结合深度学习的网络邻居结构研究及应用

通过研究网络的拓扑结构可以探索到丰富的知识,特别是网络中节点的邻居可以形成不同的邻居结构,而不同的结构蕴含着不同的意义,进而也有着不同的影响。实际上,邻居结构与节点的交互行为之间是互相影响、互为因果的。对三种最为普遍的邻居结构进行分析,并提出结合深度学习的网络邻居结构影响力模型DNSI(neighbor structure influence based on deep learning)。通过对图片格式的网络数据提取特征,DNSI可以得到三种邻居结构影响力。分别在几个真实世界网络数据集上进行节点属性预测、类别中心度度量和用户行为预测等任务,实验结果表明该模型在绝大多数情况下具有优越性。     

基于时间分段提高对称网络能控性

网络结构对实现网络完全能控有很大的影响,在不增加驱动节点的前提下,仅基于网络结构来优化复杂网络的能控性具有重要意义.基于此,提出一种将静态对称网络划分成由多个快照(每个快照是一个静态网络)组成的动态时变网络的方法,利用时变网络的优势减少驱动节点提高网络能控性;给出由多个快照组成时变对称网络能控性的判据,快照的最优划分,驱动节点数量与快照数量的关系;通过实际例子说明该划分方法的应用过程,并在模型网络和真实网络进行仿真验证,结果表明通过时间分段的方法可以有效减少对称网络中驱动节点的数量,提高网络能控性.