基于均值漂移图聚类的复杂网络社区发现方法

现今图聚类复杂网络社区发现方法主要关注于网络拓扑结构,没有考虑节点间的属性相似性.利用结构和属性相似性融合,结合距离函数的间接连接路径,实现对均值漂移图聚类的优化.最后,利用真实复杂网络数据集对所提方法进行分析.实验结果表明,所提方法较其他社区发现方法更高效准确,且适用于大规模复杂网络数据集.     

一种新的属性图重叠聚类挖掘算法

属性图各节点附有的节点属性标签,为节点提供了更加丰富的信息,在数据挖掘应用,特别是数据聚类问题中如何有效利用这些丰富的信息,已经成为开展此类研究的研究目的。不同于传统图聚类,属性图上的聚类要同时考虑图的结构信息和节点的属性信息,因此如何平衡两者之间的关系,这是属性图聚类主要关注所在。目前已提出的属性图聚类算法,部分算法的效率很高,然而聚类质量较差,同时一些算法可以得到较好的聚类结构,然而算法消耗大量的系统资源,效率也较低。这些算法均没有考虑簇之间存在重叠的情况,这导致无法得到更高精度的聚类结构。因而提出一种属性图上的重叠聚类挖掘算法,实验表明,提出的算法可以得到更高的聚类精度,特别是可以提升聚类内部节点的属性相似度。     

基于链接相似性聚类的重叠社区识别

社区结构是社会网络最普遍和重要的拓扑属性之一,提出一种基于链接相似性聚类的重叠社区识别算法.该算法首先根据相邻链接的度分布状态,提出链接间的相似性度量方法;其次以链接相似性矩阵为输入,以链接社区的最优划分为目标,建立链接局部相似性聚类算法,实现了重叠社区的有效识别;然后对链接社区进行优化,解决了可能出现的过度重叠及孤立社区问题;最后在真实网络及人工合成网络上的实验验证了算法的高效性.     

基于隶属度的社会化网络重叠社区发现及动态集群演化分析

社会化网络中节点的复合属性可能为临时或过时状态,并且节点拥有一定能力维持固有状态,所以不可单纯依据新增数据或节点现有特征确定社区划分.本文提出可重叠社区发现算法及集群动态更新方案,根据网络历史数据分析节点对原始集群的隶属程度,并结合新增数据确定节点变化趋势,实现网络结构分析及社区动态更新.本文分别在不同数据集中测试聚类效果,实验结果证明算法既保持对新增数据的敏感度,也防止了节点短暂特征或节点维持固有状态的能力对划分结果的负面影响.     

基于蚁群聚类的二部图网络推荐算法

二部图网络推荐算法是近几年研究较多的推荐算法,但在进行资源分配时都是基于全部用户的资源,大量不相干的用户使得用户间的耦合度下降,影响推荐质量。针对该问题,文中利用蚁群聚类算法基于用户进行聚类,后根据项目一定半径内的项目集合进行二部图网络推荐,实验结果显示在一定条件下该算法相比原来算法有较好的推荐性能,表明该算法在一定的条件下能降低耦合度过低的影响。     

基于贡献函数的重叠社区划分算法

现实世界中的网络结构呈现出重叠社区的特征。在研究经典的标签算法的基础上,该文提出基于贡献函数的重叠社区发现算法。算法将每个节点用三元组(阈值、标签、从属系数)集合来表示。节点的阈值是每次迭代过程中标签淘汰的依据,该值由多元线性方程自动计算而来。从属系数用于衡量当前节点与标签所标识社区的相关度,从属系数的值越大说明该节点与标签所标识社区的关联性越强。在每一次迭代的过程中,算法依据贡献函数计算每个节点的从属系数,并生成新的三元组集合。然后依据标签决策规则淘汰标签,进行从属系数规范化。通过对真实的复杂网络和LFR(Lancichinetti Fortunato Radicchi)自动生成的网络进行测试可知,该算法的社区划分准确率高,而且划分结果稳定。     

层次聚类社区算法研究综述

文章主要分析了社区发现算法的基本发展情况,研究了由于不同分析对象形成的4类社区发现方法:基于边图思想方法、矩阵谱分析方法、基于极大团思想方法、层次聚类方法。详述其中具备最优越性能的层次聚类方式,对比分析典型算法,提出合理研究社区发现算法的方向,为以后进一步分析提供参考。     

面向图表示社区检测的新型聚类覆盖算法

图表示社区检测使用图表示方法学习网络节点的向量表示,然后对节点向量进行聚类获得社团结构.然而经典的聚类算法在聚类节点向量时,得到的结果往往不能够体现社区的特性.提出一种新型的聚类覆盖算法,将聚类所得覆盖视为社区划分结果.首先在节点向量空间中计算得到每个簇的覆盖中心;然后根据覆盖中心到同类样本的平均距离作为覆盖半径,在向量空间中形成覆盖;最后对未覆盖的点做二次划分得到社区结构.在多个有真实和无真实标签网络的实验表明,所提出的算法可以得到更合理的社区结果.     

基于结构紧密性的重叠社区发现算法

随着网络结构的不断扩大和日益复杂,传统的重叠社区发现算法已经不能有效地处理大规模网络数据,发现合理的社区结构.本文提出了顶点引力的概念,引入顶点凝聚度和社区凝聚度作为满足社区的外部结构稀疏性和社区内部结构紧密性的判定指标,构造了基于结构紧密性的重叠社区发现算法OCSC.该算法经过预处理,核心子图划分以及核心社区的扩展三个步骤,能有效地发现重叠社区,通过对人工合成网络和真实网络结构的社区发现实验,运用NMI和F1Score等指标验证OCSC算法的合理性和优越性.     

基于流式分析的大规模网络重叠社区发现算法

为了提高在大规模网络中发现社区的效率,提出一种基于流式分析的大规模网络重叠社区发现算法(Streaming-based Overlapping Community Detection algorithm,SOCD).算法对网络中的边进行流式处理,每次只处理一条边且每条边仅被处理一次.根据节点的度、节点对社区的贡献度以及节点移动前后社区间连边数量的变化等信息对节点进行划分.在人工合成网络和真实大规模网络上的一系列实验表明,SOCD算法在时间消耗和内存占用上具有较大的优势,比传统方法快10倍以上,且具有较强的鲁棒性,能够在线性时间和空间复杂度下高效、准确地挖掘网络中的重叠社区结构.     

基于信息熵的金融网络洗钱社区发现新算法

针对洗钱交易的大数据大额可疑特征和量化特点,基于凝聚和优化指标的思想,提出一种ML-CDBIE算法。该算法根据节点信息熵的相似性和社区信息熵的稳定性进行洗钱社区发现。根据增加节点后社区熵的变化是否剧烈可以判断节点的划分是否正确,是否属于社区的成员,从而实现洗钱社区的发现。实验结果表明,该算法不仅具有洗钱账户识别率高和良好的社区结构,而且为金融网络洗钱社区发现提供了一种新途径。     

Set pair three-way overlapping community discovery algorithm for weighted social internet of things

There are many problems in Social Internet of Things(IoTs), such as complex topology information, different degree of association between nodes and overlapping communities. The idea of set pair information grain computing and clustering is introduced to solve the above problems so as to accurately describe the similarity between nodes and fully explore the multi-community structure. A Set Pair Three-Way Overlapping Community Discovery Algorithm for Weighted Social Internet of Things (WSIoT-SPTOCD) is proposed. In the local network structure, which fully considers the topological information between nodes, the set pair connection degree is used to analyze the identity, difference and reverse of neighbor nodes. The similarity degree of different neighbor nodes is defined from network edge weight and node degree, and the similarity measurement method of set pair between nodes based on the local information structure is proposed. According to the number of nodes' neighbors and the connection degree of adjacent edges, the clustering intensity of nodes is defined, and an improved algorithm for initial value selection of k-means is proposed. The nodes are allocated according to the set pair similarity between nodes and different communities. Three-way community structures composed of a positive domain, boundary domain and negative domain are generated iteratively. Next, the overlapping node set is generated according to the calculation results of community node membership. Finally, experiments are carried out on artificial networks and real networks. The results show that WSIoT-SPTOCD performs well in terms of standardized mutual information, overlapping community modularity and F1.     

完全子图的邻域重叠社团结构探测

为了能够更准确地对邻域重叠网络进行社团结构探测,研究人员对基于完全子图的社团探测算法进行了改进。在合并完全子图团簇时,计算每一对完全子图的重叠节点个数,设置合并完全子图的阈值,如果大于阈值,则合并。在处理不在团簇内的其他节点时,采用按照比例系数大小来划分规则进行划分。算法应用5-空手道俱乐部和科学家合作网当中,验证算法可以更准确地探测邻域重叠社团结构。     

一种改进的基于局部密度的聚类算法

聚类分析一直是机器学习和数据挖掘领域一个比较活跃而且极具挑战性的研究方向.Alex提出的基于局部密度的聚类算法是一种快速、有效的聚类方法,但该方法通过手工选取确定聚类个数和聚类中心.为此,对原算法进行改进,在初步选取候选聚类中心的基础上,使用基于密度连通的算法优化选取聚类中心,然后使用大密度最近邻方法确定样本类别.实验证明,该方法能有效解决聚类个数和聚类中心无法确定的问题,同时在聚类评价指标上显示出较好的聚类效果和性能.     

基于信息熵的蚁群聚类DBSCAN改进算法

针对DBSCAN算法对数据分布不均匀和大规模数据处理问题上的不足,提出了一种新的整合算法,算法使用信息熵和蚁群聚类技术对聚类数据集进行代表性子集选择,在子集基础上进行DBSCAN聚类,实验证明这一算法能显著降低I/O耗费和内存需求,有效地解决含有分类属性的高维大规模数据集的聚类问题。     

基于网格的无线传感器网络非均匀分簇算法

在无线传感器网络中,首先要考虑的是如何解决能耗问题.针对无线传感器网络现有算法存在的节点能耗不均匀及节点部署密集造成的数据冗余和能量浪费,提出了一种节能路由算法UECG.通过设定虚拟网格以及非均匀分簇来实现网络能量的均衡消耗.仿真结果表明,与LEACH协议及其改进协议EEUC相比,UECG算法能够有效减少冗余数据,平衡簇群间的能量消耗,达到延长网络寿命的目的.     

一种基于LEACH的能耗均衡分群算法

针对无线传感器网络LEACH协议及其改进算法中频繁重复分群带来的巨大能耗问题,提出了一种对稳定期数据传输模式进行改进的能耗均衡算法(ECBCA),减少了频繁重复分群所带来的能耗,提高了网络工作效率,延长了网络寿命。文中通过理论推导验证了算法的有效性,并通过仿真分析得到,采用ECBCA算法后,基站接收单位比特数据时网络所消耗的能量降低了13.3%;单位时间内基站接收的数据量提高了12.5%;网络寿命延长了14.7%。     

An energy-efficient overlapping clustering protocol in WSNs

Wireless Networks - The limited battery power supply system makes energy efficiency a major concern in WSNs. An effective method is to organize the sensors into clusters to avoid redundancy and...     

基于最小熵的自适应加权包络对齐算法

在逆合成孔径雷达（ISAR）成像及运动补偿原理的基础上提出了一种基于最小熵的自适应加权包络对齐算法,并通过仿真试验验证了该算法对提高运动补偿精度和改善最终成像质量的有效性。