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.     

基于容量维数的复杂网络自相似性研究

复杂网络自相似性具有广泛的实际背景。文章阐述了自相似性网络形成的原因与过程,对复杂网络的3个统计属性给出详细的讨论与分析,并提出自相似性网络群的概念。利用不同的最短路径作为尺度覆盖不同的局部网络以揭示复杂网络的自相似性,数值仿真和理论分析模拟并刻画现实中许多复杂网络的演化及其特征。     

边效益因素下复杂供应链网络局域演化机制

针对一般复杂网络演化模型中节点连接测度不能很好地描述复杂供应链网络特性的局限性,将节点企业间的合作所带来的边效益引入复杂供应链网络的演化模型中,采用节点度与边效益作为节点择优连接的综合测度指标,构建了复杂供应链网络的局域演化模型与算法。然后通过仿真,并与有关文献的复杂网络演化模型进行对比,分析了复杂供应链网络的增长性、边退化性与节点消失性,说明该模型具有高聚集系数、较低平均路径长度、无标度性、小世界特性,而且很好地解释了现实供应链网络在不同时期的演化机制问题,同时给出了经济学解释,这有助于更好地分析现实供应链网络的相关特性。     

一种基于多尺度特征和改进采样策略的异构网络对齐方法

网络对齐是集成不同平台数据的重要途径。利用网络表示学习得到节点表征并建立节点匹配策略是当前异构网络对齐的主流技术之一。在这类研究中,网络表示模型和计算复杂性为两大关键问题。本文提出一种基于多尺度特征建模和优化采样策略的无监督网络对齐方法。首先,提出一种不同尺度的节点特征表示,提取节点特征;然后利用网络嵌入模型获得网络的初表征,在此基础上设计了一种基于节点重要性的采样策略选择地标节点,改进随机抽样策略;建立了基于地标节点的网络节点相似关系矩阵,引入低秩矩阵近似方法进行矩阵分解,得到节点表示;最后,根据节点表示的相似性对网络进行对齐。在3个数据集上的实验结果表明,本模型优于其他基线模型。     

基于自相似网络流量模型的分析

流量模型是流量预测和网络性能评价的核心基础。好的流量模型必须能够准确描述网络实际流量的特征情况,才能准确预测流量状况。随着网络业务类型不断增加,实际网络中业务流特性越来越复杂,表现为长相关性和自相似性等。本文重点分析了当前广泛使用的几种自相似模型,对自相似业务的分析和处理具有一定的指导意义。     

结合相似度的新型加权网络模型

许多实际复杂网络都可以采用加权网络模型描述.现有加权网络多以节点强度作为择优连接的概率，而未考虑节点之间内在属性的相似也会增加两个节点连接的概率.基于典型的BBV加权网络模型，提出一个结合相似度的新型加权网络模型，改进了已有模型的连边增长方式和择优连接机制，提出了一种权重自适应演化机制.通过提出节点之间相似度的概念，网络演化中同时兼顾节点强度与相似度进行择优连接.网络增长时，既考虑了新节点与已有节点之间增加连边，又考虑到两个已有节点之间增加连边.理论分析和实验结果表明，该网络模型具有无标度特性和小世界特性，节点度和节点强度均具有幂律分布规律，具有更广泛的应用场景.     

面向复杂网络的节点相似性度量

在复杂网络中,度量节点之间的相似性是一项基础且具有挑战性的工作。基于邻域节点的相似性度量仅考虑了节点的邻域信息。基于路径的相似性度量考虑了节点之间的路径信息,使得多数节点与大度节点相似。为了更准确地度量节点之间的相似性且避免多数节点与大度节点相似,定义了每个节点的距离分布,并在此基础上采用相对熵和距离分布提出了一种节点相似性度量方法(DDRE)。DDRE方法通过节点之间的最短路径生成每个节点的距离分布,根据距离分布计算节点之间的相对熵,进而得到节点之间的相似性。6个真实网络数据集的对比实验结果表明,DDRE方法在对称性以及SIR模型中影响其他节点的能力这两方面表现较好。     

基于信息维数的复杂网络自相似性研究

描述了基于重构性的复杂网络自相似模型。在分形思想的基础上提出了复杂网络的自相似性研究,指出了分形思想中容量维数的不足,提出利用信息维数研究复杂网络的自相似性,这种方法更能客观反映网络的自相似性。给出了复杂网络自相似性测量方法和基于信息维数的仿真结果,数值仿真验证了理论分析的正确性。最后提出了进一步研究的方向。     

考虑不同节点行为要素特征的供应链演化规律研究

为研究供应链的实际演化规律,以复杂网络理论中的多局域世界模型为原型,提出了一种包含局域性节点与全局性节点且反映多种供应链行为要素的供应链网络演化模型。该模型验证了在自然演化情况下,现实供应链网络均具有一定的幂律性;通过算例对比分析说明,该模型相较现有文献中的演化网络能更好地模拟现实的供应链网络。研究表明,在供应链的自然演化过程中,网络的连通性和传输效率不断增强,由于新节点企业多与较大规模的企业合作而忽略了其他企业,其节点间紧密程度降低;企业与供应链网络的紧密度逐步发展到一定的程度将趋于稳定,大规模企业的发展速度先增加后放缓,各规模节点发展速度在中后期保持稳定。     

基于拓扑稳定性的有向网络链路预测方法

作为复杂网络研究的热门方向,有向网络链路预测旨在挖掘网络中未知的连边。网络演化机制是许多链路预测方法的理论来源和依据。现有有向相似性指标计算节点间存在连边的可能性时,忽略了实际网络演化过程中节点自身拓扑稳定性和网络结构稳定性。基于此,提出了基于拓扑稳定性的预测方法。该方法首先计算趋于稳定的节点对之间的相似度,然后计算预测节点对之间的拓扑稳定性。在三个衡量标准AUC、precision和排序分下,九个真实网络中的实验分析表明,提出方法具有较高的预测精度。     

基于位置吸引力的加权复杂供应链网络局域世界演化模型研究

在一般局域世界演化模型的基础上,文章使得企业节点的初始位置值呈现幂率分布,以体现节点企业的不同角色。受万有引力定律的启发,用位置值的大小和远近值来定义节点企业间位置吸引力的概念,并应用吸引力规则确定每一个新加入节点的局域世界。新节点与局域世界中的老节点之间采用节点度与节点强度的复合优先连接方式,弥补了优先连接仅仅依赖节点度值的缺陷,从而构建基于位置吸引力的加权复杂供应链网络局域世界演化模型。实验模拟了该复杂网络的生长、边的退出和节点的退出等动态演化过程,通过计算与统计整体度分布、平均路径长度和聚集系数等复杂供应链网络的重要参数发现:该复杂供应链网络的度分布呈现出一定的幂率分布形式,能够保证大多数节点的度较低和少数节点的度较高的重尾特征,同时具有较大的集聚系数和较小的平均路径长度的小世界特征。该研究工作为供应链企业在实践中构建供应链网络提供了理论依据,有助于更好地分析现实供应链网络的相关特性并识别重要节点以便对供应链网络进行保护。     

动态复杂供需网络局域演化模型的研究

为了深入理解供需网络的演化规律,研究了已有的复杂网络演化模型刻画供需网络生长过程的不足,提出了以星型网络表示初始网络,在局域世界中选择新增节点的连接节点,局域世界的选取,采用了依据节点之间的网络路径值作为选取局域世界的原则,同时定义了局域世界的规模动态增长,从而建立了复杂供需网络的动态演化模型,并给出了生成模型的算法。该模型在考虑网络动态增长的同时,也考虑到网络内部边的动态演化以及节点的退出,这与现实情况相吻合,因此更细致、真实地刻画了供需网络的动态演化特性。仿真结果表明,该模型所生成的网络模型具有无标度特性和小世界性。     

Modeling and navigation of social information networks in metric spaces

We are living in a world of various kinds of social information networks with small-world and scale-free characteristics. It is still an intriguing problem for researchers to explain how and why so many obviously different networks emerge and share common intrinsic characteristics such as short diameter, higher cluster and power-law degree distribution. Most previous works studied the topology formation and information navigation of complex networks in separated models. In this paper, we propose a metric based range intersection model to explore the topology evolution and information navigation in a synthetic way. We model the network as a set of nodes in a distance metric space where each node has an ID and a range of neighbor information around its ID in the metric space. The range of a node can be seen as the local knowledge or information that the node has around its position in the metric space. The topology is formed by setting up a link between two nodes that have intersected ranges. Information navigation over the network is modeled as a greedy routing process using neighbor links and the distance metric. Different from previous models, we do not assume that nodes join the network one by one and set up link according to the degree distribution of existing nodes or distances between nodes. Range of node is the key factor determining the topology and navigation properties of a network. Moreover, as the ranges of nodes grow, the network evolves from a set of totally isolated nodes to a connected network. Thus, we can easily model the network evolutions in terms of the network size and the individual node information range using the range intersection model. A set of experiments shows that networks constructed using the range intersection model have the scale-free degree distribution, high cluster, short diameter, and high navigability properties that are owned by the real networks.     

加权局域网络上的病毒传播行为研究

病毒传播问题的研究一直是国际上科学家所关注的焦点,但是在加权局域网络中的病毒传播研究却是空白。由于实际存在的网络很大一部分是加权局域网络,因此研究了一种特定加权局域网络中的传播行为。采用病毒传播的SI模型,令病毒的传播速度和网络的连接权重正相关。对加权局域网络中病毒传播行为的研究表明：加权局域网络的无标度性质和加权局域世界性质对病毒的传播有深刻的影响。由于加权局域网络能够很好地反应实际世界,因此该研究具有很广的应用背景。     

Cold-Start Link Prediction via Weighted Symmetric Nonnegative Matrix Factorization with Graph Regularization

Link prediction has attracted wide attention among interdisciplinary researchers as an important issue in complex network. It aims to predict the missing links in current networks and new links that will appear in future networks. Despite the presence of missing links in the target network of link prediction studies, the network it processes remains macroscopically as a large connected graph. However, the complexity of the real world makes the complex networks abstracted from real systems often contain many isolated nodes. This phenomenon leads to existing link prediction methods not to efficiently implement the prediction of missing edges on isolated nodes. Therefore, the cold-start link prediction is favored as one of the most valuable subproblems of traditional link prediction. However, due to the loss of many links in the observation network, the topological information available for completing the link prediction task is extremely scarce. This presents a severe challenge for the study of cold-start link prediction. Therefore, how to mine and fuse more available non-topological information from observed network becomes the key point to solve the problem of cold-start link prediction. In this paper, we propose a framework for solving the cold-start link prediction problem, a joint-weighted symmetric nonnegative matrix factorization model fusing graph regularization information, based on low-rank approximation algorithms in the field of machine learning. First, the nonlinear features in high-dimensional space of node attributes are captured by the designed graph regularization term. Second, using a weighted matrix, we associate the attribute similarity and first order structure information of nodes and constrain each other. Finally, a unified framework for implementing cold-start link prediction is constructed by using a symmetric nonnegative matrix factorization model to integrate the multiple information extracted together. Extensive experimental validation on five real networks with attributes shows that the proposed model has very good predictive performance when predicting missing edges of isolated nodes.     

基于节点匹配度的动态网络链路预测方法

现实世界存在众多真实网络,研究真实网络中的动态演化趋势和时序性特征是热点问题。链路预测技术作为网络科学领域重要研究工具可通过挖掘历史连边信息推测网络演化规律,进而对未来连边进行预测。通过分析动态真实网络中的拓扑结构演化,发现通过分析网络拓扑中节点间的交互性和匹配度问题能够更充分捕捉网络的动态特征,提出一种基于节点匹配度的动态网络链路预测方法。该方法对网络节点的属性特征进行分析,定义基于原生影响力和次生影响力的节点重要性量化方法;引入时间衰减因子,刻画不同时刻网络拓扑对连边形成的影响程度;结合节点重要性和时间衰减因子定义动态节点匹配度（TMDN,temporal matching degree of nodes）方法,用于衡量节点对之间未来形成连边的可能性。在5个真实动态网络数据集中的实验结果表明,相比现有3类主流动态网络链路预测方法,所提方法在AUC和RankingScore两种评价标准下均取得更优的预测性能,预测结果最高提升42%,证明了节点间存在着交互匹配优先级,同时证实了节点原生影响力和次生影响力的有效性。     

面向大规模学术社交网络的社区发现模型

针对基于标签传播的复杂网络重叠社区发现算法中预先输入参数在真实网络中的局限性以及标签冗余等问题,提出一种基于标签传播的面向大规模学术社交网络的社区发现模型。该模型通过寻找网络中互不相交的最大极大团(UMC)并对每个UMC中的节点赋予唯一标签来减少冗余标签,提高社区发现的效率以及稳定性。标签更新时以UMC作为核心单位采用亲密度的方式由中心向四周更新UMC邻接节点的标签及权重,以权重最大值的方式更新网络中非UMC邻接节点的权重。后期处理阶段采用自适应阈值方式去除节点标签中的噪声,有效克服了预先输入重叠社区个数在真实网络中的局限性。通过在学术社交网络平台——学者网数据集上的实验表明,该模型能够将具有一定共性的节点划分到同一个社区中,并为学术社交网络平台进一步的好友推荐、论文分享等精确的个性化服务提供了支持。     

一种改进的HK社交网络建模方法

随着对复杂网络研究的不断加深，社交网络建模成为研究热点之一。在Holme和Kim(HK)网络模型的基础上，提出一种改进的HK社交网络演化模型，不仅考虑了“偏好连接”、“三角结构”的传统社交网络演化机制，还在网络中新增节点的同时考虑了“内部演化”和“外部延展”2种不同的网络链路增长模式，并在传统的单向生长的网络结构基础上，创新性地提出节点度饱和与链路刷新的网络动态演化方式。仿真结果显示，改进后的HK模型其度分布呈现幂律分布特征，具有较大的聚类系数与较小的平均最短路径长度，同时满足小世界效应与无标度特性，整个社交网络模型在链路的建立与阻断过程中呈螺旋式生长，能更好地再现真实社交网络的结构特征。