符号社会网络中正负关系预测算法研究综述

一些网络中的边根据其潜在涵义可分为正关系和负关系,若用正号和负号来标记网络中的边,则形成一个符号网络.符号网络的应用场景非常丰富,在社会学、信息学、生物学等多个领域广泛存在,逐渐成为当前研究的热点之一.对符号社会网络中链接的正负预测问题进行研究,其成果对社会网络的个性化推荐、网络中异常节点的识别、用户聚类等都具有非常重要的应用价值.主要介绍符号社会网络中正负关系预测问题在国内外的研究现状和最新进展.首先介绍了社会结构平衡理论和地位理论,并将目前主要的预测算法按照设计思路分成两类:基于矩阵的符号预测算法和基于分类的符号预测算法,详细介绍各类算法的基本思路,并从算法效率、准确性和可伸缩性等角度进行详细的对比和分析,总结了符号社会网络预测问题具有的一些特点以及所面临的挑战,同时指出未来可能的发展方向,为相关研究人员提供有价值的参考.     

符号网络的局部标注特征与预测方法

当复杂网络的边具有正、负属性时称为符号网络。符号为正表示两用户间具有相互信任（朋友）关系,相反,符号为负表示不信任（敌对）关系。符号网络中的一个重要研究任务是给定部分观测的符号网络,预测未知符号。分析发现,具有弱结构平衡特征的符号网络,其邻接矩阵呈现全局低秩性,在该特征下链路符号预测问题可以近似表达为低秩矩阵分解问题。但基本低秩模型中,相邻节点间符号标注的局部行为特征未得到充分利用,论文提出了一种带偏置的低秩矩阵分解模型,将邻居节点的出边和入边符号特征作为偏置信息引入模型,以提高符号预测的精度。利用真实符号网络数据进行的实验证明,所提模型能够获得较其他基准算法好的预测效果且算法效率高。     

基于异构特征的符号社交网络关系分类

符号社交网络关系分类是研究社交关系挖掘领域中一个崭新的研究方向。传统基于同构社交网络的关系分类模型在进行特征提取时,并未考虑符号社交网络中存在异构边(正、负边),提取特征需要代表网络的异构属性这一问题,同时也忽略了异构特征中所蕴含的社交平衡理论。针对以上不足,提出一种新颖的基于异构网络特征的关系分类模型,在特征提取方面主要通过引入朴素贝叶斯模型度量相邻异构关系的影响和结合社会化平衡理论形成的三角关系构建获得,并采用SVM等三类经典的有监督模型进行分类,验证特征的有效性。实验结果表明,改进后异构特征选择算法优化了特征的提取,显著提高了分类效果,从而证明了异构特征提取算法的有效性,为符号社会网络关系特征提取及关系分类提供一种新的思路。     

基于端到端分布式框架的符号网络预测方法

社交网络中的链接关系根据其潜在含义可分为正关系和负关系。若对网络中的链接关系进行正负标注,则可形成一个符号网络。符号网络在社会学、信息学、生物学等多个领域存在广泛应用。针对符号网络中链接关系的正负预测已经成为当前研究的热点之一。在大数据背景下,随着符号网络规模的日益增大,符号预测算法的可伸缩性问题日益突出。一些研究者提出了分布式环境下的符号预测方法,使得算法的可伸缩性问题部分得到缓解。但由于大多数算法采用了服务器-客户端方式的分布式框架,导致问题并没有得到根本上的解决。本文提出了一种新的端到端分布式框架（Client to Client Distributed FrameWork,简称C2CDF）,相比传统服务器-客户端架构的集中通信模式,C2CDF各个节点间地位平等,不存在集中通信,集群的带宽瓶颈和压力大大减轻。通过在社交网络正负符号预测、广告点击率预测及森林类型预测等三个不同真实数据集上的实验证明,C2CDF能够在拥有更高准确性的同时,获得2.3-3.3倍的加速比,而且拥有良好的泛化性,不仅能应用在社交网络正负符号预测方面,也能作用于广告点击预测等其他领域。     

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.     

符号网络链接预测算法研究综述

符号网络链接预测包括网络结构上两个节点间未知链接的可能性预测与符号预测两方面,其相关研究对于分析和理解符号网络的拓扑结构、功能及演化行为具有十分重要的意义,在个性化推荐、态度预测、蛋白质交互作用研究等领域有着重大的应用价值。文中综述了符号网络链接预测问题的研究成果,介绍了相关概念、符号网络的理论基础、常用符号网络数据集以及预测精度评价标准;将目前主要的符号网络链接预测算法按照设计思路分为有监督学习与无监督学习两大类,详细阐述了每种算法的主要思想;归纳总结了符号网络链接预测问题的特点和规律,讨论了目前存在的问题并指出了面临的挑战和未来可能的发展方向。这能为信息学、生物学、社会学等领域的相关研究人员提供有益参考。     

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.     

基于随机游走的带有属性网络的链接预测

链接预测的问题是复杂网络分析中的一个重要研究领域,已经在社会学、生物信息学、信息科学以及计算机科学等领域得到了广泛的应用。提出了一个顶点具有属性的网络链接预测的随机游走算法。在此算法中,根据顶点和属性的链接相似度定义了每一条边上的传播概率。并将顶点的属性相似度作为顶点间的相似度的初值,然后根据传输概率在网络中以随机游走的方式进行传播和更新,最终得到顶点间的相似度作为链接预测的结果得分。实验结果显示,提出的算法在顶点带属性的网络中取得了比其他算法更精确的预测结果。     

带权超网络的度量方法及其性质

超网络是较通常意义上的复杂网络更为复杂的网络,该网络的每一条超边能连接任意多个节点的特性使其比复杂网络能更好地描述真实世界中的复杂系统。针对现有超网络研究中对超网络度量方法的缺陷与不足,提出了一种超网络度量方法——超网络维数（HD）,即为所有超边包含的节点权重之和与对应超边权重乘积和的对数值和节点权重之和与超边权重之和乘积对数值的比值的两倍。超网络维数可以应用于节点权重与超边权重为正实数、负实数、纯虚数,乃至复数等多种不同数值类型的带权超网络中。最后给出了超网络维数的若干性质。     

一种新的复杂网络演化机制研究

现实世界中,包括互联网在内的大多数复杂网络都具有"小世界"或"无尺度" 等特性,这一重大科学发现从根本上改变了人们对复杂网络的认识.但是,对现实世界中复杂网络的研究,仅仅依靠节点和边形成的拓扑特性远远不够,网络中节点的质量、节点之间位置的相互影响、节点的生长和消亡,这些扩展因素对网络的自组织过程也是非常重要的.在研究WS小世界模型及BA无尺度网络模型的基础上,提出了一种基于典型网络模式的分阶段演化而生成无尺度复杂网络的新机制,这种演化机制反映了现实世界中复杂网络的性质存在整体跃迁特征,它对于复杂网络的分解、约简及可控性研究具有指导意义.     

A Heuristic Clustering Algorithm for Mining Communities in Signed Networks

Signed network is an important kind of complex network, which includes both positive relations and negative relations. Communities of a signed network are defined as the groups of vertices, within which positive relations are dense and between which negative relations are also dense. Being able to identify communities of signed networks is helpful for analysis of such networks. Hitherto many algorithms for detecting network communities have been developed. However, most of them are designed exclusively for the networks including only positive relations and are not suitable for signed networks. So the problem of mining communities of signed networks quickly and correctly has not been solved satisfactorily. In this paper, we propose a heuristic algorithm to address this issue. Compared with major existing methods, our approach has three distinct features. First, it is very fast with a roughly linear time with respect to network size. Second, it exhibits a good clustering capability and especially can work well with complex networks without well-defined community structures. Finally, it is insensitive to its built-in parameters and requires no prior knowledge.     

基于隐空间映射的带符号网络上的顶点分类

社会网络顶点分类在解决实际问题中有广泛的应用,但绝大多数现有的网络顶点分类算法都集中在无符号的网络,而在边上具有符号的社交网络上的顶点分类算法却很少,且负链接对于符号网络分析的作用大于正链接。研究了符号网络中顶点的分类问题。首先将正、负网络映射到相对应的隐空间,提出基于隐空间的正负链接的数学模型;然后提出优化该模型的迭代算法,通过对隐空间矩阵和映射矩阵的迭代优化,来对网络中的顶点进行分类。由带符号的社会网络数据集的实验结果证明,该算法在数据集Epinions上得到结果的F1值在11以上,在数据集Slashdo上得到结果的F1值在23.8以上,与随机算法相比具有较高的精确度。     

动态网络模式挖掘方法及其应用

静态复杂网络研究在揭示社会网络、信息网络和生物网络的形成和演化机制方面取得了重要成果,其方法和结果对系统生物学产生了重要影响.但现实世界中,很多网络是随时间发生变化的,即动态网络.以动态网络为对象,对动态网络的拓扑特性分析、动态网络相关的各种模式挖掘模型和方法进行了综述、比较和分析.特别地,将动态网络模式分析方法应用于生物网络和社会网络,分析了生物网络相关的动态功能模块和模式演化问题、科学家合作网络和社交网络的动态模式.最后指出了动态网络的模式挖掘方法及其在动态生物网络和社会网络研究中存在的问题和挑战,并对未来的研究方向进行了分析.     

Sign prediction in sparse social networks using clustering and collaborative filtering

Today, social networks have created a wide variety of relationships between users. Friendships on Facebook and trust in the Epinions network are examples of these relationships. Most social media research has often focused on positive interpersonal relationships, such as friendships. However, in many real-world applications, there are also networks of negative relationships whose communication between users is either distrustful or hostile in nature. Such networks are called signed networks. In this work, sign prediction is made based on existing links between nodes. However, in real signed networks, links between nodes are usually sparse and sometimes absent. Therefore, existing methods are not appropriate to address the challenges of accurate sign prediction. To address the sparsity problem, this work aims to propose a method to predict the sign of positive and negative links based on clustering and collaborative filtering methods. Network clustering is done in such a way that the number of negative links between the clusters and the number of positive links within the clusters are as large as possible. As a result, the clusters are as close as possible to social balance. The main contribution of this work is using clustering and collaborative filtering methods, as well as proposing a new similarity criterion, to overcome the data sparseness problem and predict the unknown sign of links. Evaluations on the Epinions network have shown that the prediction accuracy of the proposed method has improved by 8% compared to previous studies.

     

Community Mining from Signed Social Networks

Many complex systems in the real world can be modeled as signed social networks that contain both positive and negative relations. Algorithms for mining social networks have been developed in the past; however, most of them were designed primarily for networks containing only positive relations and, thus, are not suitable for signed networks. In this work, we propose a new algorithm, called FEC, to mine signed social networks where both positive within-group relations and negative between-group relations are dense. FEC considers both the sign and the density of relations as the clustering attributes, making it effective for not only signed networks but also conventional social networks including only positive relations. Also, FEC adopts an agent-based heuristic that makes the algorithm efficient (in linear time with respect to the size of a network) and capable of giving nearly optimal solutions. FEC depends on only one parameter whose value can easily be set and requires no prior knowledge on hidden community structures. The effectiveness and efficacy of FEC have been demonstrated through a set of rigorous experiments involving both benchmark and randomly generated signed networks.     

基于多头注意力机制的社交网络符号预测

传统符号预测方法缺少处理二阶邻居信息的能力,难以有效提取社交网络用户的低维特征。为了有效融合节点用户邻居信息,提出了一种利用多头注意力机制学习一阶、二阶邻居信息的网络表示学习方法(signed multi-head graph attention network,SMGAT),从而改善社交网络符号预测的效果。首先融合平衡理论和状态理论采样一阶邻居、二阶邻居;然后利用多头注意力机制融合邻居的符号和结构信息,学习节点的低维特征;最后通过逻辑回归分类器实现符号预测。通过在四个真实的符号网络数据集上进行实验,结果证明SMGAT方法能够有效挖掘邻居节点的符号和结构信息,提高社交网络符号预测效果。