社会网络中基于局部信息的边社区挖掘

 近年来,随着社交网络的发展,许多重叠社区挖掘算法被提出来.传统的方法都是将节点作为研究对象,而最近的一些研究表明,以边为研究对象的边社区挖掘方法相对于点社区挖掘方法来说具有更加明显的优势.因此,我们提出了基于局部边社区的挖掘算法(LLCM),利用网络中的局部信息去挖掘边社区结构.给定一条初始的边,通过不断最大化一个适应度函数来获取该边所在的局部社区,而这条初始的边可以预先通过一些排序算法进行选择.算法经过在计算机生成网络和真实网络上测试,并且同其他边社区挖掘算法进行了比较,实验结果表明LLCM算法获取了合理的边社区的结构.     

融合节点分析与边分析的复杂网络社区识别算法

针对边社区识别与节点型社区识别两类算法在识别社区过程中均存在相应缺陷,影响复杂网络社区识别质量的问题,提出融合节点分析与边分析的复杂网络社区识别（CDHNE）算法。该算法首先运用边在网络中较为稳定的特点,在算法执行初期通过边社区识别构建较为准确的社区结构;然后利用节点较为灵活的特点,在边社区形成后,对边社区的边缘进行精确识别,更准确地识别出复杂网络中的社区结构。在计算机生成网络实验中,当网络的社区结构逐渐变得模糊、重叠节点数量与重叠节点归属社区数量不断增加时,CDHNE算法的社区识别精度较传统算法平均提高10%,在重叠节点识别精度上较传统算法平均提高15%;在真实网络实验中,算法识别的社区结构紧密度较好,特别是面对拥有十几万个节点的大规模网络时,CDHNE算法高质量地完成了识别任务,EQ值达到0.412 1。实验结果表明,CDHNE算法在运行稳定性和处理大规模网络方面具有优势。     

基于影响力与种子扩展的重叠社区发现

社区发现作为复杂社交网络中一个重要的研究方向.针对目前基于种子节点的算法在种子选取与扩展等方面的不足,提出了一种基于影响力与种子扩展的重叠社区发现算法（Influence Seeds Extension Overlapping Community Detection,简称i-SEOCD算法）.首先,利用节点影响力策略找出具有紧密结构的种子社区.其次,从这些种子社区出发,计算社区邻居集节点与社区的相似度,并取出相似度超过设定阈值的节点.然后,采用优化自适应函数的策略来扩展社区.最后,对网络中的自由节点进行社区隶属划分,进而实现了整个网络的重叠社区结构挖掘.在真实社交网络和人工生成网络上实验表明,i-SEOCD算法能够准确、快速地发现复杂网络中的重叠社区结构.     

大规模复杂网络下重叠社区的识别

随着网络规模的不断扩大,经典的复杂网络重叠社识别算法已不能高效处理现有的大规模网络图数据.本文在GraphLab并行计算模型上提出了基于重要节点扩展的重叠社区识别算法DOCVN (Detecting the Overlapping Community algorithm based on Vital Node Expanding in GraphLab).算法选取网络中PageRank值大的节点作为重要节点,计算其他节点归属于重要节点的节点归属度,并以重要节点为中心形成核心社区及扩展社区,最后根据重要节点间的连接紧密度合并核心社区及扩展社区,并计算出每个节点在所属社区里的节点重要度,实现了大规模网络的重叠社区识别.实验表明该算法与PD (Propinquity Dynamics)等现有并行算法相比更能有效地识别大规模网络的重叠社区结构.     

属性网络中相似性增强随机游走的多社区搜索

社区搜索旨在寻找与给定查询节点高度相关的个性化社区.现有社区搜索方法多面向简单网络且处理单个查询节点或假定多个查询节点来自同一社区,这种严格的假设使得算法灵活性受限.据此,提出一种在属性网络中利用查询节点随机游走路径的相似性增强的多社区搜索方法,可以有效地定位查询节点所属的多个局部目标社区.具体地,有效融合网络中高阶结构与属性信息,利用重启随机游走计算各查询节点的重要性分数向量;计算查询节点随机游走路径的相似性并设计一种相似性增强策略,使得在无监督学习中相似路径游走者彼此增强关联从而定位不同查询节点所属的多个社区结构;基于结合结构和属性的并行电导值精准查询社区.真实数据集和人工数据集的实验验证了本文方法的有效性和效率.     

基于微博媒体的社区发现技术研究

微博社交网络是由节点构成的,每个节点代表一个微博用户。节点与节点间存在着关系,因此连接紧密的节点形成了社区。如何从微博社交网络中挖掘出社区,已成为Web2．0的团体挖掘研究热点。详细介绍了传统的网络团体挖掘算法,并提出了一种新的社区发现的算法,称为基于用户兴趣的社区发现算法。该算法不论在计算效率还是社区发现效果上比传统算法都具有明显的提升,取得了不错的实验效果。     

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。     

一个基于社区相似度分析的物流网络优化算法

随着物流网络的快速扩张,如何在异构系统中交换物品信息已经成为影响物流效率的重要因素,而社交网络与物流网络都具有异构的特征,因此将物流网的各个节点看作是社交网络的社区,利用多关系社交网络社区挖掘算法来寻找各个异构的物流网络中固有的社区结构,从而发现物流网中隐藏的规律并进行路径优化等网络行为是可行的。通过对4 000例物流数据的对比试验,得出基于相似度的社区挖掘算法在准确率、算法复杂度和效率上都优于K均值算法和回归算法。     

基于拓扑势的重叠社区及社区间结构洞识别——兼论结构洞理论视角下网络的脆弱性

社会网络和复杂网络上的社区识别已经成为当前研究的热点和前沿课题.针对目前社区识别方法不能兼具较低时间复杂度、无须专家知识或先验知识和允许存在重叠节点的不足,提出了基于拓扑势理论的重叠社区识别方法.通过提出的重叠节点社区归属不确定性测度,该方法同时实现了社区间结构洞的识别.实验验证了该方法的有效性.另外,文章在理论证明的基础上提出了影响因子优化算法;论证了结构洞理论视角下网络的脆弱性.     

Overlapping community detection in complex networks based on multi kernel label propagation

In view of the strong randomness and pre-setting the related threshold of traditional overlapping community detection method based on label propagation,overlapping community detection in complex networks based on multi kernel label propagation (OMKLP) was proposed.Evaluation model of kernel nodes was proposed after analyzing the node's degree and local covering density of nodes and their neighbor nodes.And on this basis,the detection method of local kernel nodes was also presented.Based on local kernel nodes,a new asynchronous label propagation strategy ori-ented to overlapping community was proposed,which can rapidly distinguish inner nodes and outer nodes of communi-ties so as to obtain overlapping community structure.The analysis method of overlapping nodes was proposed to increase the accuracy of detecting overlapping nodes.Without any prior knowledge,only on the basis of the basic network infor-mation (nodes and links),the algorithm can detect the structure of overlapping communities accurately.Therefore,it ef-fectively solved the defect of the traditional label propagation algorithm.The algorithm was tested over benchmark net-works and real-world networks and also compared with some classic algorithms.The experiment results verify the valid-ity and feasibility of OMKLP.     

基于用户节点相似度的局部社团挖掘

随着Web2.0的迅速发展,社交网络规模变得越来越庞大,包含的信息量也越来越多。传统的从全局角度出发进行社团挖掘的算法由于较高的复杂度以及获取全网信息的困难度,不适用于大型复杂网络的社团挖掘。文中提出了一种基于节点相似度和局部中心点的社团挖掘算法,实验结果表明,该算法在保证较高准确度的同时具有线性时间复杂度。     

基于复杂网络的Psor链路预测算法

复杂网络领域中,链路预测在网络演化规律的研究中被广泛应用,具有巨大的实际应用价值。针对现有的基于网络拓扑的链路预测方法存在预测精度偏低的问题,提出了一种基于复杂网络的Psor链路预测算法。该算法综合节点自身和邻居节点的度,定义了节点的Psor指数和Psor相似性指标进行链路预测。该算法能够全面考虑复杂网络的局部结构信息,更加准确地对复杂网络链路进行预测。仿真结果表明,Psor链路预测算法的预测精度相比8种经典的相似性算法的预测精度最高提升了37.96%。     

基于重要度传输矩阵的复杂网络节点重要性辨识方法

复杂网络中节点重要性辨识对分析网络结构和功能具有重要作用.为了辨识节点重要性,分析节点自身和关联节点的作用,本文构建了一种基于重要度传输矩阵的节点重要性辨识模型.首先,基于关联节点与节点之间的最优路径长度、最优路径数目和信息传播率定义了节点间的传输能力.其次,依据度值和传输能力构建重要度传输矩阵,综合节点局部重要性和全局属性指标评价节点的重要性.最后,对"ARPA"网络和四个真实网络进行破坏性仿真分析,结果本文方法表明对网络造成更大的破坏,证明了该方法的有效性和可靠性.     

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.     

基于结点相似性的层次化社团发现算法

复杂网络中往往存在着社团结构,通过发现网络中的社团结构,可以以社团为单位研究网络的特性和隐藏的规律,从而降低了研究大型复杂网络的难度。文中提出了一种基于结点相似性的层次化社团发现算法,设计了方法选取最佳的边权重阈值,首先得到局部核心树结构,并经过两次扩散步骤,得到网络的社团划分结果。仿真实验表明,提出的算法在较低的时间复杂度下能够取得较高的社团发现准确度。     

基于图正则化非负矩阵分解的二分网络社区发现算法

现实世界存在大量二分网络,研究其社区结构有助于从新角度认识和理解异质复杂网络。非负矩阵分解模型能够克服二分结构的限制,有效地挖掘二分网络的潜在结构,但也存在着时间复杂度高、收敛慢等问题。该文提出一种基于图正则化的三重非负矩阵分解(NMTF)算法应用于二分网络社区发现,通过图正则化将用户子空间和目标子空间的内部连接关系作为约束项引入到三重非负矩阵分解模型中;同时将NMTF分解为两个最小化近似误差的子问题,并给出了乘性迭代算法以交替更新因子矩阵,从而简化矩阵分解迭代,加快收敛速度。实验和分析证明:对于计算机生成网络和真实网络,该文提出的社区划分方法均表现出较高的准确率和稳定性,能够快速准确地挖掘二分网络的社区结构。     

基于FCM的复杂网络重叠社团结构发现算法

复杂网络中的社团结构发现是对网络数据集进行数据挖掘的普遍性问题.针对网络中大量存在的重叠社团现象,提出了基于FCM的发现重叠社团结构算法,并进一步在NG模块度的基础上,给出了评价重叠社团结构的模块度函数.算法首先将网络的节点映射成欧氏空间的节点,再以此做模糊聚类得到各重叠社团结构,根据模块度函数选择最佳重叠社团结构.最后,在经典网络上的实验结果表明,算法能够得到满意度高的重叠社团结构,而且时间复杂度较低.