动态网络模式挖掘方法及其应用公式变为图片版

应用复杂静态网络的研究方法,研究人员在揭示社会网络、生物网络和信息网络的形成和演化机制方面取得了重要的研究成果.实际的生活中,网络往往会随着时间的变化而变化,是一种动态的状态,也可以称为动态网络.本文动态网络为研究对象,简述动态网络的相关概念,对动态网络的拓扑特性进行简要的分析,分析比较动态网络的各种模式挖掘模型和方法.然后将所分析的动态网络模式挖掘方法应用于实际的生物网络和社会网络中,研究其网络模型的动态模块和模式演化问题.最后指出动态网络模式挖掘方法在现实动态网络研究存在的问题和挑战,并对未来的研究方向经行分析.     

支持复杂社会网络演化的过程挖掘技术综述

复杂社会网络演化过程研究对于发现社会网络群体的隐含结构和演化规律,以及风险预测具有重要意义。首先梳理了过程挖掘技术的发展脉络,阐述复杂社会网络分析方法与过程挖掘技术相结合在复杂社会网络演化模式研究、组织结构发现中的应用现状,结合社会网络分析方法和大数据技术,运用服务工程思想,进而从社会和资源维度综述社会网络跨组织业务过程发现、动态社会网络演化过程发现、角色挖掘与服务挖掘等技术,指出现有复杂社会网络过程挖掘研究面对大数据质量和跨组织异构等研究方面的不足,对大规模社会网络过程挖掘领域的研究难点和发展趋势进行了讨论。     

在线社会网络的动态社区发现及演化

在线社会网络研究中,动态隐含社区或群组结构的发现及演化探测是一个十分关键的核心问题,它对于在中观(Mesoscopic)视图观察在线社会网络隐结构特征、预测演化趋势、掌控网络势态、发现网络异常群体事件等具有重要意义.文中首先分析了动态社区发现和社区演化研究的关系,给出动态社区研究中关键挑战问题;然后根据问题背景的不同,从“同构社会网络的动态社区研究”和“异构社会网络的动态社区研究”两个方面进行国内外相关研究现状的阐述和分析,其中,在“同构社会网络的动态社区研究”中,根据评价方法的差异和关注问题的不同将当前相关研究分为基于时空独立评价、时空集成评价、统一评价和增量式算法4大类进行综述,同时对动态社区发现的重要应用——异常群体发现的研究进行介绍;最后对在线社会网络动态社区领域的难点和发展趋势进行分析和展望.     

动态信息网络中的角色演化异常及其发现

现实世界中的社交网络、合作者网络、邮件网络等诸多复杂系统均可抽象为动态信息网络。动态信息网络具有时序、复杂、多变的特征,分析其网络结构随时间演化的过程,尤其演化过程中出现的异常现象,对理解复杂系统的行为倾向于演化趋势具有重要意义。致力于动态信息网络中异常结构演化过程的发现,通过角色定义刻画网络的结构特征,提出了角色演化异常(role evolving outliers,REOutliers)的概念,并给出了基于模式挖掘的角色演化异常发现算法(pattern-based role evolving outliers detection,P-REOD)。该算法挖掘整个网络中角色随时间演化的频繁模式,通过比较节点到频繁模式的相异程度进行REOutliers发现。实验表明,该算法能够进行有效的角色演化异常发现。     

基于社会网络可视化分析的数据挖掘

把社会等复杂系统看作网络的思想由来已久.利用社会网络分析的方法,能够对各种社会关系进行精确的量化表征和分析。从而揭示其结构,对一系列当代社会的现象进行更加深入而具体的解释.结合社会网络可视化分析和数据挖掘的理论与方法,引入相关的地理信息,对包含1980-2002年间世界范围内1417例恐怖袭击事件的数据库进行数据分析,以这些恐怖袭击事件各要素节点之间关系作为基本分析单位,对恐怖组织之间的活动模式和发展特点等内在规律进行挖掘与解释,得出有意义的结果.提出的方法可以有效地推广应用于蛋白质结构分析、生物基因分析以及各类社会问题的分析过程.     

基于手机通话网络的人类交互行为分析

移动通信行为是社会生活的重要组成部分,手机通话网络是一种重要的社交网络,深入分析手机通信网络的拓扑特征对认识社交网络和人类行为特性具有重要的意义。基于复杂网络相关理论,提出了多重时变通信网络模型,在此基础上,对一个手机通信数据集进行分析挖掘,得到了人类动力学角度的行为模式。首先构建了手机通话网络,然后从群体和个体两个尺度对网络度分布、度演化、通话时长、呼叫间隔等指标进行了研究,发现网络整体上呈现明显的无标度特征,个体行为与节点度密切相关,而群体度演化过程则显示了特定地区社会生活特征,相关结果对于社会网络分析和人类行为动力学研究具有重要的意义。     

动态基因调控网演化分析

动态基因调控网是展现生物体内基因与基因之间相互关系随时间变化而变化的动力学行为的复杂网络.这种相互作用关系可以分为两类：激励和抑制.对动态基因调控网网络演化的研究,可以预测未来时刻生物体内的基因调控关系,从而在疾病预测和诊断、药物开发、生物学实验等领域起到重要的指导和辅助作用.现实世界中,动态基因调控网的网络演化是一个复杂而巨大的系统,当前,对于其演化机制的研究存在只关注静态网络而忽略动态网络和只关注相互作用关系而忽略相互作用类型的缺陷.针对上述问题,提出了一种动态基因调控网演化分析方法（dynamic gene regulatory network evolution analyzing method,简称DGNE）,将研究扩展到了动态带符号网络领域.通过该方法包含的基于模体转换概率的连边预测算法（link prediction algorithm based on motif transfer probability,简称MT）和基于隐空间特征的符号判别算法,能够动态地捕捉基因调控网的演化机制,并准确地预测未来时刻基因调控网的连边情况.实验结果表明,DGNE方法在仿真数据集和真实数据集上均有良好的表现.     

基于加权动态网络的频繁模式挖掘研究

不同时刻的动态网络往往具有不同权重,针对加权动态网络的频繁模式挖掘,提出一种挖掘算法WGDM,它适用于加权动态社会网络、生物网络等方面的频繁模式挖掘。WGDM算法利用支持度的反单调性裁剪搜索空间,从而减少冗余候选子图,提高算法效率。通过实验测试了WGDM算法的性能,并根据中国实际股票市场网络,利用WGDM算法挖掘股票市场网络中有趣的频繁模式。     

一种基于特征演变的新闻话题演化挖掘方法

话题演化挖掘研究可以准确完整地获取新闻话题动态演化各个阶段的话题内容,帮助用户理解新闻话题的来龙去脉以及话题内容之间的相关性和差异性,因此在网络新闻检索、网络舆情监控、互联网突发事件检测与应急管理等方面具有十分重要的作用和应用前景.现有工作由于缺乏对话题特征随时间发展而动态演变的深入分析,仅仅采用均值泛化的思想去增量扩充演化中的话题特征,引入大量话题无关信息,影响了话题关联的准确率,从而导致最终话题演化挖掘结果的偏斜.因此,针对以上问题,文中通过引入话题特征演变特性,提出一种针对话题演化的特征计算模型,在此基础上利用已有话题相关文档和最新文档进行话题信息动态增量扩充,通过对话题特征进行正向融合以及逆向过滤完成对特征信息的抗噪处理,提高话题关联的正确率,有效地解决了话题演化的偏斜问题.     

基于扩散理论的动态社区挖掘

针对动态社区挖掘问题进行分析和研究,基于优先情节和增长定律,根据节点的度数分布,提出以时间为轴动态模拟社会网络的形成演化机制,同时进行社区划分。以Zachary Club和工二s Miscrablcs网络作为实验数据集,对提出的算法进行了实验验证,结果表明,该算法挖掘到的社区都是强连通社区,能够动态、精确地挖掘网络中存在的社区结构,具有较高的实用价值。     

符号网络研究综述

符号网络是指边具有正或负符号属性的网络,其中,正边和负边分别表示积极的关系和消极的关系.真实世界的许多复杂网络中都存在对立的关系,尤其是在信息、生物和社会领域.利用边的符号属性去分析、理解和预测这些复杂网络的拓扑结构、功能、动力学行为具有十分重要的理论意义,并且对个性化推荐、态度预测、用户特征分析与聚类等都具有重要的应用价值.然而,当前人们对网络的符号属性关注较少.综述了符号网络的研究背景及意义、国内外研究现状和最新进展,并讨论了目前存在的主要问题,试图让人们对符号网络这一研究方向能有清晰而全面的认识,为网络数据挖掘、复杂网络分析、社会学、生物信息学等相关领域的研究者提供有益的参考.     

复杂网络聚类方法

网络簇结构是复杂网络最普遍和最重要的拓扑属性之一,具有同簇节点相互连接密集、异簇节点相互连接稀疏的特点.揭示网络簇结构的复杂网络聚类方法对分析复杂网络拓扑结构、理解其功能、发现其隐含模式、预测其行为都具有十分重要的理论意义,在社会网、生物网和万维网中具有广泛应用.综述了复杂网络聚类方法的研究背景、研究意义、国内外研究现状以及目前所面临的主要问题,试图为这个新兴的研究方向勾画出一个较为全面和清晰的概貌,为复杂网络分析、数据挖掘、智能Web、生物信息学等相关领域的研究者提供有益的参考.     

大系统控制论与复杂网络——探索与思考

随着通信技术和网络技术的飞速发展, 在社会、经济乃至日常生活领域中, 出现了越来越多的复杂动态网络. 网络科学作为一门新兴的交叉学科, 对复杂动态网络性能特征、演化进程和控制方法的研究已取得了丰富的成果. 大系统控制论以高维动态大系统的行为分析和控制优化为主要研究内容, 应该能为复杂网络的研究提供有益的借鉴. 本文针对复杂动态网络研究的一些热点问题, 探索了用大系统控制理论和方法解决复杂网络结构分析和控制的可能性, 分析了面临的困难和应对的思路. 针对大规模复杂动态网络的控制和优化, 提出了集网络科学的宏观分析方法、控制科学的定量设计方法和信息科学的智能处理方法于一体的多层递阶结构.     

Supergraph based periodic pattern mining in dynamic social networks

In dynamic networks, periodically occurring interactions express especially significant meaning. However, these patterns also could occur infrequently, which is why it is difficult to detect while working with mass data. To identify such periodic patterns in dynamic networks, we propose single pass supergraph based periodic pattern mining SPPMiner technique that is polynomial unlike most graph mining problems. The proposed technique stores all entities in dynamic networks only once and calculate common sub-patterns once at each timestamps. In this way, it works faster. The performance study shows that SPPMiner method is time and memory efficient compared to others. In fact, the memory efficiency of our approach does not depend on dynamic network’s lifetime. By studying the growth of periodic patterns in social networks, the proposed research has potential implications for behavior prediction of intellectual communities.     

社会网络的动态建模与变化检测技术

动态网络分析是社会网络数据挖掘的重要手段。基于此,归纳社会网络动态行为,介绍针对不同网络变化原因的对应分析方法,从动态建模分析和网络变化检测两方面综述动态社会网络分析技术,并总结各种方法的适用范围及优缺点,提出该领域需要进一步研究的问题,探讨动态社会网络分析的发展方向。     

Incremental community miner for dynamic networks

Human relationships have led to complex communication networks among different individuals in a society. As the nature of relationship is change, these networks will change over the time too which makes them dynamic networks including several consecutive snapshots. Nowadays, the pervasiveness of electronic communication networks, so called Social Networks, has facilitated obtaining this valuable communication information and highlighted as one of the most interesting researchers in the field of data mining, called social network mining. One of the most challenging issues in the field of social network mining is community detection. It means to detect hidden communities in a social network based on the available information. This study proposes an appropriate solution to find and track communities in a dynamic social network based on the local information. Our approach tries to detect communities by finding initial kernels and maintaining them in the next snapshots. Using well-known datasets, the investigation and comparison of the proposed method with some state-of-the-art approaches indicates that the performance and computation complexity of our method is promising and can outperform its competitors.     

一种新的度量生物复杂网络模块性的方法

在生命科学领域,生物网络的概念也被大量引入,用以系统地表示复杂的生物过程。模块性是很多复杂网络都具有的特征,因此生物网络模块性的研究成为系统生物学一个重要的研究方向。为了更加深入地了解生物系统的组成和机理,本文提出了一种度量网络模块性的新方法,并将该序列指标应用于酵母转录因子调控网络和多个物种的代谢网络,结果发现酵母转录因子调控网络并不具有模块性而代谢网络具有显著的模块性。在应用中,代谢网络的功能模块度与平均聚类系数的相关性还说明我们的指标比平均聚类系数更适合刻画网络的功能模块性。另外,该指标的提出使得各种不同物种网络模块性的比较或者各种不同模块划分(或识别)方法的评价成为可能。     

异构复杂信息网络敏感数据流动态挖掘

针对异构复杂信息网络中存在高维冗余的敏感数据流,可挖掘数据特征形成概率较低,导致需要多次挖掘、挖掘内存占用高、挖掘精度低、时间长的问题,提出基于最大类间散度的网络敏感数据流动态挖掘方法。将敏感数据的差异最大化间隔作为分类基础,得到网络敏感数据的最大类间散度,在遗传迭代状态下确定最优散度迭代函数,对迭代函数进行挖掘特征优选,得出动态可挖掘特征。对可挖掘特征进行聚类分析,挖掘得到数据隐藏信息模式,并对其进行评价,将合理的信息模式进行知识表示,从而实现异构复杂信息网络敏感数据流动态挖掘。实验结果表明,所提方法可挖掘特征形成概率高达98%,labels标记与实际值较为接近。所提方法挖掘精度高,且运行时间较短、内存占用率低。     

Modeling complex systems with adaptive networks

Adaptive networks are a novel class of dynamical networks whose topologies and states coevolve. Many real-world complex systems can be modeled as adaptive networks, including social networks, transportation networks, neural networks and biological networks. In this paper, we introduce fundamental concepts and unique properties of adaptive networks through a brief, non-comprehensive review of recent literature on mathematical/computational modeling and analysis of such networks. We also report our recent work on several applications of computational adaptive network modeling and analysis to real-world problems, including temporal development of search and rescue operational networks, automated rule discovery from empirical network evolution data, and cultural integration in corporate merger.