基于节点影响力的理性节点标签传播算法

社区发现能够揭示真实社会网络的拓扑结构和重要节点.由于具有线性时间复杂度,无需定义目标函数及目标参数,标签传播算法(LPA)作为经典社区发现算法被广泛应用在学术和实践领域.针对LPA算法更新顺序的无序性和标签选择的随机性,提出基于节点影响力的理性节点标签传播算法(RLPBNI).将节点影响力排序作为更新顺序,引入理性节...     

一种新的微博社区用户影响力评估算法

近年来,微博用户都凭借其自身在社区中的影响力来对信息传播做出贡献,尤其是活跃的大V用户能够引起信息广泛的传播。为了在微博社区中提高用户影响力衡量的准确性,提出了一种基于传统的PageRank算法和用户交互行为的用户影响力改进算法(IUIR算法),此算法通过直接质量指数和间接质量指数来构建微博用户的质量指数,再结合近期用户的活跃度来构造用户影响力评价公式。在新浪微博数据集上进行实验,并与传统的PageRank算法作比较,结果表明,该算法能够更有效地反映微博用户影响力的排名。     

考虑节点间距的无线传感网络节点分配算法

节点间距在无线传感网络中分配的不合理,将导致算法存在节点能耗高、吞吐量低、分配效果等问题。为此,在考虑节点间距的基础上,提出了无线传感网络节点分配算法。分析无线传感网络在节点分配过程中的约束条件,在此基础上采用网格路由方法划分无线传感网络监测区域,结合贪婪算法实现无线传感网络节点的分配。仿真结果表明,所提算法的节点分配最高能耗为2.8×10^-11 W,分配后最大跳数为2,最高时间为0.62 min。由此证明所提算法具有一定的实用性。     

复杂网络关键节点组识别问题模型和算法研究

关键节点组识别问题,因其应用背景广泛,目前已经成为复杂网络微观层面的重要研究内容。随着大数据时代的到来,网络的规模愈加庞大,结构愈为复杂,现有基于仿真模拟和指标度量的传统识别方法受到很大局限,常常陷入局部最优解。同时,基于整数线性规划的识别模型存在不能够区分网络连通分支内部结构的缺陷。因此,亟需从网络整体结构和功能出发对关键节点组识别问题建模进行深入研究。为此,基于0-1二次约束二次规化理论建立识别模型,通过最小化二阶路径内连通节点对的个数,实现区分连通分支内部结构的能力。同时,提出了一种将贪婪搜索和局部置换相结合的启发式算法,以适应大规模网络的关键节点组识别。最后,在多组人工网络和真实网络数据集上实验分析,验证所提出模型和算法的正确性和有效性。     

一种多维度微博用户影响力改进算法

根据PageRank算法中一个网站的PR值由所有链向它的网站的PR值决定,提出了一种多维度的基于用户自身影响力和传播影响力的用户影响力改进算法BPPI(Based on users’Personal and Propagating Influence)。基于用户的个人信息、活跃度、关注度,以及点赞、评论、转发的互动行为,从用户本身和微博博文传播两个方面,综合计算出用户的自身影响力和传播影响力,最终得到用户影响力,改进了PageRank算法中初始PR值和传递PR值分配不合理的问题。根据最新的微博数据集上的实验结果,与同类型的算法相比,该算法更能准确、客观、全面地评估微博用户影响力。     

基于用户行为的改进PageRank影响力算法

PageRank算法在计算用户影响力方面只考虑用户间的跟随关系,导致计算结果准确性低下。为此,提出一种将用户行为因素与PageRank算法相结合的URank算法。利用网络中用户发布信息的转发率、评论率以及是否认证等行为因素,综合用户自身质量与追随者质量,得到用户影响力。基于SIR传播模型的实验结果表明,URank算法在计算准确性方面优于PageRank算法。     

融合节点覆盖范围和结构洞的影响力最大化算法

影响力最大化是社交网络分析中的一个重要问题,旨在挖掘可以使得信息在网络中传播范围最大化的一小组节点（通常称为种子节点）。基于网络拓扑结构的启发式影响力最大化算法通常仅考虑某单一的网络中心性,没有综合考虑节点特性和网络拓扑结构,导致其效果受网络结构的影响较大。为了解决上述问题,提出了一种融合覆盖范围和结构洞的影响力最大化算法NCSH。该算法首先计算所有节点的覆盖范围和网格约束系数;然后通过覆盖范围增益最大原则选择种子节点;其次,若存在多个节点增益相同,则按照网格约束系数最小原则选取;最后,重复上述步骤直至选出所有种子节点。NCSH在不同种子数量和不同传播概率条件下,在六个真实网络数据集上均保持着优异的效果,在影响力传播范围方面,比同类的基于节点覆盖范围的算法（NCA）平均提高了3.8%;在时间消耗方面,比同类的基于结构洞和度折扣的最大化算法（SHDD）减少了43%。实验结果表明,NCSH能有效解决影响力最大化问题。     

基于节点中心性和社区相似性的快速标签传播算法

为了减少标签传播算法（LPA）中不必要的更新、解决算法准确率低且稳定性差的问题,提出了基于节点中心性和社区相似性的快速标签传播算法（FNCS_LPA）。按照节点中心性度量对网络的节点从低到高进行排序后加入节点信息列表,利用节点信息列表来指导更新过程,提高社区发现的稳定性并避免不必要的更新;采取基于社区相似性的更新规则,提高了社区发现的准确率。在真实社会网络和LFR基准网络上进行实验：相比LPA和三种较好的LPA改进算法,FNCS_LPA在执行速度方面提升了几十倍,真实社会网络的模块度也相对较高,在社区结构比较模糊的LFR基准网络上的归一化互信息有明显的优势。实验结果表明FNCS_LPA在提高执行速度的基础上,提高了算法的稳定性和准确率。     

融合标签预处理与节点影响力的重叠社区发现算法

针对节点初始标签散乱及标签传播随机性大的问题，提出一种融合标签预处理与节点影响力的重叠社区发现算法。首先，计算节点影响力，逐步选择影响力值最大的节点作为中心节点；然后，用中心节点的标签对同质的邻居节点进行标签预处理，减少了初始标签数量，降低了后续标签传播的随机性，并初步识别出了重叠节点；其次，通过标签隶属系数识别重叠节点，用节点影响力值选择非重叠节点标签，提高了算法的稳定性和准确性；最后，以最大化自适应函数增量为目标，对内聚度弱的社区进行合并，提高了社区质量。仿真实验结果表明：对于六个真实网络，所提算法在50%的数据集上具有最大的扩展模块度值；而在不同混合度、节点重叠度和节点最大归属社区数的人工基准网络上，该算法在标准化互信息（NMI）指标上都具有最好的性能。综上所述，该算法对各类网络都具有较好的适应性，且具有接近线性的时间复杂度。     

基于用户特征属性的微博话题关键用户挖掘

针对微博话题存在时效性的特征以及用户之间交互行为特征,在经典PageRank算法的基础上,提出基于用户交互的微博用户挖掘算法来有效挖掘推动微博话题流行的关键用户。首先,介绍了微博话题关键用户的定义及其相关特征;其次,由于传统模型未考虑用户交互以及时间属性的影响,所以融合了时间属性以及用户之间交互特征,同时结合微博网络结构提出了MUR算法;最后,将算法与经典PageRank算法和TS算法做了比较。实验结果表明,模型在微博话题用户的时效性、话题推动以及对粉丝的影响力等方面表现较好,证明了模型的合理性和有效性。     

基于节点竞争力的网络分簇拓扑控制算法

通过提出节点竞争力的新定义和研究网络分簇拓扑控制过程中簇头选择的新策略,提出了一种基于节点竞争力的网络分簇拓扑控制算法APBCS。该算法以节点剩余能量的比值、节点之间的距离和邻居节点的密度作为竞争簇头的参数,采用分环的方式实现簇头间的多跳通信。仿真实验表明,APBCS算法与LEACH算法相比较分簇更均匀,簇头选择更合理,第一个死亡节点出现时间推迟了92%,与EBAPC算法相比较,第一个死亡节点出现时间推迟了4.6%,说明比较显著地延长了网络生命周期。     

一种基于TD-SCDMA集群通信系统的AHP切换算法研究

为了提高移动用户的切换成功率,提出了一种基于TD-SCDMA集群通信系统的层次分析法(AHP)切换算法(TTA)。使用该算法综合考虑用户端的信息,根据相邻小区的负载和网络资源等因素来最终确定目标小区,并对其进行了仿真验证。仿真结果证明,利用该切换算法能有效提高切换成功率。     

基于蚁群算法的产品配置方法及其应用

为了更有效地解决产品配置优化问题,建立了基于相关矩阵的多目标产品优化配置模型,运用了改进的层次分析法计算各目标权重,提出了一种基于蚁群算法的产品配置求解方法,并在C#环境下进行了仿真实验,利用多次实验优化了算法参数。实验结果表明,该方法能有效解决产品配置求解问题,具有一定的理论参考价值和实际意义。     

基于影响路径的个性化影响最大化算法

个性化影响最大化问题是近年来社交网络影响最大化问题研究领域一个较新的分支,其现有解决方案普遍建立在网络边影响传播强度一致的假设下,该假设对于真实社交网络缺乏普遍适用性。为此基于独立级联模型,提出最大影响路径算法(MIPA)。该算法通过三个阶段来求解个性化影响最大化问题,首先将边影响强度作对数转换以获得最大影响路径,从而计算网络节点对目标节点的邻居节点的影响;然后利用多条经过目标节点邻居的最大影响路径联合计算目标节点受到的影响强度;最后选择Top-k节点作为种子节点,从而摆脱边影响强度的一致性约束,获取高质量的种子集。在不同的真实社交网络数据集上进行的对比实验验证了算法的有效性。     

基于近邻传播的离群点检测算法

离群点是与其他正常点属性不同的一类对象,其检测技术在各行业上均有维护数据纯度、保障业内安全等重要应用,现有算法大多是基于距离、密度等传统方法判断检测离群点.本算法给每个对象分配一个"孤立度",即该点相对其邻点的孤立程度,通过排序进行判定,比传统算法效率更高.在AP(affinity propagation)聚类算法的基础上进行改进与优化,提出能检测异常数据点的算法APO(outlier detection algorithm based on affinity propagation).通过加入孤立度模块并计算处理样本点的孤立信息,并引入放大因子,使其与正常点之间的差异更明显,通过增大算法对离群点的敏感性,提高算法的准确性.分别在模拟数据集和真实数据集上进行对比实验,结果表明:该算法与AP算法相比,对离群点的敏感性更加强烈,且本算法检测离群点的同时也能聚类,是其他检测算法所不具备的.     

基于LeaderRank的多标签传播重叠社区发现算法*

针对多标签传播重叠社区发现算法COPRA存在的的随机性强、鲁棒性差等问题,提出一种基于多标签传播思想的重叠社区发现算法。该算法通过LeaderRank算法来量化网络中节点的重要性,再根据量化值大小对节点进行团扩展,得到可重叠的最具重要性的粗糙团,分别对粗糙团和非粗糙团中的节点进行标签初始化,再通过合理的标签迭代顺序和改进的标签删选策略进行标签更新,直到达到标签传播的终止条件结束迭代过程。在人工网络图和真实数据集上进行实验,结果表明所提算法不仅有效地增强了社区发现结果的稳定性,同时提高了准确率。     

基于AHP和混合Apriori-Genetic算法的交通事故成因分析模型

针对交通事故数据多维多层的特点,对交通事故的主要成因与潜在规律进行了研究。从驾驶员、车辆、时间—地点、环境四个维度出发,提出了基于层次分析法（AHP）和混合Apriori-Genetic的模型挖掘事故成因。首先,引入AHP对事故诱发因素进行重要度排序,在客观分析的基础上将事故因素量化,筛选出引发交通事故的主要因素;其次,结合混合的Apriori和遗传算法对主要因素进行定向分析,找出关联规则,提高挖掘的准确性。相关对比实验的结果表明该模型可以减少无用规则的产生并提高挖掘的准确性,具有一定的科学意义和应用价值。     

基于多维度测量的网络性能动态评价方法

针对传统网络性能评价方法存在的静态性和片面性问题,提出了一种基于多维物元模型的网络性能动态评价方法,从多维网络评价物元模型、网络评价指标体系、模糊层次分析策略几个方面展开讨论,并给出了权重取值算法。实例显示,该评价方法有助于网络管理人员多维度动态跟踪、定量分析和监控网络运行,提高网络管理过程的可观测性和可预警性。     

基于节点综合相似度的多标签传播社区划分算法

为了解决现有的多标签传播社区划分算法采用的随机顺序策略导致形成的社区划分结果不稳定和社区质量不够高的问题,提出了一种基于节点综合相似度的多标签传播社区划分算法MLPA-NCS。以节点潜在影响力的降序作为节点选择顺序,解决社区结果划分不稳定问题。根据节点的主题相似度和链接相关度计算出节点综合相似度,并以节点综合相似度降序作为更新节点标签时对邻近节点遍历的顺序,提高所划分社区的质量。采用真实数据集和人工网络数据,对多个算法进行对比实验,结果表明算法有效可行,社区划分结果更稳定,社区质量也更高。