基于传播影响力的重叠社区划分算法

在研究经典标签传播算法的基础上,提出了一种基于传播影响力的重叠社区划分算法COPRA-PI,可用于挖掘加权网络中的社区结构。该算法在COPRA算法的基础上从节点影响力、边影响力、历史标签影响力3个方面综合考虑传播影响力;同时针对COPRA算法中每个节点在每次迭代过程中均具有相同的最大标签数,且该最大标签数目需手动设置等不足,该算法中设计了一个自适应的最大标签数。实验结果表明,COPRA-PI算法在经典的数据集上对比现有经典算法更能挖掘出高质量的社区结构且收敛速度较快。     

稳定标签传播的社区发现方法

为提高标签传播算法的稳定性,解决标签传播算法随机性导致社区发现结果相差较大的问题,对标签初始化、随机队列设置和标签传播中随机选择过程进行了改进,提出一种稳定的标签传播社区发现方法.该方法首先通过寻找不重叠三角形进行标签初始化,然后以节点标签的熵确定节点队列并分段随机排序,最后考虑邻接点的邻接点标签分布情况进行标签选择.实验结果表明,在Zachary’s Karate Club、Dolphin Social Network和American College Football 3个社会网络上,本文方法的稳定指标和质量指标结果均高于其他方法.稳定标签传播的社区发现方法保持了标签传播算法优点的同时,提高了社区发现结果的质量和稳定性.     

基于烟花算法的蛋白质相互作用网络功能模块检测方法

针对群智能聚类方法在蛋白质相互作用网络功能模块检测问题上运行时间长的不足,本文提出了一种基于烟花算法的蛋白质相互作用网络功能模块检测方法(Fireworks Algorithm for Functional Module Detection in Protein-protein Interaction Networks,简称FWA-FMD).首先结合蛋白质相互作用网络的拓扑结构信息和基因本体的功能注释信息,基于标签传播思想将每个烟花个体初始化为一种候选的功能模块划分.其次在每一代进化过程中,利用具有局部搜索和全局搜索自调整能力的爆炸操作对每个烟花个体进行优化,并同时采用精英保留和轮盘赌策略选择下一代烟花个体.最后通过将最优烟花个体中标签相同的节点划分到同一功能模块,以得到最终的功能模块检测结果.在酵母菌和人类两个物种的4个公共蛋白质相互作用网络数据集上的功能模块检测结果,分别用两种标准功能模块数据集作为基准来评价的实验表明:FWA-FMD算法不但求解时间少于遗传算法、蚁群算法和细菌觅食算法,而且在多项评价指标上与一些代表性算法相比都具有明显的优势,能够更好地识别功能模块.     

基于节点聚类系数的网络社区结构发现

研究了节点聚类系数与网络社区结构之间的关系.直接使用节点聚类系数不易刻画社区子图的高聚集特性,定义了一些基于节点聚类系数的社区度量,据此识别网络中的社区.首先,给出了基于聚类系数增大的社区间边判定规则,简称CCE规则;然后,利用CCE规则引出相似度矩阵,即网络密度矩阵;最后,通过网络密度矩阵来构造Laplacian矩阵,并进一步推导出通过计算Laplacian矩阵的特征值以及特征向量来实现社区结构划分的算法.三个真实网络数据的实验结果表明,算法不仅获得了令人满意的划分结果,而且还提高了算法的时间效率.     

密度峰值聚类的自适应社区发现算法

为减少社区发现算法中参数的选择对社区划分的影响,同时使算法能够自适应地进行社区划分,本文提出一种基于核密度估计的密度峰值聚类的社区发现算法KDED.首先,定义一种基于信任度的距离度量,将社交网络中的用户关系量化为距离矩阵,使用矩阵元素的大小度量用户关系的紧密程度;然后对距离矩阵进行核密度估计,统计各个节点在网络中的影响大小,结合热扩散模型改进计算流程,使其自适应不同规模的数据集以提高计算精度;结合密度峰值聚类原理和社区属性确定社区中心节点后,可根据节点间的距离得到社区内部层次结构和社区外部的自然结构;最后将剩余节点按距离分配到相应的社区当中以完成社区划分.仿真结果表明:通过可视化软件可观察到,通过KDED算法得到的社区划分结果具有清晰的自然结构和内部层次结构;随着社区规模的提升以及划分难度增加,KDED算法具有出色的稳定性;在真实数据集以及LFR基准网络上均得到较为接近真实划分结果的社区划分,自适应性良好,验证算法的可行性与有效性.     

基于节点尺度特征的重叠社区检测算法

针对社会网络中重叠社区检测问题,在节点尺度特征下量化社区结构,用这些特性更易界定社区划分。利用合理假设来量化节点尺度的期望值,基于节点描述符集和谱算法建立算法模型,从而提出一种重叠社区检测算法。该方法允许节点同时属于多个社区,在社区重叠时同样可行。通过计算验证,算法对于整体边缘密度都有效。在2类网络中实验的结果表明,该算法在重叠社区检测中性能稳定、准确性高,能适用于目标特定的社区概念。     

基于改进的标签传播算法的网络聚类方法

采用传统标签传播算法实现网络聚类时,由于标签初始分配过程随机、节点选择过程随机、且标签更新顺序随机的原因,影响聚类结果。为此,提出一种新的基于改进标签传播算法的网络聚类方法,即用图对网络进行描述,并为网络聚类提供基础。改进标签传播算法过程如下:求出网络中任意两节点拥有最大公共邻居的平均阶数,把相似性最高的节点和邻居节点看作初始核心社团,为其分配初始标签;引入基于随机游走的相似度矩阵,令节点选择和自身相似度最高的节点拥有的标签;通过H指数对标签算法更新顺序进行改进;依据改进后结果,按照标签传播算法网络聚类过程实现聚类。实验结果表明,本文所提的网络聚类方法具有更高的准确性和稳定性。     

新息图状态估计分块算法

针对大型电网分区管理需要,提出了新息图状态估计分块算法.该方法采用两级调度协调配合方式,在上一级调度构建原整体网络的简化网络,计算子区域边界支路条件,并下发给每个子区域;子区域根据上一级调度下发的边界支路条件实现新息图状态估计.该方法具有子区域间不需要数据交互、两级调度之间交换数据量小、计算时间短、能够实时在线运行的优点,采用国内某省360节点,550条支路的实际网络验证了算法的有效性.     

着色问题在测试用例集约简中的研究

基于I/O关系的黑盒测试用例集约简技术能够保证约简后的测试集Tred具有和原完全组合测试集相同的检错能力.该文提出了Red(I)和Red(O)两个对问题空间(I,O)约简的算法;构建了I/O关系图,将问题空间(I,O)划分为若干子问题(I',O');并引入着色问题得到每个子图的同色等价类,进一步得到其基类Ii1,然后实施等价类替换和运用算法Red(O);进而运用贪心算法求解覆盖每个子问题空间的测试用例集Tired;最后水平拼接各T'red构成问题空间(I,O)的约简测试用例集Tired.这样得到的测试集不仅保持了检错能力,而且规模较小,同时又降低了贪心算法的时空复杂度.     

基于种子节点集的社区层次结构发现算法

针对多分辨率方法无法直接给定社区层次结构的问题,提出一种基于种子节点集的社区层次结构发现算法。该算法通过选取种子节点,并根据余弦相似度的大小添加其最近邻节点共同构成种子节点集;再由种子节点集出发,基于分辨率公式进行社区层次结构探测,根据节点加入社区的度值比来判断是否到达层次边界;最后在已发现完毕的社区外选取新的种子节点集,并由此出发直到全网络的社区层次结构发现完毕。将该算法分别应用于人工网络和真实社会网络,实验表明,相较于其它算法,该算法能够更好地发现网络中全部的社区层次结构。     

结合概率矩阵的改进谱聚类社区发现算法

针对目前谱聚类算法的相似图包含较多错误社区信息的问题,引入了概率矩阵的概念,提出了一种改进的谱聚类社区发现算法。该算法首先利用马尔可夫过程计算节点间的转移概率,并基于转移概率构建复杂网络的概率矩阵;然后以均值概率矩阵重新构造相似图;最后通过优化归一化切割函数实现社区划分。采用人工网络和现实网络与其他典型算法进行对比实验,实验结果表明,该算法能够更加精准地划分社区,具有更加良好的聚类性能。     

基于DAG图的任务调度算法

描述了一种基于有向非循环图（ＤＡＧ）的任务调度算法,该算法将整个计算任务分解成为一个ＤＡＧ图,根据ＤＡＧ图计算出每个子任务的最早开始时间,然后根据每个子任务的最早开始时间和处理机的数量进行调度。该算法可以实现子任务集在ＤＡＧ图限制下的最优调度。     

基于反向标签传播的移动终端用户群体发现

针对现有方法在移动终端用户群体发现中不能兼顾社会关系和位置属性的问题,提出基于反向标签传播算法的重叠群体发现方法.根据移动终端用户的位置信息推断社会关系拓扑图,提取时空共现区.将时空共现区作为位置属性标签,标注社会关系拓扑图.在标签拓扑图上进行反向标签传播,消除节点伴随标签.经过反复迭代,在标签稳定状态下的每一个节点保留所属群体的主标签.根据用户社会关系和稳定状态下的节点主标签完成群体划分与识别.在4个真实数据集上比较反向标签传播算法与3种同类方法,实验结果表明,反向标签传播算法较好地兼顾了用户社会关系和位置属性,群体发现结果的标准互信息（NMI）与综合评价函数（F）分别比次优者平均高8.97%和3.87%.     

一种基于结构信息的改进CNM算法

CNM(clauset-newman-moore)算法能有效划分网络社区结构,但是对应划分出的社区准确度不高。对此,结合网络结构信息提出了一种改进CNM算法。通过对输入数据进行迭代删边预处理,精简网络结构,将原始网络分为两个子网络,然后将CNM算法应用到子网络,完成社区发现。在五个不同规模数据集上的试验结果表明,改进CNM方法提高了社区发现的质量和精度,社区模块度在小规模的数据集上得到了显著提升。     

一种融合社区结构信息的网络表示学习算法

为研究社区结构对网络表示学习的影响,提出了一种新颖的融合社区结构信息的网络表示学习算法（CINE）。通过借鉴模块度思想,将社区结构吸收到基于矩阵分解的模型中以保留网络内部的社区结构;设计一个整体的目标函数,在捕获社区结构信息的同时也融合了节点间的1阶2阶邻近性信息和节点的属性信息,最终得到包含原始网络中3类信息的节点表示;采用Cora、Citeseer和Wiki等3个公开网络数据集验证CINE在节点分类、链接预测和可视化任务中的表现。结果表明：在3个数据集的分类任务中,CINE的Micro-F1分数分别达到了0.900 2、0.840 2、0.761 9,优于所有对比算法;在Cora数据集的链路预测任务中,CINE的AUROC得分比Node2vec、DeepWalk和TADW等算法分别提高了1.165、1.144和1.059倍。说明CINE在保留网络的结构和属性信息的基础上,捕获了社区结构信息,使得所学节点表示可以更好地执行后续的网络分析任务。     

基于子模式的单样本人脸识别方法

针对在单样本人脸识别中每类个体的鉴别性特征难以提取的问题,提出一种基于子模式的单 样本人脸识别方法．所提方法考虑了人脸的不同部位对人脸识别精度有不同的贡献度,并引入外部 人脸数据集来训练学习得到每类个体的鉴别性特征．在进行人脸识别时,采用人脸校准算法提取人 脸的５个基准点,并以此为中心将人脸划分成５个固定大小的子模式．在每个子模式的特征提取 上,引入外部人脸数据集,并结合ＳＶＭ 算法训练得到属于每个子模式的分类器．最后,对每个子模 式的分类结果做加权融合,得到最佳识别对象．在３个公开的人脸数据集Ｅｘｔｅｎｄ－Ｙａｌｅ－Ｂ,ＯＲＬ,ＡＲ 上与现有方法进行实验比较,结果表明所提方法在识别精度上有较大提升．     

水平划分决策表的属性约简算法

差别矩阵属性约简是粗糙集重要约简方法之一,但在处理不一致大数据集时存在不足。为此,提出了决策差别矩阵的概念,并给出基于决策差别矩阵的属性约简定义,同时研究了由该定义获得的约简与正区域约简之间的等价性。为了提高求解效率,给出水平划分决策表的方法,指出将划分的子决策表分配到不同的网络节点上,基于子决策差别矩阵可并行完成核属性和属性约简;并设计了并行约简算法。实例分析和UCI中数据集的实验比较表明所提出的约简算法是正确的、高效的。     

复杂网络中的抽样链接预测

针对传统相似度算法无法预测给定顶点存在的链接问题,以抽样方法为基础,提出一种对复杂网络进行链接预测的方法,找出用户感兴趣节点的相关链接.根据用户感兴趣的节点,使用随机游走的方法,构造一个子图.设定该子图的大小使相似度估计值的误差小于给定的容错阈值.该方法仅在一个小的包含全局信息的子图上进行相似度计算,可以使计算时间大大减少.实验结果表明,算法的时间复杂度与数据集大小呈线性关系,基于局部指标的常见邻居(CN)算法、Jaccard以及PA指标算法的时间复杂度与数据集大小呈平方关系,以全局拓扑路径为基础的Katz算法的时间复杂度与数据集大小呈立方关系.     

一种基于非对称三角形割的重叠社区发现算法

发现由相似功能的个体所形成的社区结构是复杂网络分析的重要任务之一. 提出一种基于非对称三角形割的重叠社区发现算法,首先根据社区内三角形连接情况对社区质量进行评价,并根据节点与社区的三角形连接定义了节点对社区的归属度和连接强度. 考虑到网络不同部分连接密度的差异,在将节点从社区中移除或加入社区的过程中,为每个节点分别设置了不同的移除阈值和扩展阈值,以提高社区发现质量. 将每个节点与其邻居节点组成初始社区,将归属度低于移除阈值的边缘节点从社区中移除,将连接强度高于扩展阈值的外围节点加入社区,社区节点移除和扩展阶段迭代进行直至社区结构趋于稳定,最后去掉重叠率过高的社区得到最终结果. 在7个带社区标签的网络上将所提算法与其他7个经典重叠社区检测算法进行比较,通过重叠标准互信息和F₁指标进行评价,结果表明所提算法可以较好地发现不同规模网络中的社区结构.     

基于迭代K-shell和改进信息熵的节点重要性排序算法

复杂网络中对节点重要性排序算法的研究具有重要的现实意义。传统的K-shell算法排序结果分辨率不高,根据节点信息熵的排序算法时间复杂度又过高。针对这一问题,提出基于迭代K-shell和改进信息熵的节点重要性排序算法。首先,通过分析K-shell分解过程中的迭代信息得到节点在网络中的全局信息;其次,提出改进的节点信息熵来得到节点的局部信息;最后,综合节点的全局和局部信息对节点重要性进行排序。通过将该算法在4个真实数据集上与其他6个算法进行实验,该算法与现有方法相比排序结果的分辨率更高、节点信息传播能力更强且时间复杂较低,更适用于大规模网络。