基于统计推理的社区发现模型综述

社区有助于揭示复杂网络结构和个体间的关系.研究人员从不同视角提出很多社区发现方法,用来识别团内紧密、团间稀疏的网络结构.自2006年以来,提出了一些基于统计推理的社区发现方法,它们可识别实际网络中更多的潜在结构,并以其可靠的理论基础和优越的结构识别能力成为当前的主流.该类方法的主要目标是建立符合实际网络的生成模型以拟合观测网络,将社区发现问题转化为贝叶斯推理问题.首先给出社区发现中生成模型的相关定义;其次按照模型中社区组成元素将已有统计推理模型分为节点社区推理模型和链接社区推理模型,并深入探讨各种模型的设计思想及实现算法;再次,总结各模型适用的网络类型及规模、发现的社区结构、算法复杂度等,给出一种选择已有基于统计推理的社区发现模型的方法,并利用基准数据集对已有典型统计推理模型进行验证及分析;最后探讨了基于统计推理模型的社区发现存在的主要问题和未来发展的方向.     

基于构件的RUP研究

在软件过程领域,Rational公司的RUP(Rational Unified Process)占据主流,但它不是针对基于构件的开发(Component-Based Development,CBD)提出,没有体现CBD的本质.CBD也需要软件过程的指导.文中将构件技术应用到RUP中,提出基于RUP的CUP(Component Unified Process),对RUP进行改进,在软件开发过程中将项目管理、业务建模、构件技术、软件质量等统一起来.同时CUP与统一建模语言(UML)集成,有多种CASE工具支持,缩短了需求到实现的距离.并以医院管理系统为例,对CUP进行研究.     

基于链接模型的主动半监督社区发现方法

链接模型可对网络的社区发现问题建模,相比具有相同目标的对称模型和条件模型,PPL模型处理网络类型更多、社区发现准确率更高。但PPL模型是一个无监督模型,在网络社区结构不清晰时效果不佳,且不能利用易获取的先验信息。为使用尽可能少的先验,获得社区发现链接模型性能较大的提升,提出了一个主动节点先验学习（ANPL）算法,该算法主动选择效用高、易标记的成对约束进行标记,基于标记的约束对自动生成信息量更大的标记节点集合。基于PPL模型设计了一个融合网络拓扑结构和标记节点先验的半监督社区发现（SPPL）模型,并给出模型用于半监督社区发现的参数估计算法。人工网络和实际网络上的实验结果表明,利用ANPL获得的标记节点先验和网络拓扑结构,SPPL模型的社区发现准确率高于无监督PPL模型及当前流行的基于非负矩阵分解（NMF）的半监督社区发现模型。     

基于模糊积分的多神经网络融合模型的研究

为了进一步提高网络入侵检测系统的检测性能,将模糊积分理论和神经网络技术应用到网络入侵检测中,提出了基于模糊积分的多神经网络融合模型MNNF。它的基本思想是按照TCP/IP属性集的类别不同将TCP/IP数据集分成三个不同属性集的子数据集,在不同属性集上训练形成不同的子神经网络,然后用模糊积分将多个子神经网络对TCP/IP数据的检测结果进行非线性融合形成最优判断。实验结果表明,MNNF模型应用在网络入侵检测中可以得到比单个神经网络更好的入侵检测性能。     

通用业务报表数据管理

为解决对具体报表进行“硬编码”带来的问题,设计一个通用业务报表数据管理解决方案。将业务报表分为报表信息定义层、报表业务处理层、功能接口层,并详细论述各层的实现方式。该解决方案已应用到预算编审系统,大大降低了业务变化导致的报表改动对整个软件的影响。     

一种基于随机块模型的快速广义社区发现算法

随机块模型可以生成各种不同结构(称作广义社区,包括传统社区、二分结构、层次结构等)的网络,也可以根据概率对等原则发现网络中的广义社区.但简单的随机块模型在网络生成过程建模和模型学习方面存在许多问题,导致不能很好地发现实际网络的结构,其扩展模型GSB(general stochastic block)基于链接社区思想发现广义社区,但时间复杂度限制其在中大型规模网络中的应用.为了在无任何先验的情形下探索不同规模网络的潜在结构,基于GSB 模型设计一种快速算法FGSB,更快地发现网络的广义社区.FGSB 在迭代过程中动态学习网络结构参数,将GSB 模型的参数重新组织,减少不必要的参数,降低算法的存储空间;对收敛节点和边的参数进行裁剪,减少每次迭代的相关计算,节省算法的运行时间.FGSB 与GSB 模型求解算法有相同的结构发现能力,但FGSB 耗费的存储空间和运行时间比GSB 模型求解算法要低.在不同规模的人工网络和实际网络上验证得出:在近似相同的准确率下,FGSB 比GSB 模型求解算法快,且可发现大型网络的广义社区.     

基于深度自编码的局部增强属性网络表示学习

基于深度自编码器的网络表示,可以捕获高度非线性的网络结构,但当链接稀疏时学到的表示不够准确。针对这一问题,提出一种基于深度自编码的局部增强属性网络表示学习模型,以提高表示学习的准确度。该模型首先利用链接与属性特征,采用多个深度自编码器,学习保持网络拓扑结构及属性特征的低维网络表示。之后,基于节点间近邻结构及属性相似性,对学出的低维网络表示进行节点约束,实现网络局部结构增强,达到最大程度保持原始结构信息及属性特征的目的。在五个真实属性网络上的实验结果表明,提出的模型在聚类与分类任务中,效果均优于目前流行的表示学习方法。     

基于构件的RUP研究

在软件过程领域,Rational公司的RUP(RationalUnifiedProcess)占据主流,但它不是针对基于构件的开发(Compo nent-BasedDevelopment,CBD)提出,没有体现CBD的本质。CBD也需要软件过程的指导。文中将构件技术应用到RUP中,提出基于RUP的CUP(ComponentUnifiedProcess),对RUP进行改进,在软件开发过程中将项目管理、业务建模、构件技术、软件质量等统一起来。同时CUP与统一建模语言(UML)集成,有多种CASE工具支持,缩短了需求到实现的距离。并以医院管理系统为例,对CUP进行研究。     

一种主动半监督K-means聚类算法的改进策略

经典的APCKmeans(active pairwise constrained K-means)算法通过主动学习的方式构造must-link约束集和cannot-link约束集作为监督信息进行半监督聚类,提高了结果的准确性.但该算法在样本指派的过程中可能出现指派不是当前最优的问题.提出一种优先指派标签样本的方法,应用于APCKmeans算法,使用改进后的APCKmeans_I算法实现了使用较少的监督信息取得更好的聚类结果.将改进策略应用于PCKmeans(pairwise constrained K-means)算法,提出改进后的PCKmeans_I算法.通过在UCI基准数据集的实验表明,改进后算法的性能得到明显提升.     

基于贝叶斯网络的XML文档查询模型

目前XML查询语言及查询界面对Web用户过于复杂，该文描述了一种XML文档索引机制，在此基础上建立了一个通用的贝叶斯网络查询模型。用户只需在交互界面输入自然语言描述的查询，系统就能对其实现基于语义的构造，由它生成多个结构化查询；对这些查询建立贝叶斯网络，计算查询在给定文档下的概率，选择概率最大的前3个查询提交给系统执行。