基于复杂网络的社交网络用户影响力研究

基于复杂网络理论对社交网络用户影响力进行分析,可以为社会营销、舆情监测、信息检索等众多领域的研究提供支持.传统的网页排序算法虽然可以对有向社交网络的用户影响力进行分析,但仍存在缺陷且复杂度较高.本文提出了一种对无向社交网络进行用户影响力评价的方法,弱化了将有向网络视为无向网络研究而带来的误差,并可以高效地得到重要节点,适用范围更广.首先,本文采用网络节点的度中心性、介数中心性、接近中心性、聚类系数作为节点重要度评价指标,通过对计算数据归一化处理并取均值得到用户影响力排序的基准.其次,采用k-核分解法粗粒化地将重要度相似的节点进行归类,来检验排序的合理性.最后,通过仿真实验以及k-核分解、与HITS算法比较验证了此方法的科学性和正确性.     

融合节点影响力与多标签传播的重叠社区发现算法

重叠社区发现是复杂网络分析研究的重要目标之一。针对传统多标签传播算法存在的社区发现结果具有随机性、不稳定性,以及忽视节点影响力对标签传播的影响等问题,提出一种基于节点影响力与多标签传播的能够生成稳定社区的重叠社区发现算法。算法在节点影响力的计算、排序和核心节点识别基础上,通过邻居节点初始标签的再处理和基于平衡系数的节点标签异步更新策略,实现复杂网络重叠社区的有效识别。在真实数据集和人工数据集上的实验综合表明,算法性能优于各对比算法,适用于大规模复杂网络。     

基于三度理论的节点影响力评价方法

"9·11"事件以来,恐怖事件已经严重威胁到人类的生命财产安全。本文提出基于三度理论的评价方法来对恐怖组织网络中的各个节点的影响力进行排序;并在"9·11"数据集验证了该方法。实验表明对于较重要的节点,本方法和主流评价方法有相同的效果,然而对于较难分辨影响力顺序的节点,本方法仍能明确节点影响力顺序,主流评价方法却无法排序;本文同时并给出恐怖组织网络演变的过程,分析演变结果,有利于对恐怖组织网络的有力打击和摧毁。     

复杂网络上节点重要度的确定方法

采用综合考虑节点的局部特性和全局特性的方法来评价复杂网络的节点重要度,给出基于邻域的节点重要度算法及基于关键域的节点重要度算法.前一种算法有效地降低了计算的复杂度;后一种算法能更有效地刻画节点的重要度且适用于加权图.然后通过实例验证两种算法的有效性.     

一种基于极大完全图扩展的社区挖掘算法

社区挖掘是复杂网络分析中一项重要工作.目前已有许多好的社区挖掘算法,但这些算法大多基于节点间的连接关系发现内聚的社会团体,而实际网络中节点大多具有不同的行为和影响力.基于此,充分考虑社区内节点相互连接紧密以及节点具有不同影响力的特性,提出一种基于极大完全图扩展的社区挖掘两阶段算法.第一阶段:从内聚的子团和度中心性节点的影响力出发,从网络中选取分散的k个内聚的且有影响力的极大完全图作为初始社区;第二阶段,基于局部社区模块度扩展方法,将重叠节点和初始社区外节点扩展到与其连接紧密的相应社区内.最后通过仿真实验验证了该算法的有效性.     

基于DynamicRank的重要节点集挖掘算法

为了更为有效地挖掘复杂网络中综合影响力高的节点集、提高重要节点集挖掘算法的准确性,针对节点集中各节点在信息传播中不同程度的相互促进和相互抑制作用,基于DynamicRank算法设计了一种新的级联概率计算模型。通过增强贪心策略,优先从种子集邻居以外的节点中选取备选节点,减小种子集内重叠邻居对信息传播引发的抑制作用;利用级联概率计算模型,增强种子集对信息传播的级联促进作用。在4个实际网络上采用SIR模型进行了测试,实验结果表明,相较于已有重要节点挖掘方法H-index、Degree、DynamicRank、VoteRank和EnRenew,提出的算法挖掘出的节点集具有更高影响力。特别地,在Grid数据集上,本文方法挖掘出的种子集的传播范围比对比算法平均提升了49.3%。提出的算法针对信息传播概率和贪心策略的改进有利于重要节点集的挖掘和识别。     

信度函数在复杂网络节点重要性评价中的应用

针对复杂网络中重要节点的识别问题,提出了一种基于信度函数复杂网络中识别节点重要度的方法;回顾了信度函数、复杂网络相关理论知识及节点重要度相关算法,建立了基于信度函数的节点重要度识别模型;通过建立辨识框架,把节点相关属性转换为信度函数,利用证据理论组合规则进行融合,得到节点的综合属性信度函数值并将其转换为单一数值,进而提到节点的排序结果;实例分析表明,所建立模型有效克服了相关单一节点重要度算法的局限性问题,具有合理性与有效性,可进一步推广。     

基于混合模型的复杂信息系统节点重要度评估

定义复杂信息系统的拓扑结构和基于连接度、介数特性的节点结构重要度。综合考虑节点的结构重要度与功能重要度,提出基于节点脆弱性权值的复杂信息系统节点重要度评估混合模型及算法。实验算例表明,该方法融合复杂信息系统中的各项风险要素和结构属性,能进一步有效区分网络中的节点重要度差异,可作为大规模复杂信息系统节点重要度评估的理论基础。     

基于K-shell的复杂网络关键节点识别方法

针对复杂网络中关键节点识别方法的分辨率和准确性不足的问题,该文提出了一种基于K-shell的复杂网络关键节点识别方法（K-shell based key node recognition method, KBKNR）。首先,采用K-shell方法将网络分层,获取每个节点的K壳（K-shell,K_s）值,通过K_s值衡量复杂网络全局结构的影响。其次,提出综合度（comprehensive degree, CD）的概念,并设定可动态调整的影响系数μ_i,通过平衡邻居节点和次邻居节点的不同影响程度,获取每个节点的综合度。在该方法中,当节点K_s值相同时,综合度较大的节点更重要。对比几种经典关键节点识别方法和一种风险评估方法,实验结果表明,该方法能够有效识别关键节点,在不同复杂网络中具有较高的准确率和分辨率。除此之外,KBKNR方法可以为网络节点的风险评估、重要节点保护和网络中节点的风险处置优先级排序提供依据。     

基于复杂网络和遗传算法的特征选择方法

特征选择作为一种常见的降维方法,一直以来都是机器学习和数据挖掘领域的热点话题.针对传统特征选择算法没有充分考虑特征全局冗余性,导致选择的特征子集对分类识别精度不够高的问题,提出基于复杂网络节点重要度评估和遗传算法的特征选择算法,将每个特征视为网络节点,根据互信息建立边,将特征选择问题转化为节点重要度评估问题,利用遗传算法选择最优特征子集.实验结果表明此算法能够找到较为优秀的特征子集,有效降维并提高分类精度.     

基于多子网复合复杂网络模型的多关系社交网络重要节点发现算法

为提高社交网络中重要节点评估的效率和有效性,根据社交网络中存在多种相互影响的关系的特性,基于复杂网络理论提出了一种适用于多关系社交网络的重要节点发现算法.首先使用多子网复合复杂网络模型建立包含多种关系的复杂网络,然后采用信号传播方法体现网络中多种关系和节点间的相互影响,以及这些影响的传递性,最后利用矩阵迭代方法模拟信号传播过程,定量分析网络中各节点的重要度.该算法综合了社交网络中节点的全局和局部重要性,考虑了各节点重要度的相互影响,在豆瓣网上的实验结果表明,与传统社交网络重要节点发现算法相比,该算法在迭代次数、涵盖率等指标上都有较大改善,有助于提高社交网络中舆情分析、社团结构发现、信息传播等工作的效率和准确性.     

一种基于节点重要度的社团划分算法

指出了通过挖掘复杂网络中存在的社团结构,可以分析整个复杂网络的拓扑结构和功能,还可以发现网络中隐藏的规律.为了得到最佳社团划分结构,定义了网络的节点重要度矩阵和聚类矩阵,结合图的特征谱平分法和模块度函数,提出了一种基于节点重要度的社团划分算法(CDNIM).通过在空手道俱乐部、海豚关系网络等多个经典数据集上应用,结果表明:该算法能够有效提高发现社团结构的准确率.     

基于贝叶斯后验模型的局部社团发现

基于节点的局部社团发现在大数据社会网络分析中非常重要。针对Newman模块度在社团发现中的局限性,基于贝叶斯后验模型提出了BS模块度度量法。该方法结合节点的模块度和推荐概率进行建模,并以邻接并入为框架得到了一种新的局部社团发现算法。该方法克服了Newman模块度在稀疏网络中区分度低的问题以及社团结构差异大的分辨率问题,有效地寻找大规模网络中的局部社团。通过与Newman模块度在真实社团中的比较,验证了该度量方法的有效性。     

基于核数与PageRank的重要节点挖掘方法

在已有的邮件网络中心化研究中,由于传统的PageRank算法对网络扰动较为敏感,较多关注于评估节点级和链接级的参数,容易受到度值高的干扰节点影响。本文利用复杂网络中心化指标中的核数来分解邮件网络各层,以剔除外层干扰节点,在保留重要成员的基础上减少网络节点规模,降低后续挖掘算法复杂度,并提出了改进的PageRank算法,以解决权值分配偏移问题,定量分析网络核心层的节点并排序,找出电子邮件网络中的重要节点。邮件网络中心性挖掘实验表明,该方法能降低算法复杂度,提高有效性。     

基于相似度的加权复杂网络社区发现方法

针对加权复杂网络中的社区结构发现问题,本文定义基于权重关系的相似度,并在此基础上定义了节点中心度和归属度,改进GN算法的模块度评价函数,提出一种基于相似度的中心聚类算法(SCC).该算法通过计算节点间的相似度,选取合理的中心度大的节点作为社区中心节点,最后基于节点归属度来聚集从而形成社区;同时,提出了用相似度代替边介数的改进GN算法SGN.通过理论分析,并在数据集上进行实验验证,结果表明SCC算法与WGN算法、SGN算法相比,速度和精度上均有较大改善.同时与I2C算法相比,社区的划分有效性更好.     

基于二步邻居拓扑的E-Burt结构洞检测算法

连接多个不同社团的节点称为结构洞节点,部分已有的结构洞节点检测方法虽然可以检测到关键节点,但存在一些不足:基于局部的测量方法忽略了网络拓扑结构;对于大规模复杂的网络来说,基于全局的测量方法可扩展性差,等等。为了高效准确地检测社会网络中具有影响力的节点,提出了一种新的结构洞度量方法E-Burt,用来寻找结构洞节点。该方法利用节点与其二步邻居构成的拓扑关系来计算节点的有效规模,用该结果作为结构洞节点重要性的评价指标,计算每个节点的结构洞度量值,并给出了形式化定义。E-B算法基于网络拓扑结构,每次模拟迭代将选中的结构洞节点度量值置为零,下一次迭代只计算该节点二步邻居的有效规模,大大降低了时间复杂度。最后通过实验验证了算法的时间效率,分析了算法的精确度,对算法的正确性进行了证明,并与存在的经典结构洞发现算法进行了对比。     

多维约束下指挥网络节点重要度的评估方法

针对一般节点重要度评估方法没有考虑指挥体系网络自身运行机制及与外界交互的问题,从拓扑结构、作战任务、指挥方式、节点属性4个维度研究指挥节点的重要度评估方法。考虑节点在拓扑网络的全局和局部重要性给出结构重要度计算方法,基于任务分解和节点功能子集的形成给出作战任务对节点依赖度计算方法,通过删除节点对指挥质量造成的影响给出指挥方式对节点依赖度计算方法,并给出基于区间数的节点属性重要度的计算方法。最后提出指挥节点的综合评估方法并设计了具体案例,得出节点在四维约束下的重要度定量评估数据。结果表明,同一节点或结构重要度相同的节点在不同任务和指挥方式下综合重要度差异明显,与单一方法相比,提出的综合算法所得数据能更全面反映指挥节点的重要程度,说明该算法具有优越性。     

基于邻介熵和邻度熵的复杂网络中心性算法

识别复杂网络的重要节点是复杂网络研究的关键点,也是网络稳定性判定的重要理论基础.常用的识别节点影响力的中心性指标有介数中心性、度中心性、特征向量中心性和K-core 中心性等,这些指标在识别重要节点时存在一定的局限性.为了解决以上问题,将节点v_i的邻居节点集划分成关联邻居节点集(MR)和非关联邻居节点集(M_UR),结合图的信息熵以及节点的介数中心性和度中心性,提出新的中心性指标,即基于邻介熵(NBE)和邻度熵(NDE)的关联邻居中心性RNC 和非关联邻居中心性URNC.实验通过动态攻击来评估新的中心性指标在一个实验网络模型和五个真实网络上的效率,结果表明,新的中心性比传统的中心性具有更高的识别重要节点的效率.     

金融市场的无标度特征研究

基于股票价格波动序列的相关特性,提出一种金融市场的复杂网络建模机制.通过研究基于股票价格波动序列建立的复杂网络模型,发现金融市场的网络节点度分布具有无标度特征.它说明少数"中心"节点的股票对金融市场整体价格波动影响力比较大,甚至可以影响全局,其他大多数股票影响力相对较小.进一步研究网络聚类系数与最近邻平均度,发现金融市场具有分层结构和非相关联匹配的特征.这些结论对于从复杂网络的角度理解金融市场相互作用机制可能有重要的启示和作用.     

采用影响力节点集扩展的局部社团检测

针对规模化网络中局部社团检测存在的对初始节点位置敏感、拓扑信息难以有效利用问题,提出了一种采用影响力节点集扩展的社团检测(IN-LCD)方法。首先定义了节点的局部影响力指标,通过该指标计算并构造了源节点附近的影响力节点子集,然后从影响力节点子集开始,以迭代更新的方式,进行连续的社团扩张,最后通过节点和社团相似性指标计算,完成整个局部社团的获取。IN-LCD方法从有效利用节点局部信息出发,通过最具影响力节点集合进行社团扩展,有效克服了局部社团检测对初始节点位置敏感的问题。在真实和人工网络数据集上的实验表明,IN-LCD方法与已有的最佳局部社团检测方法相比,识别性能提升了5.3%,更能有效应用于局部信息出发的社团检测场景。