基于深度稀疏自动编码器的社区发现算法

社区结构是复杂网络的一个重要特征,社区发现对研究网络结构有重要的应用价值.k-均值等经典聚类算法是解决社区发现问题的一类基本方法.然而,在处理网络的高维矩阵时,使用这些经典聚类方法得到的社区往往不够准确.提出一种基于深度稀疏自动编码器的社区发现算法CoDDA,尝试提高使用这些经典方法处理高维邻接矩阵进行社区发现的准确性.首先,提出基于跳数的处理方法,对稀疏的邻接矩阵进行优化处理.得到的相似度矩阵不仅能反映网络拓扑结构中相连节点间的相似关系,同时能反映不相连节点间的相似关系.接着,基于无监督深度学习方法,构建深度稀疏自动编码器,对相似度矩阵进行特征提取,得到低维的特征矩阵.与邻接矩阵相比,特征矩阵对网络拓扑结构有更强的特征表达能力.最后,使用k-均值算法对低维特征矩阵聚类得到社区结构.实验结果显示,与6种典型的社区发现算法相比,CoDDA算法能够发现更准确的社区结构.同时,参数实验结果显示,CoDDA算法发现的社区结构比直接使用高维邻接矩阵的基本k-均值算法发现的社区结构更为准确.     

一个基于图的音乐数据模型与查询语言及其实现

图数据模型广泛应用于各种具有复杂关联数据的领域.针对现有音乐数据模型与查询语言在功能上的缺陷,首先提出了一个基于图的音乐数据模型Gra-MM,用图数据模型对复杂音乐数据进行建模,定义了图逻辑数据结构以及相关的图代数操作,然后给出了建立在Gra-MM之上的音乐数据查询语言Gra-MQL,定义了查询语言的BNF定义.Gra-MQL能够较好地处理音乐数据之间的复杂关联,同时具有音乐元数据检索和音乐内容数据检索能力,从而满足用户对音乐数据不同层次的查询需求,克服了传统图数据查询语言对复杂关联数据的表达能力有限、不能直接应用于音乐内容检索等不足.最后对实现的音乐数据库原型系统进行了介绍,对原型系统进行测试并给出实验数据,证明了模型以及查询语言的可行性.     

社会网络中的成员节点提升

近年来随着社会网络的日益普及,人们在社会网络中的影响和作用正受到越来越多的关注.提出并研究了社会网络中的成员节点提升问题.首先给出社会网络中成员节点提升问题的场景及定义;接着给出了基于直观理解的brute-force提升法;然后针对brute-force法作出了一系列优化并提出基于索引的动态剪枝提升法.真实和合成数据集上的大量实验结果证明所提算法的正确性与有效性.     

HIT-DML的设计与实现

设计并实现了H IT-DML数字音乐图书馆.H IT-DML采用一种新的框架结构,以数据库系统为核心,一方面将音乐数据结构化存储在数据库中,另一方面在数据库系统内部实现了音频计算,从而将数据库技术和多媒体技术有机结合起来.H IT-DML还使用了一种新的特征匹配算法以及n-gram倒排索引结构,能够基于内容检索音乐信息,并且可以针对不同乐器进行查询.     

锚社区时序网络图生成算法

图数据相关分析任务往往需要合成数据集来检验和评估算法的有效性和高效性。真实世界图数据不仅在拓扑上具有社区结构特征，还往往在时序上呈现出一定的演化特性，社区节点可能在锚定时间窗口内频繁交互。然而，现有合成方法存在一定局限性。大多方法或仅关注网络中的社区结构，或仅关注网络中的时序信息，无法生成节点锚时频繁交互的社区。为克服此局限，提出了锚社区概念及定义以刻画社区内节点锚时频繁交互的特性；接着，基于分布概率生成模型提出了一般时序图生成算法；进一步地，提出了锚社区时序网络图生成算法(GTN-AC),不仅允许用户配置锚定时间窗口，还允许用户指定度数分布和时间戳分布。实验结果表明，相较于基准方法，GTN-AC能在保证较优生成质量的同时拥有较快的生成速度。     

复杂条件下的社区搜索方法

社区搜索旨在寻找包含给定节点集的社区，能够快速获取个性化的社区信息.针对现有社区搜索算法难以满足复杂搜索条件的现状，提出条件社区搜索这一新问题.解决该问题有助于对社交网络进行智能分析，在复杂搜索条件下为用户提供更好的社区结果.首先，基于布尔表达式，给出条件社区搜索问题的形式化定义，可有效表达给定节点不能出现在社区内以及给定节点中至少有一个出现在社区内的要求.接着，提出解决条件社区搜索问题的通用框架，包括对搜索条件进行简化、根据简化后的搜索条件进行多次单项条件社区搜索、合并各单项条件社区搜索的结果等主要步骤.同时，提出"社区搜索+过滤"的方法和给点加权的方法来进行单项条件社区搜索.最后，真实数据集上的大量实验结果表明所提方法的正确性和有效性.     

智能数据管理与分析技术专刊前言

数据管理与智能计算的深度融合已经成为大数据时代顺利前行的迫切需求.智能数据管理旨在“为数据增添智能”,是数据科学与技术的重要基石,更是大数据产业蓬勃发展的关键支撑.一方面,将新一代人工智能方法应用于先进数据管理技术,尝试探索和突破智能数据管理与分析的理论体系、技术方法及系统平台,已经成为数据管理领域的新兴研究方向;另一方面,研发面向人工智能的数据库基础软件,为新一代人工智能技术的研发和广泛应用提供海量数据的有效存储、查询、分析和挖掘等的系统支持,亦是国家科技创新的决定性因素.智能数据管理与分析领域日益得到学术界和工业界的普遍关注,其理论、技术和方法亟待深入地探索与思考.目前,针对智能数据管理与分析的研究仍然处于起步阶段,有很多需要研究的问题. 本专刊公开征文,共收到投稿38篇(包括第35届中国数据库学术会议(NDBC 2018)推荐的12篇高质量论文).其中,37篇论文通过了形式审查,内容涉及智能数据管理与分析技术和应用.特约编辑先后邀请了 70多位专家参与审稿工作,每篇投稿至少邀请2位专家进行评审.稿件经初审、复审、NDBC 2018会议宣读和终审4个阶段,历时5个月,最终有20篇论文入选本专刊.根据主题,这些论文可以分为4组.