一种融合社区结构信息的网络表示学习算法

为研究社区结构对网络表示学习的影响,提出了一种新颖的融合社区结构信息的网络表示学习算法（CINE）。通过借鉴模块度思想,将社区结构吸收到基于矩阵分解的模型中以保留网络内部的社区结构;设计一个整体的目标函数,在捕获社区结构信息的同时也融合了节点间的1阶2阶邻近性信息和节点的属性信息,最终得到包含原始网络中3类信息的节点表示;采用Cora、Citeseer和Wiki等3个公开网络数据集验证CINE在节点分类、链接预测和可视化任务中的表现。结果表明：在3个数据集的分类任务中,CINE的Micro-F1分数分别达到了0.900 2、0.840 2、0.761 9,优于所有对比算法;在Cora数据集的链路预测任务中,CINE的AUROC得分比Node2vec、DeepWalk和TADW等算法分别提高了1.165、1.144和1.059倍。说明CINE在保留网络的结构和属性信息的基础上,捕获了社区结构信息,使得所学节点表示可以更好地执行后续的网络分析任务。     

面向制造网络的节点发现技术研究

为了提高制造资源和服务的发现准确性，提出了一种基于互联网的制造网络节点发现方法.制造主
题节点内容和结构存在相似的特点，从网络节点的文本中抽取反映节点主题的结构和内容特征词，采用
不同的加权方法表示为内容和结构特征信息，建立描述节点主题的混合向量空间模型.在此模型的基础上
，通过类中心距离法来分析和识别节点的主题，并利用网络搜索、信息处理等技术构建了制造节点发现
的实验原型系统.实验结果表明，混合向量空间模型适合描述制造主题的节点，原型系统对制造节点的发
现准确性较高     

基于C-DGCN的信息流行度预测

提出了一种基于上下文依赖的动态图卷积网络（context dependent dynamic graph convolutional network,CDGCN）对在线社交网络进行信息流行度预测,即根据信息的历史转发动态预测将来的流行度。根据信息转发动态构建转发网络,并将转发文本嵌入作为节点属性。C-DGCN基于扩散核的图卷积网络对转发网络进行嵌入,得到空间依赖表示,并输入循环神经网络(recurrent neural network, RNN)学习实时依赖表示。在2020年1月的微博数据集上进行了实验,并将C-DGCN与传统的基于特征设计、基于生成模型、基于深度学习的方法进行了比较。CDGCN的优势在于：1）充分考虑了文本内容对信息传播的驱动作用,建模表示了语义特性变化的影响,捕获了上下文依赖特性;2）扩散核是基于时间延迟特性的,循环神经网络能够捕获实时特性,充分建模表示了信息传播的时-空依赖。     

基于元图注意力网络的异质信息网络链路预测方法

由于元路径存在节点之间语义信息模糊、联通性不强的缺陷,现有的基于元路径的异质信息网络链路预测方法不足以很好地捕捉复杂的结构信息和丰富的语义信息,从而影响链路预测性能的提升。为解决此问题,提出基于元图注意力网络的异质信息网络链路预测方法,综合利用元图内节点层面和元图间语义层面两种注意力机制学习节点向量表示,进而用学习到的节点向量表示进行链路预测。真实世界数据集上的实验结果表明,与最新的基准方法相比,所提方法可显著提高异质信息网络链路预测性能。     

WMI技术在Ad Hoc网络移动管理系统中的应用

为了对Ad Hoc网络进行有效管理,解决Ad Hoc网络自组织、拓扑结构动态变化和移动终端资源有限等特点给网络管理带来的问题,在Ad Hoc网络管理系统中使用了WMI技术.通过WMI提取的节点信息对基于GPS的分群算法进行了改进,使Ad Hoc网络的分群更加稳定可靠,使用WMI对Ad Hoc网络进行管理,能够实时提取节点各类信息,监控网络的运行状态,解决了Ad Hoc网络中由于节点移动所造成的移动管理问题.     

基于知识增强的图卷积神经网络的文本分类

针对文本分类问题,提出新的基于知识增强的图卷积神经网络（KEGCN）分类模型. KEGCN模型在整个文本集上构建了一个包含单词节点、文档节点、外部实体节点的文本图,不同类型节点之间使用不同的相似性计算方法;在文本图构建完成后将其输入到2层图卷积网络中学习节点的表示并进行分类. KEGCN模型引入外部知识进行构图,捕获长距离不连续的全局语义信息,是第1个将知识信息引入图卷积网络进行分类任务的工作. 在4个大规模真实数据集20NG、OHSUMED、R52、R8上进行文本分类实验,结果表明,KEGCN模型的分类准确率优于所有的基线模型. 将知识信息融入图卷积神经网络有利于学习到更精准的文本表示,提高文本分类的准确率.     

基于图神经网络的物联网入侵检测研究

针对物联网入侵检测中网络设备的异构性以及设备间的复杂关联性,本文基于图神经网络（Graph Neural Network, GNN）提出一种GraphSAGE-GAT模型,可以有效捕捉物联网设备之间的关联关系,并还原物联网设备之间的通信拓扑,从而达到提升物联网异常检测准确率的目的。首先,基于物联网设备间的网络流数据构建了设备关联关系图,然后利用GraphSAGE(Graph Sample and Aggregate)算法对相邻设备节点进行采样,从而可利用相互关联设备节点信息增强设备节点的嵌入信息表示;再利用图注意力网络（Graph Attention Network, GAT）为提取到的关联设备节点之间的关系自动化地学习到相关性权重,并通过多层聚合函数将关联设备节点的表示进一步融合,得到设备关联图节点的嵌入表示向量,从而进一步增强各设备节点的表示能力。最后,根据融合后的图节点嵌入表示向量实现对设备网络节点样本的良性和攻击分类。基于数据集NF-ToN-IoT-v2和NF-BoN-IoT-v2进行了实验验证,结果表明,本文所提出的模型GraphSAGEGAT在物联网入侵检测上的准确率分别高...     

考虑社交网络中用户属性的社区挖掘

传统社区挖掘往往不具灵活性,并且忽略用户节点特性.为能更加个性化地挖掘网络中的社区,在传统的社交网络表示方法的基础上,提取用户在社交网络中的属性,例如用户档案中的信息、用户的度节点信息等.将得到的数据进行结构化分类处理,用布尔值表示静态属性,用连续值表示动态属性,再将两者相结合构建混合型数据的贝叶斯网络.并通过图论简化用户网络信息结构,优化计算过程,最后对模型进行可行性检验.实验最后结果表明社区挖掘具有较高的精确性,且更具灵活性,能应用于各种社区的挖掘.     

基于图神经网络的物联网僵尸网络检测

提出一种基于图神经网络的物联网僵尸网络检测方法。首先,利用网络流数据将网络建模为节点不带特征而边带特征的图;然后,利用图神经网络,根据图中边的特征迭代学习通信拓扑图中各节点的向量表示;最后,根据得到的向量表示对节点进行分类,以此检测网络中被攻击者利用的僵尸主机。学习节点表示时,所提方法同时考虑了网络流特征和网络通信拓扑,并且明确考虑了图中边的方向。此外,所提方法是归纳式的,因此能够适应网络的动态变化,也难以被攻击者绕开。在2个公开数据集上的实验结果表明,所提方法在训练时能快速收敛,且相比于无法利用网络通信拓扑结构信息的模型,所提方法的Micro-F1分数更高。相比其他方法,所提方法更易于推广到训练时未见过的数据上。     

基于环境参数优化和时间信誉序列的恶意节点识别模型

在复杂无线传感器网络环境中,为阻断恶意节点发动危及网络安全的中断攻击和选择性转发攻击,在TS-BRS信誉模型的基础上,搭建基于MNRT-OEPRS的恶意节点识别模型,利用机器学习中的线性回归并结合节点能量、工作量、邻节点数量、节点疏松度等可确定参数求解环境参数,计算基准信誉序列与周期内的节点信誉序列的相似度;设定动态信誉双阈值,对节点的信息转发行为进行动态考量,以甄别恶意节点。仿真实验表明,改进后的算法对恶意节点的识别率可达90%以上,对正常节点误判率降低到8%以下,有效提高复杂环境下无线传感器网络的安全性。     

基于图形表示的异构超密集网络的机器学习技术研究

异构超密集网络(H-UDN)被认为是一种通过网络密集化来维持爆炸性的移动业务需求的解决方案。通过将接入点、处理器和存储单元放置得尽可能靠近移动用户,H-UDN带来了许多优势,包括较高的频谱利用率、较高的能量利用率和低延迟。尽管如此,H-UDNs中网络实体的高密度和多样性给协同信号的处理和资源管理带来了巨大的设计挑战。该文阐述了机器学习技术在解决这些挑战方面的巨大潜力。特别地,展示了如何利用H-UDN的图形表示来设计有效的机器学习算法。     

动态融合复杂网络节点重要度评估方法

为挖掘复杂网络中的关键节点及提高网络鲁棒性,针对有/无线多网融合的层级网络,提出了动态融合复杂网络模型及其节点重要度评估方法.结合动态融合复杂网络的特点,定义了边连通概率、路径连通概率、网络连通概率、融合节点比例、融合节点分布和融合路径比例等与网络动态性和融合性相关的参数.在单层复杂网络节点重要度评估指标的基础上,设计了融合网络节点度中心性、节点介数中心性和节点融合中心性指标.其中,融合节点的节点融合中心性表示融合节点对网络融合的贡献程度,非融合节点的节点融合中心性表示非融合节点对网络融合的辅助作用程度,主要体现在作为融合节点之间的中继节点.最后,综合考虑网络拓扑结构、动态融合特性等因素进行节点重要度评估.以改进的动态交织风筝网络为例进行仿真分析,结果表明该方法能够比较全面地刻画节点在动态融合复杂网络中的重要性.利用NS2搭建由光通信网和卫星通信网融合构成的仿真实验网络,进一步验证了在仿真网络环境中本方法的有效性.     

网络环境下“机械制图”的在线学习

网络环境下的在线学习系统,具有平等交互式的学习环境、丰富的信息容量和丰富的表现形式等特点。在阐述网络学习的概念和特点的基础上,以我系《机械制图》精品课件为基础,介绍了在线学习系统的框架、内容、特点、关键技术,给出了把精品课件从原来为教师的演示工具转变为学生在线学习工具还需进一步补充、完善的内容。     

基于图神经网络的兴趣活动推荐算法

针对在基于事件的社交网络中,用户和其参加过的活动天然构成异质网络这一特点,提出了一个端到端的推荐算法,旨在使用异质网络的高阶连接性和非线性匹配关系,提高活动的推荐命中率.首先,通过图神经网络提取异质图的高阶连接信息对每个节点的影响,更新节点的嵌入式表示;然后,将用户-活动的嵌入式表示输入到多层感知机中,得到基于当前嵌入...     

基于多通道图卷积网络的节点聚类

针对在深度聚类中大部分基于图卷积网络(graph convolutional network, GCN)的方法仅使用拓扑图而忽略了特征空间中存在的结构信息的问题，提出一种通过引入特征图更充分地利用特征空间中存在的结构信息的节点聚类方法.首先，该方法使用自动编码器(auto-encoder, AE)来学习节点特征的潜在表示，同时在特征图、拓扑图及节点属性3个层面获得节点嵌入；然后，使用融合机制对学习到的节点嵌入进行融合；最后，通过自监督的方式训练网络实现节点聚类.在6个基准数据集上的大量实验表明，该方法明显提高了聚类精度.     

内容分发网络与机器学习融合关键技术综述

内容分发网络在流媒体传输中广泛使用,可以解决其网络性能和服务质量存在的问题。随着流媒体市场需求越来越复杂多样,利用机器学习技术提高内容分发网络的服务质量成为一个新兴的研究热点。概括了使用机器学习融合内容分发网络并提高客户端和服务端性能的几种方法,挖掘出机器学习在内容分发网络应用中亟待解决的关键性技术问题及应对方法。提出了基于机器学习的内容分发网络的未来技术发展趋势,以期进一步提高内容分发网络的资源管理、实时分配和质量规划。     

融合节点状态信息的跨社交网络用户对齐

提出一种融合节点状态信息的跨社交网络用户对齐方法,通过网络表示捕获节点的局部特征和节点状态信息得到每个账户的嵌入向量,计算不同账户对应表示之间的相似性发现对齐用户.在2个真实数据集上的试验结果表明,提出的方法相对于其他方法可以对齐更多的用户.在预测不同尺度的top-k时,提出的方法在网络结构较稠密的Twitter-Fo...     

基于网络表示学习的机会网络链路预测

针对机会网络的多维链路属性和网络结构动态变化的特点,提出基于网络表示学习的链路预测方法。设置切片时长,将机会网络转化为网络快照序列,利用多维链路属性表示每个快照内的链路状态。采用网络表示学习方法聚合邻居节点的多维链路属性,并映射为低维的属性嵌入矩阵;采用基于注意力机制改进的循环神经网络学习网络拓扑随时间动态演化的规律,提取属性嵌入矩阵之间的时序特征;在输出层建立时序特征与链路状态之间的映射关系,实现下一时刻整网的链路预测。在Infocom-05和Hyccups等数据集上的实验结果表明,与现有同类方法相比,所提方法具有更高的预测精度。     

基于结构平衡理论和高阶互信息的符号网络表示学习算法

提出了一种基于结构平衡理论和高阶互信息的符号网络表示算法SNSH，通过反转符号网络中的正负关系生成负图，来挖掘符号网络中隐含的高阶互信息。该方法旨在通过加强的社会平衡理论来模拟符号网络的局部隐含特征，并通过节点局部嵌入、网络全局结构和节点特征属性三者之间的高阶互信息，得到更全面的符合符号网络特性的节点嵌入。     

社交网络上基于信息驱动的行为传播研究

针对社交网络上信息与行为的交互作用与协同传播的特点,建立了基于信息驱动的行为传播模型。该模型综合反映了社交网络上信息与行为传播的交互性,以及信息传播的记忆性、时效性与社会加强效果等多种因素对传播的影响。研究发现,信息的时效性、社会加强效果、信息的转播率等模型参量,以及源节点的度与核数、节点的度及与源节点距离等网络参量,都在一定程度上影响行为传播的速度和范围,但各参量在不同环境下发挥不同的作用。