基于网络社团结构的节点传播影响力分析

识别社会关系网络中对传播过程影响力大的关键节点,对于理解并控制网络上的传播具有重要意义.文中提出了一种基于网络社团结构的节点影响力度量方法,基本思想是用与某个节点直接相连的社团的数目(称为该节点的VC值)来衡量该节点的传播能力.通过单源感染的SIR传播模型实验发现,在根据已有节点重要性度量指标进行排序后,用节点的VC值可进一步挖掘传播能力强的奇异节点.通过单源感染的SI传播模型的实验发现,在具有相同度值或K-壳值(KS)的节点中,以VC较高的节点作为感染源,感染速度更快且可获得更大的传播范围.     

基于节点相似性度量的社团结构划分方法

针对复杂网络结构划分过程复杂、准确性差的问题,定义了节点全局和局部相似性衡量指标,并构建节点的相似性矩阵,提出一种基于节点相似性度量的社团结构划分算法.其基本思路是将节点(或社团)按相似性合并条件划分到同一个社团中,如果合并后的节点(或社团)仍然满足相似性合并条件,则继续合并,直到所有节点都得到准确的社团划分.实验结果表明,所提算法能成功正确地划分出真实网络中的社团结构, 性能比标签传播算法(LPA)、GN(Girvan-Newman)、CNM(Clauset-Newman-Moore)等算法优秀,能有效提高结果的准确性和鲁棒性.     

基于节点依赖度和相似社团融合的社团结构发现算法

社团结构作为复杂网络的拓扑特性之一具有重要的理论和实践意义。提出一种基于节点依赖度和相似社团融合的社团结构发现算法,首先根据依赖度和相似度的定义将整个网络划分成若干个平均集聚系数较大的局部网络,构成网络的基础骨架社团;然后根据连接度的定义不断将社团边缘的节点和小社团吸收到相应的骨架网络中去,直到所有节点都得到准确的社团划分。算法在Zachary空手道俱乐部网络和海豚社会网络中进行了社团划分实验,并与GN算法和Newman快速算法进行了比较,结果表明该算法可以有效地划分社团边缘的模糊节点,社团划分结果具有较高的准确度。     

基于最大节点接近度的局部社团结构探测算法

针对复杂网络社团结构挖掘算法复杂度高的问题,提出一种基于最大节点接近度的局部社团结构挖掘算法。该算法的时间复杂度为O(kd)。为验证该方法计算的准确性和计算的速度,与一种经典的挖掘局部社团结构方法——Clauset算法进行比较。实验结果表明,该算法抽取的社团结构与Clauset算法相比基本一致,但在性能上有明显提高。     

基于最大节点接近度的局部社团结构探测算法

针对复杂网络社团结构挖掘算法复杂度高的问题,提出一种基于最大节点接近度的局部社团结构挖掘算法。该算法的时间复杂度为O（kd）。为验证该方法计算的准确性和计算的速度,与一种经典的挖掘局部社团结构方法——Clauset算法进行比较。实验结果表明,该算法抽取的社团结构与Clauset算法相比基本一致,但在性能上有明显提高。     

基于行为和社团的微博用户传播影响力分析

为快速、准确地识别微博网络中具有较大影响力的节点,提出了一种基于用户关系、行为以及社团结构的影响力评价算法。首先,根据模块度对加权有向微博网络进行社团划分;接着综合微博网络中用户的粉丝数量、粉丝质量以及跨社团数目等特性度量节点的影响力。同时,对粉丝质量进行深入的分析,利用粉丝对用户的关注度作为粉丝质量的分配标准,最终完成用户传播影响力的评价。实验结果表明,该算法显著提高了评估用户传播影响力的准确性。     

基于边过滤的代谢网络社团结构分析

社团结构分析有助于理解新陈代谢网络的结构和功能关系,是新陈代谢网络研究领域的一个重要研究主题。然而,直接将复杂网络方法应用到新陈代谢网络中时,很难得到具有实际生物学意义的社团。本文首先构建了高质量人类代谢网络模型的巨强连通体,然后采用一种基于边过滤的技术研究了该巨强连通体,得到的8个主要社团均具备较好的生物学意义。研究结果表明:基于边过滤的技术可用于识别新陈代谢网络中的社团。     

基于节点向量表达的复杂网络社团划分算法

社团结构划分对复杂网络研究在理论和实践上都非常重要.借鉴分布式词向量理论,提出一种基于节点向量表达的复杂网络社团划分方法（CDNEV）.为了构建网络节点的分布式向量,提出启发式随机游走模型.利用节点启发式随机游走得到的节点序列作为上下文,采用SkipGram模型学习节点的分布式向量.选择局部度中心节点作为K-Means算法的聚类中心点,然后用K-Means算法进行聚类,最终得到社团结构.在真实和模拟两种网络上做了丰富的实验,与主流的全局社团划分算法和局部社团划分算法作了比较.在真实网络上CDNEV算法的F1指标比其他算法平均提高19%;在模拟网络上,F1指标则可以提高15%.实验结果表明,相对其他算法,CDNEV算法的精度和效率都较高.     

基于群体智能的自组织重叠社团结构分析算法

社团结构分析是复杂网络研究的一项重要内容。基于群体智能思想提出了一种自组织的重叠社团结构分析算法SO^2CSA^2。基本思想是：把网络视为一个群体,网络节点是其中的一个个具有简单智能的个体,每个个体依据定义的社团连接分数自主决定要加入的社团（可同时加入多个社团）。首先在网络中寻找一组K-派系作为初始社团结构;在此基础上,所有个体迭代地选择其社团归属,最终整个网络的社团结构将逐渐生长出来;最后对获得的社团结构进行后处理,即调整少量节点的社团归属,以提高其质量。在一组合成网络和现实世界网络上的实验表明,SO^2CSA^2发现的社团结构的质量比两种对比算法（SLPA和OSLOM）更好,尤其是在网络中重叠节点较多或节点重叠度较大的情况下,社团结构质量的提升更为明显。     

基于Transformer的节点影响力排序模型

节点影响力排序是复杂网络的一个重点话题,对识别关键节点和衡量节点影响力有着重要作用.目前,已有诸多研究基于复杂网络探索节点影响力,其中深度学习显示出了巨大的潜力.然而,现有卷积神经网络(CNNs)和图神经网络(GNNs)模型的输入往往基于固定维度特征,且不能有效地区分邻居节点,无法适应多样性的复杂网络.为了解决上述问题,文中提出了 一种简单且有效的节点影响力排序模型.该模型中,节点的输入序列包含节点本身及其邻居节点的信息,且可以根据网络动态调整输入序列长度,确保模型获取到足量的节点信息.同时该模型利用 自注意力机制,使节点可以有效地聚合输入序列中邻居节点的信息,从而全面地识别节点的影响力.在12个真实网络数据集上进行实验,通过多维度的评价标准验证了该模型相比7种已有方法的有效性.实验结果表明,在不同的网络结构中,该模型均能有效地识别网络中节点的影响力.     

复杂网络的一种快速局部社团划分算法

为了快速准确地寻找大规模复杂网络的社团结构,文中基于节点度优先的思想,提出了一种新的寻找复杂网络中的局部社团结构的启发式算法.该算法的基本思想是从待求节点出发,基于节点的度有选择性的进行广度优先搜索,从而得到该节点所在的局部社团结构.由于该算法仅需要利用到节点的局部信息,因此时间复杂度很低,达到了线性的时间复杂度.将该算法应用于社会学中经典的Zachary网络,获得了满意的结果.最后,还分析了如何对该算法加以改进以进一步提高准确度.     

基于局部核值的节点影响力计算方法研究

识别复杂网络传播动力学中最重要的节点具有重要的应用价值。针对复杂网络影响力分析的问题,在核值影响力计算方法的基础上,提出了一种基于局部核值的影响力算法。以Email无标度网络数据为实验对象,来验证该方法的合理性和有效性。该方法为复杂网络影响力分析的应用研究提供了基础。     

基于信息扩散的多尺度重叠社团快速探测算法

现有的社团分析方法由于需要网络的全局信息,并且只能在单一的尺度上划分社团,因此不利于分析大规模的科技社会网络。提出了一种新颖的多尺度社团结构快速探测算法,其只利用网络的局域信息就可以模拟复杂网络中的多尺度的社团结构。该方法通过优化表示网络统计显著性的拓扑熵,来寻找有最佳统计意义的社团结构。为了得到具体的社团归属,算法只需利用局部信息的扩散来更新归属向量便能够收敛到局部极小值,因此具有较低的计算复杂性。它不需要指定具体的社团数量,便能够找到每个节点与具体社团的归属关系,从而能够自然地支持模糊社团的划分。理论分析和实验验证共同表明,该算法可以快速而准确地发现社会网络和生物网络中的各种功能社团。     

复杂网络中的社团结构发现方法

社团结构是真实复杂网络异质性与模块化特性的反映。深入研究网络的社团结构有助于揭示错综复杂的真实网络是怎样由许多相对独立而又互相关联的社区形成的,使人们更好地理解系统不同层次的结构和功能,具有广泛的实用价值。总结了目前常用的社区发现方法,包括经典的GN算法、模块度优化算法、基于网络动力学的方法以及统计推断方法;用社区划分基准测试网络Zachary对上述算法进行了实验,对这几类算法的时间复杂度和优缺点进行了比较分析。最后,对复杂网络的社区结构发现算法的研究进行了展望。     

基于节点相似度的网络社团检测算法研究

社团结构是众多复杂网络的统计特性之一,挖掘网络中存在的社团结构日益受到人们的普遍关注。网络中的社团结构检测本质上类似于传统机器学习领域的聚类分析,其关键问题在于如何定义网络中节点间的相似度。首先提出了基于节点相似度的节点分裂算法SUN,相比传统的基于边界数(betweenness)的节点分裂算法GN, SGN在速度和精度上都有明显改善;接着,在利用各种节点相似度计算方法得到节点间的相似度之后,采用几种经典的聚类分析算法对网络进行社团划分,在模拟数据和真实数据上的实验表明:基于网络拓扑结构信息的signal和regular方法优于基于网络节点局部信息的Jaccard方法,而且对于复杂网络社团划分问题,如果选择好的网络节点相似度构造方法,已有的基于相似度矩阵的聚类分析算法都能快速有效地对网络社团进行划分。     

一种基于相对关系亲密度的局部社团发现算法

在复杂网络研究中,社会网络中的社团发现,对商业营销、疾病传播控制等具有实际意义.目前许多研究针对于全局网络进行社团挖掘.挖掘算法因其较高的复杂度往往不适用于动态、大型网络.针对某个点或者某个区域的局部社团挖掘成为了近期的研究热点.为此提出了一种新的相对关系亲密度的计算方法,并与已有算法思想结合,形成了一种新的局部社团发现算法,提高了算法性能.基于已知社会网络、随机测试网络的实验证明了算法的有效性.     

基于多层节点相似度的社区发现方法

社区发现是复杂网络研究中的一项重要研究内容,基于节点相似度的凝聚方法是一种典型的社区发现方法。针对现有节点相似度计算方法中存在的不足,提出一种基于多层节点的节点相似度计算方法,该方法既可以有效地计算节点之间的相似度,又可以解决节点相似度相同时的节点合并选择问题。进一步基于这种改进的节点相似度计算方法和团体之间的连接紧密度度量准则构建社区发现模型,并在真实世界的网络上进行社区发现实验。与GN算法、Fast Newman算法和改进的标签传播算法的实验结果相比,该模型可以更加准确地找到各个社区的成员。     

社交网络中FN算法结果的后处理研究

在复杂网络问题的研究中,众多聚类算法的横向比较与改进研究方面的工作在近几年吸引了大量注意并得到深入研究.其中,基于模块度的算法被广泛应用,而模块度也作为评价聚类的一项指标.在这类算法中,基于模块度的快速Newman算法(Fast-Newman algorithm,FN)显得较为突出,许多相关的深入研究由此展开,但多数工作是基于算子改进、应用领域等方向展开的,而对于算法结果的研究工作则更多偏向于评价、测量和总结.该研究从FN算法的结果入手,对算法的分类结果进行数据的后处理.在研究中发现了FN算法中常见的错误类型,并提出了3种不同的解决方案,使得最终结果更加符合实际,达到更好的聚类效果.在部分案例中准确率可提高至100％.     

复杂网络社区发现研究进展

近年来,随着现代网络通信和社会媒体等技术的飞速发展,复杂网络成为多学科交叉研究的热点之一,社区发现是复杂网络中的一个重要问题,对其进行研究具有重要的理论意义和应用价值.该问题吸引了多个学科领域的众多学者的关注,并且已有许多社区发现算法被提出.已有的社区发现综述多是侧重某一方向或特定领域展开,基于此,文中在之前工作的基础...