基于属性约简集评价节点重要性研究

社会网络成员的重要性确定通常依赖结构属性对网络节点的评价。首先定义了网络中节点排序可区分以及属性约简集的概念，并在此基础上量化了属性聚类的阈值，从而确定了类别的数量。设计了网络节点重要性的属性约简集评价算法。通过与度、介数、全属性评价在人工网络、海豚网上的实现，证明了属性约简集评价节点排序的可行性。通过属性约简集在海豚网、9·11恐怖分子合作网上的节点评价值、网络鲁棒性以及节点可区分性等方面的应用对比分析，发现属性约简集评价节点重要性既兼顾了网络结构的完整性，又避免了单一属性评价的片面性和多个属性之间的属性冗余性，提高了节点评价结果的准确性，降低了算法复杂度。     

基于熵加权属性子空间的目标社区发现

该文提出一种基于熵加权属性子空间的目标社区发现方法,挖掘与用户偏好相关的社区。首先,从属性和结构两个方面综合考虑节点间的相似度,利用用户给定的样例节点及其邻居扩展得到目标社区中心点集;其次,在中心点集上,设计一种熵加权的属性权重计算方法,得到目标社区的属性子空间权重;再次,利用目标社区的属性子空间权重,基于节点的属性和结构相似度重写网络中边的权重;最后,定义社区适度函数并结合重写后网络中边的权重改进社区适度函数,以中心节点集为核心,挖掘基于用户偏好的内部连接紧密且与外部分离较好目标社区。此外,该方法可以扩展到网络中多个社区发现及离群点检测任务中。在人工网络和真实网络数据集上的实验结果验证了该文所提算法的效率和有效性。     

融合知识的多视图属性网络异常检测模型

属性网络异常检测在网络安全、电子商务和金融交易等领域中具有重要的理论与现实意义,近年来受到了越来越多的关注.大多数异常检测方法凭借网络有限的属性或结构信息进行决策生成,往往难以对异常模式做出可靠的描述.此外,网络节点对应的实体往往关联着丰富的领域知识,这些知识对于异常的识别具有重要的潜在价值.针对上述情况,提出一种融合知识的多视图网络异常检测模型,在多视图学习模式下通过数据与知识的互补融合实现了对异常节点的有效识别.首先,使用TransR模型由领域知识图谱抽取知识向量表示,并借助输入网络的拓扑关系构造其孪生网络.接着,在多视图学习框架下构建属性编码器和知识编码器,分别将属性网络及其孪生网络嵌入到各自的表示空间,并聚合为统一网络表示.最后,综合不同维度上的重构误差进行节点异常分数评价,从而识别网络中的异常节点.在真实网络数据集上的对比实验表明,提出的模型能够实现对领域知识的有效融合,并获得优于基线方法的异常检测性能.     

基于组合赋权VIKOR方法的网络节点重要性评价

复杂网络重要节点的识别是网络可靠性分析的重要组成部分,在实际应用中具有重要意义。针对节点重要性受多个因素的影响,将多属性决策理论中的VIKOR方法拓展应用到复杂网络的关键节点识别。基于AHP和TOPSIS方法,从主客观两个维度综合考虑评价指标的权重,给出一个优化的组合赋权策略,进而提出网络节点重要性评价的组合赋权VIKOR (combination weighting VIKOR,CW-VIKOR) 方法。在四个不同类型的实际网络中进行了仿真实验,结果表明,CW-VIKOR方法可以有效识别网络中的重要节点,在节点传播影响力和网络效率上均表现出更好的性能。     

结合拓扑势与信任度调整的重叠社区发现算法

现实世界中的复杂系统可建模为复杂网络,探究复杂网络中的社区发现算法对于分析复杂网络的拓扑结构和层次结构具有重要作用。早期研究通常将网络中的节点局限在一个社区中,但随着研究的深入发现社区结构呈现重叠特性。针对现有重叠社区发现算法存在划分社区结构不稳定、忽略节点交互和属性等问题,提出一种基于网络拓扑势与信任度调整的重叠社区发现算法。融合节点的属性和结构特征计算节点的拓扑势,依据节点的拓扑势选取核心节点。从核心节点出发构建初始社区群,计算各个社区间的调整信任度,实现社区的合并与再调整,从而识别重叠社区。在多个人工模拟网络和真实网络数据集上的实验结果表明,与基于贪婪派系扩张、种子扩张等的重叠社区发现算法相比,该算法将扩展模块度最高提升至0.719,能有效识别社区结构及重叠节点,提升重叠社区检测性能。     

基于BP模型的KAD网络核心节点识别算法研究

针对在KAD网络中核心节点的识别问题,提出了一种基于BP模型对节点重要程度进行实时判定的方法。结合KAD网络测量的结果,对网络中核心节点的属性特征进行提取和归一化处理,获得了一组可分离度较高特征集合。采用MatLab设计相应的学习算法对BP网络进行训练,使结果收敛于预定误差区间。将完成训练的BP网络模型应用于对测试节点的判定,实验结果表明该方法可以实时地完成核心节点的判定,并且识别准确率可达到约70%。     

基于多维属性的社会网络链接预测算法MDA-TF

针对传统社会网络链接预测算法忽视节点多维属性的问题,提出一种基于多维属性的社会网络链接预测算法MDA-TF。该算法首先经过数据预处理,结合节点的多维属性,构建张量模型;然后采用高阶正交迭代算法进行张量分解,得到核心矩阵和因子矩阵;最后根据核心矩阵生成链接预测结果。采用真实的社会网络数据集进行测试取得了较好的实验结果。操作,保证了种群的多样性,从而防止了算法的早熟收敛,提高了解的精度。实验结果也表明了该算法的有效性和正确性。     

单层网络目标控制的多属性决策方法

目标控制,旨在研究如何选择与控制网络中的部分节点,已有工作主要采用随机选取和局部选取来进行,并没有考虑节点的重要性。针对现有的复杂网络节点重要性的评价指标比较单一的问题,在目标控制中采用了一种基于多属性决策的节点重要性综合评价方法,从不同的角度,利用网络中多个节点重要性指标,分别给出不同的权重对节点进行综合评价并且排序,以此选取重要的节点进行目标控制。在人工生成数据及真实数据集上的实验结果表明,该方法能够选出较少的驱动节点。     

融合网络结构和节点属性的链接预测方法

链接预测旨在推荐网络中潜在的链接,是理解和研究社会网络特征的重要一步。随着社会网络的发展,许多网络中包含了大量的节点属性信息。研究集中在结合网络结构和节点属性信息来进行链接预测。网络中的两个节点既可能因为结构上相邻形成新链接,也可能因为属性相似产生联系,基于此假设提出了一种新的融合网络结构和节点属性的随机游走模型用于链接预测。首先建立了两个不同的网络图以及转移概率矩阵用于新的迭代规则,而后再简化该模型用于计算并提出了一种近似的快速算法。在两个标准数据集上进行的实验表明该方法较同类方法有明显的效果提升,同时进一步分析了随机游走粒子在两个网络图中游走的概率对预测结果的影响,分析结果显示节点属性可有效提高模型的预测能力。     

可拓聚类的科教人际网络节点重要性动态分析方法

目前大多数研究对复杂社会网络关键节点影响力的识别都是静态的，缺乏动态变化的分析。采用可拓聚类方法对动态变化下的科教人际网络进行量化分析，首先以多属性决策法计算每个节点重要性，再利用变异系数权重法计算得该节点综合重要性量值，之后划分等级并取标准正域和正域区间，利用可拓关联函数计算每个节点与每个等级的关联度，关联度值最大的等级即为该节点对应等级，最后分析同一社会网络节点在不同时间点的重要性等级变化。可拓聚类方法尝试从动态上对网络节点重要性进行把握，最后通过实例验证了该方法的有效性。