个体节点的吸引力衰变性有关,并存在一定的随机性。针对这种情况,综合考虑个体节点连接度、吸引力衰减性、随机性对在线社区网络演化的影响,提出一个BA模型的改进模型BA*来建模微博社区。结合SIR传播模式,研究了BA*模型的信息传播现象。结果证明,BA*模型更适合分析微博在线社区网络的演进与信息传播。     

基于模体的模块度优化高阶社区检测算法

为提升现有高阶社区检测算法的性能，提出一种基于模体的模块度优化高阶社区检测算法。通过量化网络模体数量为节点间权重，将高阶基于模体的社区检测转化为低阶基于边的加权网络社区检测，并构造为加权模块度优化问题求解。为保证加权模块度优化性能以获得逼近全局最优的高阶社区划分，一方面优化策略采用典型的生物启发式算法；另一方面综合利用网络低阶和高阶拓扑结构信息，通过节点邻域社区修正操作和局部搜索操作，进一步提升社区划分质量并防止算法陷入局部最优。在人工合成和真实世界网络上的实验表明，利用模体高阶结构信息有助于提升复杂网络社区的检测性能，尤其是在社区结构较为模糊的情况下。该算法能够有效实现基于模体的高阶社区检测，与现有基于模体的典型方法相比在精确性和质量性上表现出一定优势，有助于加深对网络高阶结构及功能特性的理解。