优化稳定性的多层次社团快速探测算法

由于现有的社团探测算法大多只能在单一的尺度上划分社团,而且运算速度比较差,因此不利于分析大规模的科技社会网络.本文提出一种新颖的多尺度社团结构快速探测算法.该方法通过优化表示社团结构统计显著性的稳定性指标函数,来寻找多个层次上具有最佳统计意义的社团结构.为了得到具体的社团归属,开发了一种只需利用马尔科夫迭代就能更新归属向量的动力学系统,使得社团归属便能够快速地收敛到最优值,因此具有较低的计算复杂性.它不需要指定具体的社团数量,便能够找到每个节点与具体社团的归属关系,因此能够自然地支持重叠社团的划分.理论分析和实验验证共同表明,该算法可以快速而准确的发现社会网络和生物网络中的各种功能社团.     

多关系社交网络中社团结构发现算法

社交网络的节点之间存在着多种关系,这些关系共同决定了网络中节点的社团结构划分。为了准确地发现多关系社交网络中的社团结构,通过研究信息在多子网复合复杂网络模型上的传播过程,提出了一种多关系网络中的社团结构发现算法。该算法基于多子网复合复杂网络模型建立的多关系社交网络,利用信息在多关系社交网络中的传播过程,将网络中的节点转化成能够被聚类算法处理的向量形式,进而采用聚类算法完成多关系社交网络中的社团结构划分。该算法综合考虑了网络中多种关系的相互作用以及异质节点间的相互影响,得到的传播信息量矩阵表示了各节点在整个网络中的影响力,并将影响力相似的节点划分到同一个社团结构中。实验结果显示,与传统社团结构发现算法相比,该算法不仅在准确度上有所提高,还能将异质节点划分到一个社团中,可以根据用户不同需求挖掘出多关系社交网络中的隐藏信息。     

基于信息扩散的多尺度重叠社团快速探测算法

现有的社团分析方法由于需要网络的全局信息,并且只能在单一的尺度上划分社团,因此不利于分析大规模的科技社会网络。提出了一种新颖的多尺度社团结构快速探测算法,其只利用网络的局域信息就可以模拟复杂网络中的多尺度的社团结构。该方法通过优化表示网络统计显著性的拓扑熵,来寻找有最佳统计意义的社团结构。为了得到具体的社团归属,算法只需利用局部信息的扩散来更新归属向量便能够收敛到局部极小值,因此具有较低的计算复杂性。它不需要指定具体的社团数量,便能够找到每个节点与具体社团的归属关系,从而能够自然地支持模糊社团的划分。理论分析和实验验证共同表明,该算法可以快速而准确地发现社会网络和生物网络中的各种功能社团。     

基于网络表示学习的深度社团发现方法

挖掘复杂网络中的社团结构有助于理解网络内部结构和功能特性,具有重要的理论价值和实际应用意义.随着信息技术的飞速发展,爆炸式增长的网络数据为社团发现任务提出了前所未有的挑战.为此,文中利用深度神经网络将网络表示学习和社团发现领域相连接,提出一种基于网络表示学习的深度社团发现方法.算法首先根据节点潜在的社团成员相似性来量化节点之间的结构相似度,从而构造包含潜在社团结构信息的社团结构矩阵;然后建立由多个非线性函数组成的多层自编码器,将社团结构矩阵作为深度自编码器的输入,获得保存了潜在社团结构的节点低维表示;最后在网络表示上应用K-means聚类策略获得社团结构.在不同规模的真实网络和人工网络上进行了大量的实验,并与典型的算法进行比较,实验结果表明了算法的可行性和有效性.     

基于节点依赖度和相似社团融合的社团结构发现算法

社团结构作为复杂网络的拓扑特性之一具有重要的理论和实践意义。提出一种基于节点依赖度和相似社团融合的社团结构发现算法,首先根据依赖度和相似度的定义将整个网络划分成若干个平均集聚系数较大的局部网络,构成网络的基础骨架社团;然后根据连接度的定义不断将社团边缘的节点和小社团吸收到相应的骨架网络中去,直到所有节点都得到准确的社团划分。算法在Zachary空手道俱乐部网络和海豚社会网络中进行了社团划分实验,并与GN算法和Newman快速算法进行了比较,结果表明该算法可以有效地划分社团边缘的模糊节点,社团划分结果具有较高的准确度。     

展示复杂网络社团结构的社团引力导引的布局算法EI北大核心CSCD

由于传统的力导引布局方法大都无法展示复杂网络的社团结构,提出一种可有效展示复杂网络社团结构的布局算法——社团引力导引的布局算法.该算法在力导引布局算法的基础上对每个节点加入社团引力,并引入k-means算法,使同一社团的节点能够向社团的中心位置聚拢.不同于先网络聚类再可视化布局的传统做法,该算法不需要预先对节点分类,可以在布局的同时完成节点聚类.实验中使用模块度指标评估社团结构的强弱程度,结果表明,文中算法可以呈现明显的聚类效果,简单、易于实现,且收敛速度快.     

复杂网络的局部社团结构挖掘算法

挖掘复杂网络的社团结构对研究复杂系统具有重要的理论和实践意义.其中,相较于全局社团,局部社团的挖掘难度更大,相关文献更少.现有的局部社团挖掘算法大都精度较低、稳定性较差.本文提出了一个有效的局部社团挖掘算法,称为内外夹推法（Shell interception and core expansion,SICE）.算法有两个创新之处:1）将节点相似度模型引入到局部社团挖掘算法中（节点相似度模型在局部社团挖掘中较难应用）,并提出了“一次一个子图”的社团扩展模式;2）提出了一种“内外夹推”的思想.这两个创新使SICE算法摆脱了缺乏网络全局信息的困扰,并解决了以往算法的一个致命缺陷,从而使算法具有很高的精度和稳定性.通过理论分析和实验比较,证明SICE算法要远好于当前的同类算法,甚至不逊色于性能较好的全局社团挖掘算法.     

基于群体智能的自组织重叠社团结构分析算法

社团结构分析是复杂网络研究的一项重要内容。基于群体智能思想提出了一种自组织的重叠社团结构分析算法SO^2CSA^2。基本思想是：把网络视为一个群体,网络节点是其中的一个个具有简单智能的个体,每个个体依据定义的社团连接分数自主决定要加入的社团（可同时加入多个社团）。首先在网络中寻找一组K-派系作为初始社团结构;在此基础上,所有个体迭代地选择其社团归属,最终整个网络的社团结构将逐渐生长出来;最后对获得的社团结构进行后处理,即调整少量节点的社团归属,以提高其质量。在一组合成网络和现实世界网络上的实验表明,SO^2CSA^2发现的社团结构的质量比两种对比算法（SLPA和OSLOM）更好,尤其是在网络中重叠节点较多或节点重叠度较大的情况下,社团结构质量的提升更为明显。     

基于LeaderRank和节点相似性的多标签传播重叠社团挖掘算法

针对基于多标签传播重叠社团挖掘算法COPRA因随机更新策略带来的不稳定性以及需要预先输入参数的局限性等问题,提出一种基于LeaderRank和节点相似性的多标签传播重叠社团挖掘算法.该算法首先利用LeaderRank算法对网络中的节点进行重要性排序从而确定节点的更新顺序,减少标签不必要的更新.在标签传播过程中,根据节点相似性重新设计标签的更新策略,提高算法的稳定性.将算法应用于人工网络和真实网络中进行实验,实验结果表明该算法在挖掘重叠社团上具有较高的准确性和稳定性.     

基于局部信息的复杂网络社团结构发现算法

发现网络中的社团结构有助于更好地理解网络结构和分析网络属性。通过定义边的聚类系数和基于局部信息的方法,提出了一种寻找复杂网络中社团结构的算法。该算法首先在网络的剩余节点中寻找度最大的节点,然后利用该节点的局部信息、边的聚类系数和凝聚的思想,得到复杂网络的社团结构。在两个典型网络上的测试结果表明了该方法的可行性。     

基于优化理论的社区无标度网络模型

当前建模社区无标度网络的研究多基于组合法,即先构造无标度特征再构造社区特征,或者先构造社区特征再构造无标度特征.基于组合法的模型能生成令人满意的社区无标度网络,但是该方法需要满足社区大小相等、社区特征和无标度特征间的顺序依赖等特定条件,而这些特定条件在真实网络的演化中往往并不存在.值得注意的是,多数学者同意社区网络起源于网络节点之间的类别距离,如地理距离、兴趣距离、偏好距离等,但现有研究尚未确证社区结构与类别距离之间的因果关系.针对组合法的缺点和社区特征起源的问题,该文建立了一个优化模型,该模型以无标度属性为优化目标,以类别距离为约束条件.仿真结果表明该模型揭示了类别距离与社区特征间的因果关系,能生成多种参数下的社区无标度网络,更好地拟合了现实世界中的社区无标度网络.     

Behavior‐Based Propagation of Trust in Social Networks with Restricted and Anonymous Participation

Increasing interactions and engagements in social networks through monetary and material incentives is not always feasible. Some social networks, specifically those that are built on the basis of fairness, cannot incentivize members using tangible things and thus require an intangible way to do so. In such networks, a personalized recommender could provide an incentive for members to interact with other members in the community. Behavior‐based trust models that generally compute social trust values using the interactions of a member with other members in the community have proven to be good for this. These models, however, largely ignore the interactions of those members with whom a member has interacted, referred to as “friendship effects.” Results from social studies and behavioral science show that friends have a significant influence on the behavior of the members in the community. Following the famous Spanish proverb on friendship “Tell Me Your Friends and I Will Tell You Who You Are,” we extend our behavior‐based trust model by incorporating the “friendship effect” with the aim of improving the accuracy of the recommender system. In this article, we describe a trust propagation model based on associations that combines the behavior of both individual members and their friends. The propagation of trust in our model depends on three key factors: the density of interactions, the degree of separation, and the decay of friendship effect. We evaluate our model using a real data set and make observations on what happens in a social network with and without trust propagation to understand the expected impact of trust propagation on the ranking of the members in the recommended list. We present the model and the results of its evaluation. This work is in the context of moderated networks for which participation is by invitation only and in which members are anonymous and do not know each other outside the community. Copyright © 2014 John Wiley & Sons, Ltd.     

Discovering social structures of local influence by using tweetStimuli

Information diffusion in large-scale networks has been studied to identify the users influence. The influence has been targeted as a key feature either to reach large populations or influencing public opinion. Through the use of micro-blogs, such as Twitter, global influencers have been identified and ranked based on message propagation (retweets). In this paper, a new application is presented, which allows to find first and classify then the local influence on Twitter: who have influenced you and who have been influenced by you. Until now, social structures of tweets’ original authors that have been either retweeted or marked as favourites are unobservable. Throughout this application, these structures can be discovered and they reveal the existence of communities formed by users of similar profile (that are connected among them) interrelated with other similar profile users’ communities.     

社交网络取证初探

社交网络是人类借用计算技术和信息技术进行信息交流、建立人际交互关系等社会活动的一种新型工具,已成为社会计算中研究社会软件的核心课题之一。社交网页取证旨在对用户信息进行证据获取、固定、分析和展示,提供直接、有效、客观、公正的第三方依据。在互联网飞速发展的背景下,社交网页取证面临着用户信息多样、内容动态(实时)变化、海量、交互和图片内容是否可信的挑战,已成为社交网络和社会计算中舆情分析、情感计算、社交网络关系的内容分析以及个人、群体和社会性行为分析的一个重要难题。针对社交网页取证问题,以新浪微博为例,设计了一套取证解决方案,对用户发表的信息、人脸图片、位置信息进行固定,依靠网页取证方法来认证信息的可信性。同时,利用信息可视化展示手段和辅助分析来应对在海量社交网页数据背景下的计算机取证工作。     

Experiments of Trust Prediction in Social Networks by Artificial Neural Networks

Social network online services are growing at an exponential pace, both in quantity of users and diversity of services; thus, the evaluation of trust in the interaction among users and toward the system is a central issue from the user point of view. Trust can be grounded in past direct experience or in the indirect information provided by trusted third-party users shaping the trustee reputation. When there is no previous history of interactions, the truster must resort to some form of prediction in order to establish Trust or Distrust on a potential trustee. In this study, we deal with the prediction of trust relationships on the basis of reputation information. Trust can be positive or negative (Distrust), hence, we have a two-class problem. Feature vectors for the classification have binary-valued components. Artificial neural network and statistical classifiers provide state-of-the-art results with these features on a benchmarking trust database. In this article, we propose the application of a sample generation method for the minority class in order to reduce some of the effect of class imbalance among Trust and Distrust classes. Specifically, the approach shows high resiliency to system growth.     

移动社交网中基于兴趣社区的消息传输方案

节点对路由消息的存储-携带-转发是移动社交网中的一种短距离通讯方式,传输性能是影响用户交互体验的关键因素,如果用户能够根据彼此间的兴趣或社区来进行消息传输,则可提高传输性能。目前,针对移动社交网中的短距离通讯,已有的研究主要是基于兴趣或者基于社区的传输方式。为了使用户得到更好的交互体验,将用户兴趣与社区相结合,提出基于兴趣社区的消息传输方案InComT(Interest Community based Transmission)。对移动社交网中单个节点的兴趣进行度量,根据得出的节点兴趣值进行社区划分,从而确定社区整体的兴趣值,并根据兴趣值来选择中继社区和中继节点,实现消息的传输。仿真结果表明,该策略在传输负载率和平均延时较低的情况下能够拥有较高的传输成功率。     

Social Learning in Networks with Time‐Varying Topologies

Recently, Jadbabaie et al. presented a social learning model, where agents update beliefs by combining Bayesian posterior beliefs based on personal observations and weighted averages of the beliefs of neighbors. For a network with a fixed topology, they provided sufficient conditions for all of the agents in the network to learn the true state almost surely. In this paper, we extend the model to networks with time‐varying topologies. Under certain assumptions on weights and connectivity, we prove that agents eventually have correct forecasts for upcoming signals and all the beliefs of agents reach a consensus. In addition, if there is no state that is observationally equivalent to the true state from the point of view of all agents, we show that the consensus belief of agents eventually reflects the true state.     

基于LDA模型的社交网络主题社区挖掘

以微博为代表的社交网络已成为社会舆情的战略要地。对于社交网络中隐含主题社区的发掘,具有较高的商业推广和舆情监控价值。近年来,概率生成主题模型LDA(Latent Dirichlet Allocation)在数据挖掘领域得到了广泛应用。但是,一般而言,LDA适用于处理文本、数字信号数据,并不能合理地用来处理社交网络用户的关系数据。对LDA进行修改,提出适用于处理用户关系数据的Tri-LDA模型,挖掘社交网络中的主题社区。实验结果表明,基于Tri-LDA模型,进行机器学习所得到的结果基本能够反映社交网络上真实的主题社区分布情况。