基于加权PageRank的异质网络影响力最大化

影响力最大化问题是信息网络挖掘中的热门研究问题之一,大多数信息网络包含了多种不同类型的节点和连接边,其本质属于异质信息网络,然而以前关于影响力最大化问题的研究大多停留在同质信息网络,它们考虑的节点和连接边类型单一,这与现实的信息网络有所差别.异质信息网络的影响力最大化问题其关键在于如何识别异质信息网络中最有影响力的节点...     

RFID系统安全性问题研究

无线射频识别(RFID)技术被广泛应用,但随着RFID的快速发展,暴露出了其自身存在的各种不足和缺陷.讨论了RFID系统的通信模型和通信中的安全问题,分析了低成本RFID系统的安全隐患及基本的解决方案,提出了改进的方向.     

一种用于解决移动Agent迁移问题的旅行图分支算法

回顾并总结移动Agent迁移策略方面的研究成果,在重新定义旅行图结构的基础上,提出一种求解从根出发的旅行图解图集合的分支算法,同时对包含并行任务的解图设计一种生成并行任务分支的算法.通过以上算法得到的解图集合与并行任务分支将极大地简化移动Agent对并行任务和选择任务的处理过程,为最终求解移动Agent迁移路径提供明确的依据.     

异质信息网络中基于有向无环图的影响力最大化算法

针对异质信息网络中的影响力最大化（IM）问题，提出了一种基于有向无环图（DAG）的影响力最大化算法（DAGIM）。首先基于DAG结构度量节点的影响力，然后采用边际增益策略选择影响力最大的节点。DAG结构表达力强，不仅描述了不同类型节点之间的显性关系，也刻画了节点之间的隐性关系，较完整地保留了网络的异质信息。在三个真实数据集上的实验结果验证所提DAGIM的性能优于Degree、PageRank、局部有向无环图（LDAG）以及基于元路径的信息熵（MPIE）算法。     

基于混合深度模型的虚假信息早期检测

针对一种信息特征进行检测方法在信息传播早期阶段提取的特征信息往往不充分,导致传播早期阶段检测准确率较低的问题,提出一个新颖的混合深度模型EGSI,模型由EXTRACT、GRU、SCORE和INTERATE 4个模块组成。EXTRACT通过卷积神经网络提取信息的传播路径特征,GRU通过门控循环单元捕获信息的文本特征和反馈特征,SCORE基于用户行为挖掘用户特征,INRERATE整合以上特征并预测出信息事件类标。EGSI通过整合信息最基本的4种特征(文本、用户、反馈、传播路径),从而可以在信息传播的早期阶段充分提取可用特征信息,进而较准确地检测出虚假信息。真实数据集的试验结果表明,模型在信息传播60 min内的准确率达到95.9%。相比基准方法,EGSI模型在检测虚假信息的准确率和时效性之间取得了较好的平衡。