一种基于网络嵌入的社区发现方法

社区发现是社会网络分析的重要任务,有助于理解中观尺度的网络结构.现有的诸多社区发现方法仅考虑网络的拓扑信息,忽略了网络中每个节点所包含的属性信息.为此,本研究首先基于社会网络的拓扑结构信息与节点属性信息分别构建初始特征矩阵;然后基于网络嵌入模型,融合初始特征矩阵的主成分信息,构建共识嵌入矩阵;最后,给出社会网络中"领袖节点"的泛化定义形式,并提出一种改进的图聚类算法(LIK-means)挖掘社会网络中潜在的社区结构.实验表明,LIKmeans较其他经典算法有较好的可扩展性,同时在真实社会网络中的社区识别精度更高.     

基于拓扑势的局部化重叠社区识别

针对传统社区识别算法中需要根据先验知识设定参数、 社区划分结果具有随机性及复杂度过高的问题, 提出一种基于拓扑势的局部化重叠社区识别算法. 该算法通过引入拓扑势计算节点的影响力, 利用节点间的局部相似性度量指标, 采用标签传播策略进行重叠结构的社区识别. 在真实网络及人工合成网络上与多种经典算法进行对比实验验证了算法的高效性.     

基于图增强和图神经网络的层次社区发现方法

[目的]现有的多分辨率层次社区发现方法需要搜索分辨率参数得到特定层次的社区划分,且无法利用网络拓扑与节点属性之间的关联获取社区结构信息.为解决这些限制,本文提出一种基于图增强和图神经网络的层次社区发现方法HCEG.[方法]首先在图增强过程中对原始网络进行重构,使得构建的初始社区种子能涵括节点属性和拓扑信息,然后对初始种子社区集进行合并,再采用基于图神经网络的方法进行拓展,以搜寻网络中不同层次的社区划分.[结果]与其他SOTA方法相比,所提出的HCEG方法可以准确地找到不同类型真实网络中的分层社区结构,并可在不同规模的真实网络中可以获得良好的社区发现性能.[结论]在社交网络、引文网络、网页超链接网络等真实数据集上的一系列实验,验证了HCEG方法的可行性和有效性.     

一种基于广度优先搜索的社区发现方法

由于当前的算法不能很好地将网络的联通性和单个节点的属性综合考虑,分析了凝聚和分裂层次聚类经典算法的局限性,从而给出边的载荷、边的权重、连接度门限、图形分割等定义.综合考虑网络的拓扑结构和边的权重关系,提出了基于广度优先搜索的社会网络社区发现算法SoNetCD.算法通过删除社区之间的边而得到社区结构,它对社区之间的边判断准确,对社区内部的边误删率低.运用经典数据集进行实验的结果表明,该算法具有比经典GN算法更好的结果.     

基于重叠节点的社会网络最短路径算法

通过路径发现和分析可以挖掘社会网络中人与人之间的关系及其连接特性,特别是在犯罪网络的应用中具有重要意义。通过社区发现算法获得社区间的重叠节点,并构造目标网络的分层网络模型;基于社会网络的高聚集系数特性及幂律分布拓扑特征,提出了基于重叠节点的分层网络路径发现(HOLN)算法,以核心节点距离代替社区间距,优化路径搜索方向;优先搜索重叠节点,简化对节点的遍历,实现源与目标间最短路径的快速发现。实验结果表明,本文提出的HOLN算法在计算精度和运行效率上都有令人满意的表现。     

基于无偏Q值反馈的社区划分算法

在分析现有社区划分算法的基础上,针对当前算法Q值有偏及权值未体现等缺陷,提出了一种基于无偏Q值反馈的社区划分算法.该算法首先利用传递权值计算出节点间的相似度;然后,采用随机游走策略确定最优社区数,以解决现有划分算法中Q值有偏的问题;最后,在最优社区数确定的情况下,利用划分结果评价Q值反馈更新信息素矩阵以驱动后续的划分,...     

基于密度峰值和网络嵌入的重叠社区发现

密度峰值是一种基于密度的聚类算法,该算法假设类簇中心点具有较高的密度且被密度较小的节点包围。由于图结构的性质,密度峰值无法直接适用于网络结构,现有的基于密度峰值的社区发现算法大部分是基于图的拓扑结构或者邻接矩阵度量节点近似度,这种方法往往引入较大的计算复杂度。文中结合网络嵌入方法通过低维向量表示网络中的节点信息,提出了一种基于密度峰值和网络嵌入的重叠社区发现算法(overlapping community detection based on density network embedding, OCDDNE)。该算法首先通过网络嵌入获取节点的网络结构特征,然后基于改进的密度峰值的方法对嵌入后的节点向量进行多标签聚类,使编码后的向量之间的结构关系得到更好的揭示,从而发现网络中的重叠社区结构。在人工网络和真实网络的验证实验表明,该算法可以有效的挖掘网络中的重叠社区结构,并在结构复杂度较高的网络中优于其他算法。     

基于联合引力度扩展的加权网络重叠社区划分算法

基于引力度扩展的重叠社区发现算法(GDE),主要用于挖掘无权社交网络的重叠社区结构.真实社区更多是具有加权属性的,本文根据 GDE 算法的种子策略思想,并依据加权网络的特征,以网络节点的度与强度来综合确定重叠社区的中心节点,提出基于联合引力度扩展的加权网络重叠社区划分算法(UGDE).算法的实验检测结果表明：该算法对划分加权网络中的重叠社区具有可行性与有效性.     

学习全局边函数的半监督社区检测

随着在线网络数据量激增,单纯分析网络拓扑结构、节点属性、边属性无法有效认识和理解其内在结构和特性,因此提出基于边函数的半监督社区检测算法。首先将拓扑结构和属性信息统一为先验知识,设计边函数便于引入属性等各类先验知识;在此基础上,结合传统半监督学习框架,采用半正定规划学习全局最优的节点归属矩阵。在人工合成数据、赣南客家数据和基准数据上的实验和分析表明,与已有传统半监督社区检测算法相比,该算法能有效利用各种先验知识,检测社区性能较好,并能较好地抵抗数据退化问题。     

基于用户相似度的随机游走社交网络事件推荐算法

针对基于社交网络的事件推荐覆盖性和准确性不够高的问题,提出了基于用户相似度Si-user Walker算法.该算法利用基于事件的社交网络特征,将线上用户群组数据抽象为图,以重启随机游走算法为基础,改变了传统的完全基于图的拓扑结构进行随机游走的策略.根据地理位置划分事件类型,提出了新的用户相似度计算方法,然后根据用户相似度矩阵作为随机游走的转移概率,既保留了图的传递性,又保证了图节点游走的真实性.与其他推荐算法在真实的数据集上实验表明,该算法在均方根误差、准确率及覆盖率上均得到提升.     

基于标记注意力机制的社区发现算法

针对网络的聚类进行研究,提出了一种基于标记注意力机制的社区发现算法,网络特征通过标记节点频率及反示例节点频率联合度量,为使网络特征的度量更加关注于示例节点的细节信息,引入注意力机制来处理网络特征。社区划分由复杂网络预处理、网络节点的策略、社区博弈归并三个部分组成,其中网络节点的策略由无贡献节点归并、节点到社区的判断以及节点逻辑标记和的判断三个步骤组成。实验借助于真实网络进行验证,在归一化互信息、模块度、社区划分数量及运行时间四个方面,基于标记注意力机制的社区发现算法都优于其它社区发现算法。在实际生活中应用此算法,能够更加直观地显示网络内部之间存在的联系。     

基于搜索效率的复杂网络多模型并行演化分析

很多真实的复杂网络呈现无标度性．但是,这些网络为什么在增长过程中遵从优先连接规则？现有研究尚未给出有力的解释．一个合理的猜想是：这些网络如果不遵从优先连接规则,则将处于不利的地位．为证实这一猜想,采用搜索效率作为评价指标,量化评价不同演化模型的优劣．首先提出一种新的复杂网络并行演化模式,使得同一网络中不同的局部遵从不同的演化模型,从而在统一的基础上比较不同演化模型搜索效率的优劣．以BA无标度网络、WS小世界网络和随机网络为基础,构建了异质复杂网络．其次,采用随机游走搜索策略和DS最大度搜索策略,比较遵从不同演化模型的异质子网的搜索效率,力图解释复杂网络中演化模式同质化的原因．实验发现一种“信息壁垒”现象,即处于劣势的网络模型,其所属节点很难被其他模型的节点访问到．实验结果表明：对于以搜索为重要功能的复杂网络,无标度网络具有最强的适应性,从而在一定程度上解释了无标度现象在众多现实复杂网络中存在的原因．     

基于中心差异度迭代调整机制的 网络社区搜寻算法研究

为解决当前网络社区搜寻算法存在的节点聚类形成困难,搜寻迭代过于复杂,难以实现社区归属的二次更新等不足,提出了一种基于中心差异度迭代调整机制的网络社区搜寻算法。首先,通过领袖节点重叠度来实现初次社区搜寻裁决,有效降低了重复搜寻的概率,且根据加入节点与领袖节点差异度进行聚类匹配;随后,通过待加入节点与领袖节点之间的交互热度方式进行基于热度机制的聚类递归,实现对搜寻误差的二次校正。仿真实验表明,与当前网络社区搜寻算法中常用的差分迭代阈值裁决机制,混沌度一体化成型迭代机制相比,本文算法具有更高的首次成功率,以及更小的搜寻次数与迭代周期,具有很强的实际部署价值。     

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。     

对等网络的临界负载研究

不同于传统的网络拥塞研究方法,从拓扑属性节点介数出发,分析了网络拥塞与介数之间的关系,以排队论为模型,从理论上给出了导致网络拥塞的临界负载与网络拓扑属性介数的公式解.并且以Gnutella网络拓扑结构为模型进行了仿真实验,假设Gnutella网络中的网络流量由搜索请求和搜索响应构成,搜索请求采用k邻居随机路由方式.仿真结果不仅验证了公式解的正确性,而且证明了临界负载和介数之间的必然联系.     

大规模多域光网络中带有多参数拟合的跨域路径计算策略

摘要： 为解决复杂多域光网络寻路时间长、业务阻塞高的问题,提出了一种在多域光网络中基于最小二乘法拟合的路径计算策略.通过单节点拓扑汇聚将多域网络抽象为低复杂的虚拟拓扑,并采用最小跳数方法计算出源宿节点的多条域序列;联合考虑域间多个资源参数的约束,基于最小二乘法将域序列拟合为不同圆心点;设定权值公式选出最优圆心点,即最优域序列;按照选定的域序列进行业务路由.仿真表明,所提策略在保证较短的路径计算时间前提下,有效地降低了多域光网络的业务阻塞率.     

Locating Highly Connected Nodes in P2P Networks with Heterogeneous Structures

Peer-to-peer (P2P) networks aggregate enormous storage and processing resources while minimizing entry and scaling costs. Gnutella-like P2P networks are complex heterogeneous networks, in which the underlying overlay topology has a power-law node degree distribution. While scale-free networks have great robustness against random failures, they are vulnerable to deliberate attacks where highly connected nodes are eliminated. Since high degree nodes play an important role in maintaining the connectivity, this paper presents an algorithm based on random walks to locate high degree nodes in P2P networks. Simulations demonstrate that the algorithm performs well in various scenarios and that heterogeneous P2P networks are very sensitive to deliberate attacks.