基于网络结构的节点中心性排序优化算法﹡

针对社交网络中节点中心性排序算法存在的不足,本文从网络结构的角度提出了一种准确有效的节点中心性排序算法(CentraRank)。算法不仅克服原中心性排序算法的缺陷,也在精度和收敛速度方面均有所提升。最后根据佩龙-佛罗贝尼乌斯定理证明算法的收敛性,然后运用新浪微博和随机数据的模拟实验从三个方面证明了该算法的可行性和有效性。在该算法的基础上提出了一种基于网络结构的边中心性排序优化算法(EdgeRank),并验证算法的正确性。     

节点局部Fiedler向量中心性差值社区发现算法

社区结构是复杂网络最重要的一种结构特征。复杂网络中的社区结构研究主要包括社区发现与关键节点发掘两个重要问题。基于节点中心性的社区发现算法可同时进行关键节点发掘与社区发现。针对传统局部Fiedler向量中心性(LFVC)算法存在关键节点识别准确率低,进行社区发现时易出现孤立节点等问题,提出了节点局部Fiedler向量中心性差值社区发现算法(CDDN),设计了新的关键节点识别与边移除策略,并分析了算法性能。选择3种具有代表性的社区发现算法分别在4个真实复杂网络数据集上进行对比实验。实验结果表明,改进的算法既保持了局部中心性度量方法的效率,也防止了错误识别关键节点和关键边对划分结果的负面影响,避免了孤立点所带来的社区结构信息损失,能够快速、准确地发现真实社区。     

复杂网络算法中K—shell与介数中心性算法的实现

复杂网络中实现节点的中心性有许多算法,这些算法可以让人们快速识别出各种社交环境中的核心人物与话题。常用的中心性指标有度中心性．介数中心性、紧密中心性、特征向量中心性和K—shell分解方法。但是现有的理论中,仅仅提及算法的概念,并且实现的复杂性过高,算法的提及更多是用于分析阶段。为了解决这个问题,主要提出介数中心性指标和K—shell分解方法的程序实现。以便更好地应用于各种场合。     

基于结构中心性的航路网络关键节点识别

针对航路网络关键节点识别问题,从航路网络结构中心性角度出发,构建完整航路网路结构和复杂拓扑模型,分别从度中心性、中介中心性和结构中心性这3个角度分析航路网络,并依托PAJEK可视化平台,对航路网络中介中心性和结构中心性进行仿真可视。在此基础上,借助AutoCAD,从中介性和紧密性角度对航路关键节点进行识别的可视化,从中得到对航路网络效能发挥具有重要支撑作用的航路点,仿真结果表明,提取的关键节点在实际航路网络运行中具有衔接枢纽、分配流量等重要作用,在路网重要节点识别研究中具有创新优势。     

一种基于超网络视角的复杂网络社团区划算法

社团结构是复杂网络最普遍和最重要的属性之一, 复杂网络的社团区划研究就是要合理地划分出复杂网络中真实存在的社团结构。主要将超网络的思想及理论方法应用于复杂网络的社团区划研究, 针对当前GN算法的一些不足, 从超网络视角出发, 结合标准化程度中心性理论方法, 构建了一种新的复杂网络社团区划算法, 通过算例对新算法进行了验证与分析。实验结果表明, 与GN算法相比, 新算法在区划结果上有所改进和完善。     

基于管理者合作网络的开源软件开发社区中心性分析

随着开源生产模式的快速发展,合作开发社区中项目管理者之间的关系也变得越来越复杂.社会网络的分析可以作为组织管理的辅助工具与方法,将其与复杂网络研究结合起来,使人与人之间的相互作用关系变的更加清晰,促进对其拓扑结构的理解.本文通过对SourceForge.net社区中开源软件项目信息进行收集,在项目-管理者二分网络基础上构建管理者合作网络模型,对管理者的度进行分析发现网络呈现明显的核心/边缘结构.因此,我们分别从节点度、介数和拓扑势三个度量指标,进一步对合作网络的结构进行中心性分析,发掘网络的核心人物.     

复杂网络中节点暂态中心性预测研究

对复杂网络中节点的3种暂态中心性进行了预测研究。通过在真实数据集中分析节点不同时刻的暂态中心性值发现,不同时刻节点的暂态中心性具有很强的相关性。基于此,提出几种预测方法对真实数据集中节点未来的暂态中心性值进行预测。通过对真实值与预测值进行误差分析,比较了不同预测方法在不同真实数据中的预测性能。结果表明,在MIT数据集中,最近时窗加权平均方法的性能最好;在Infocom 06数据集中,最近时窗平均方法的性能最好。     

基于社会性的DTN网络路由算法研究

针对DTN网络中的消息传输问题,结合概率路由算法PROPHET和社会性路由算法SimBet的基本思想,提出一种DTN网络路由算法——ProSimbet。在选择转发节点时,综合考虑基于历史相遇记录的概率估计和节点的社会性这2个指标,从而降低消息转发次数。实验结果表明,在密集数据集INFOCOM06上,ProSimBet、SimBet、PROPHET和ER这4种路由算法的消息成功转发数目比较接近。在稀疏数据集MIT上,ProSimBet在消息转发次数上比SimBet降低26.1%,在消息成功转发数目上比PROPHET提高7.83%。     

社交网络节点中心性测度

研究节点影响力以及扩大节点影响力的范围在社交网络传播中具有重大意义。为了综合分析节点自身影响力与其潜在影响力,提出了PPI（Personal-Potential Influence,PPI）算法,用介数中心性值,紧密中心性值及k-shell值加权来评估节点自身影响力,再通过节点间的相互影响来评估其潜在影响力。实验结果表明PPI算法在评估节点影响力上有较好的准确性。     

K-means算法初始聚类中心选择的优化

迄今为止,在数据挖掘领域,人们已经实现了多种聚类算法,其中使用最广泛的当属K-means聚类算法.然而,在数据挖掘中,K-means算法面临的一个主要问题就是初始中心点选择问题.本文提出了一种结合关系矩阵和度中心性（Degree Centrality）的分析方法,从而确定K-means算法初始的k个中心点.与传统方法相比,本文算法可得到更加优质的聚类结果.实验结果表明该算法的有效性和可行性.     

一种基于资源分配策略的复杂网络中心性测度

针对标准中心性测度不适用于非联通网络这一问题,提出了基于资源分配策略的复杂网络中心性测度。节点的资源分配中心性测度定义为节点从其它节点接受的资源量,如果一个节点从其他节点接受的资源量越多,则该节点越重要。通过人工网络和现实网络实验表明,该度量不仅适用于联通网络,也适用于非联通网络,相较于标准测度,可以检测桥节点,而且具有良好的稳定性。     

基于中药专利数据集的关联规则发现算法*

指出关联规则在中药数据分析中的难点,据此提出了一种改进的Apriori算法--Apriori 算法;最后,以治疗感冒的中药专利数据集为测试数据,进一步验证算法的有效性和实用性.结果表明,此算法能够有效地从治疗感冒的专利数据库中发现布尔型与数值型关联规则,为开发新的感冒中药提供配伍依据.     

基于策略模式的中医数据挖掘平台的设计与研究

随着数据挖掘技术的发展和中医信息化的逐渐深入,很多数据挖掘方法被应用到中医研究领域.本文针对面向对象软件设计模式中的策略模式在数据挖掘科研软件平台设计开发上的应用进行了研究,并提出平台设计概要.在此基础之上,提出一种中医数据挖掘研究的思想方法:将中医问题(数据)封装、将数据挖掘方法(算法)封装,实现统一的接口,从而实现在某一类中医问题中尝试不同的数据挖掘方法、将某一种数据挖掘方法应用于不同的中医问题.基于上述思想方法,实现了中医数据挖掘平台,用于中医相关领域的数据挖掘研究.     

基于策略模式的中医数据挖掘平台

随着数据挖掘技术的发展和中医信息化的逐渐深入,很多数据挖掘方法被应用到中医研究领域。针对面向对象软件设计模式中的策略模式在数据挖掘科研软件平台设计开发上的应用进行了研究,并提出了平台设计概要。在此基础之上,提出了一种中医数据挖掘研究的思想方法：将中医问题（数据）封装、将数据挖掘方法（算法）封装,实现统一的接口,从而实现在某一类中医问题中尝试不同的数据挖掘方法、将某一种数据挖掘方法应用于不同的中医问题。基于上述思想方法,实现了中医数据挖掘平台,用于中医相关领域的数据挖掘研究。     

基于社会网络分析的微博用户网络结构研究

运用社会网络分析法,以新浪微博特定标签圈下的用户为研究样本,结合用户之间的"关注"与被"关注"关系,构建了用户"相互关注"网络,然后分别从点度中心度、中间中心度和凝聚子群分析等几个方面对该特定网络进行了分析。提出了特定网络的核心用户分析方法,将得到的实验结果与现实数据进行对比,揭示了该特定标签下的核心人物以及网络成员间的关系,实验结果表明该方法对特定网络结构分析具有可行性。最后提出了相应的启示。     

基于RBF神经网络的数据挖掘研究

探讨了基于数据仓库的数据挖掘技术的原理与相关方法,介绍了RBF神经网络的原理与特点。针对RBF神经网络非线性映射能力强和学习速度快等特点,介绍了基于RBF神经网络的数据挖掘方法的数据清洗、预处理和正则化等操作步骤。神经网络具有分布式存储信息的特点,能够利用大量神经元间的连接,以及连接权值的分析,来限定特定信息。使用这种思想构建的网络系统,即使在局部的网络损坏,也不会导致整体的瘫痪。     

基于图的多关系数据挖掘理论研究与方法

在过去的几年,结构化数据挖掘的需求日渐兴起,图是计算机学科和离散数学中最好的结构数据研究之一,基于图的数据挖掘已越来越广泛.本文介绍了基于图的数据挖掘的理论基础及其研究方法.     

图的数据挖掘算法研究

在计算机科学领域,图是最复杂的数据结构之一。它具有直观的表达形式,无论在研究领域还是在商业领域都有着广泛的应用。因此,如何从大量的图中挖掘出令人感兴趣的子图模式已经成为数据挖掘领域研究的热点之一。结合图论知识,对经典的Apriori算法进行改进,提出了一种图的数据挖掘方法,该方法能够有效地进行频繁子图的挖掘。     

基于离群点剔除的网络热点事件挖掘算法

研究网络热点事件准确检测问题,收集网络文本数据中含有大量的离群点,由于离群点一些噪声数据,对网络热点事件检测产生不利影响.为提高检测正确率,提出一种采用离群点剔除的网络热点事件挖掘算法.首先通过计算数据点的密度相似度,将小于阈值的离群点剔除,降低计算复杂度和离群点的不利影响,然后采用模糊C均值聚类算法对网络文本进行聚类,发现其中的热点事件,最后通过仿真测试算法的有效性.仿真结果表明,改进算法剔除网络中的离群点,不仅提高了网络热点事件检测正确率,而且降低算法计算复杂度,加快了网络热点事件挖掘速度,更加适合于网络热点事件在线挖掘要求.