基于GCN的复杂网络关键节点识别研究

准确识别出网络中的关键节点是复杂网络研究的重要内容之一.现存的关键节点识别方法多数是基于网络结构提出的中心性度量方法,识别准确率低且适用范围具有局限性.因此本文提出了基于图卷积网络的关键节点识别方法,不仅考虑了节点属性,还考虑了网络结构和邻居节点结构.首先,根据网络图例数据提取多维度特征并构建特征向量;其次,将节点特征向量输入到GCN层学习;最后,通过回归损失函数计算出最小损失,识别出关键节点.本文选取传播动力学中的SIR模拟实验和牵制控制实验作为评价方式,在不同类型的真实网络上进行验证.结果表明本文提出的方法在适用范围和准确率方面较其他方法更具优势.     

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.     

面向线上-线下异步社会网络的病毒式营销算法

基于双层异步社会网络研究口碑病毒式传播的影响最大化问题,通过扩展经典的独立级联模型,构建相应的影响最大化模型,设计多种基于启发式算法的病毒式营销策略选取种子节点。针对所提算法,从网络传播概率、网络结构和传播异步性等3个方面进行仿真对比研究。结果表明:该设计方法明显优于传统的随机规则和出度规则,但不同方法适用于不同的传播概率和网络结构;随着双层网络传播异步性的增加,各算法营销结果均出现明显下降。     

基于Agent的企业人际关系网络的演化模型

应用基于Agent的建模方法,根据企业组织中行为个体的行为特点,设计Agent节点的行为策略,构造智能Agent节点,使Agent节点能够自主地选择是否与其他节点建立联系或取消联系,形成基于Agent的企业人际关系网络的演化模型,并对其进行仿真实验,观察企业人际关系网络的生成和演化过程。同时,运用复杂网络的统计特征分析企业人际关系网络模型在演化过程中的变化规律。结果表明,企业人际关系网络是随着Agent节点寻找资源的行为逐渐生成和演化的,网络结构也随着企业组织系统的演化不断变化,最终形成了具有"小世界"特性和"无标度"特性的复杂网络。     

面向网络结构发现的批量主动学习算法

网络结构发现可识别网络多类型聚类模式,但其准确率有待提升.批量主动学习选择质量高的节点集合构造先验,可提升无监督网络结构发现的性能.面向属性网络分类的主动学习BMAL(Batch Mode Active Learning)只考虑链接信息实现网络节点选择,但不能有效选择使模型性能提升至最优的节点集合,且依赖初始人工标注及参数.提出一个新的批量主动学习算法,利用目标函数的子模性迭代选择最优的节点集合.该方法基于未标记节点的不确定性和非冗余影响力选择最优节点集合,不确定性依据节点及其邻居的类隶属度,影响力依据节点的非重叠中心性,两个指标的权重依据熵权法自动确定.人工和真实网络上的实验结果表明,该方法能选择使结构发现性能提升最大的节点集合.     

基于活跃度的网络免疫策略

免疫策略是抑制复杂网络传播过程的有效方法。虽然基于网络拓扑的免疫策略取得了良好的免疫效果,但这些策略都基于同构性假设,即:网络中的节点具有相同的属性。然而,越来越多的研究揭示了网络节点的异构特征,如传播过程中节点具有不同的活跃度,活跃的节点能够促进传播。笔者结合网络结构和节点活跃度,提出了一种新的免疫策略,在真实网络和人工网络中的仿真结果表明,所提免疫策略能够有效抑制传播扩散。     

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。     

基于路径相互关注的网络嵌入算法

网络嵌入,或者称为网络表示学习,旨在将网络中的节点映射到表示空间中,生成低维稠密的向量,从而在保留网络结构信息的前提下对网络中的节点进行表示,而后通过已有的机器学习方法解决诸如链接预测、节点分类、社团发现和网络可视化等下游任务.随机游走算法可以很好地探索网络中节点的局部结构,然而之前的基于随机游走的表示学习算法只能为节点产生一种角色嵌入,没有考虑到和不同邻居进行交互时节点扮演的不同角色嵌入.因此,提出一种基于路径相互关注的网络嵌入算法,使用节点随机游走产生的上下文信息,通过注意力机制为每个节点生成上下文相互关注的节点嵌入.在真实数据集上的实验结果表明,与三个经典的网络嵌入算法相比,该算法具有更好的表现.     

时态网络节点相似性度量及链路预测算法

详细分析和阐述了时态网络中的链路预测问题，将时态网络按时间顺序划分为具有相同时间间隔的多层网络快照序列.针对基于共同邻居的相似性指标对网络链路刻画粒度较粗糙的问题，提出了基于邻居节点聚类系数的相似性度量指标NCC和NCCP，并基于此提出时态网络链路预测算法.通过在真实数据集上的对比实验验证了利用邻居节点的聚类信息可以提高预测精度.利用真实邮件数据集验证了所提出的链路预测算法预测效果的优越性，并且实验结果证明越接近预测时间的网络结构对预测结果影响越大.     

基于节点吸引力的可调参数复杂网络模型

针对真实网络的生长演化规律,以及BA无标度网络模型和原始的节点吸引力模型在择优连接以及生成网络统计特征方面所存在的问题,综合考虑复杂网络生长演化过程中节点度和节点吸引力的择优连接特性,提出了一种基于节点吸引力的可调参数复杂网络模型. 理论研究与仿真实验分析表明,基于节点吸引力的可调参数复杂网络模型可以有效生成结构稳定并与实际网络统计特征很接近的复杂网络,通过调节模型参数可以灵活调整网络的生长演化过程. 模型生成的网络度分布仍然服从幂律分布,并且具有较高的群集系数和平均路径长度.      

A growing social networks model of physical objects in IoT

In Internet of Things( IoT),physical objects can build their own social networks. How do social networks of physical objects generate,and what characteristics do the social networks have. In order to solve these problems,according to the interaction of physical objects in IoT,this paper presents a growing social network model of physical objects and researches the attachment mechanism of the model that includes three modes,physical distance,social distance and preference.Through the simulation realizations of the model,the characteristics( e. g. degree distribution,community structure) of social network are analyzed. The model can forecast the growth of social networks of physical object in IoT and simulate social networks of physical objects in the large scale IoT.     

Probabilistic Analysis on Connectivity for Sensor Grids with Unreliable Nodes

0 IntroductionWireless sensor networks consist of manynodes , each containing application-specificsensors ,a wirelesstransceiver ,anda si mple proces-sor[1-4]. Sensor networks have extensive applica-tions . A large number of research results can beseenin Refs .[5-7] .This paper mainly concerns with sensor net-works that are inherently unreliable. We consider anetwork with mn nodes ,arranged in a grid over asquare region of areaA. This model was presentedin[8 ,9].Each nodeis a sensor ,and can…     

基于多元信息融合的用户关联模型

随着社交媒体网站的日益普及,用户倾向于加入多个社交网络,作为社交媒体中的一项新兴工作,将社交网络的多个用户身份关联起来具有重要意义。通过研究目前有代表性的用户关联模型,提出了一个基于综合信息的用户关联模型(BiALP),该模型通过节点表达的方法学习网络的内在结构信息、属性信息和内容信息,以源网络和目标网络的节点表达为特征,以已关联用户对作为带标签数据,采用二分类监督学习的方式学习源网络与目标网络之间的关联关系。大量实验表明,BiALP模型与目前有代表性的其他用户关联模型相比效果有明显的提升(35%),能够实现更精确的用户关联。     

无线传感网络覆盖中网络拓扑结构设计方法

无线传感网络覆盖可以合理分配网络的空间资源,更好地完成环境感知、信息获取等任务,当前无线传感网络覆盖方法不能对传感网络进行全面覆盖。提出一种新的用于无线传感网络覆盖的网络拓扑结构设计方法,将层次型拓扑结构作为无线传感网络拓扑基本结构,对其进行详细分析后,提出能量高效的拓扑控制算法:以同一概率周期性随机选择簇头,令无线传感网络的总体能量消耗均衡分配至各传感器节点中,实现簇中成员节点数据的均衡分布,完成无线传感网络拓扑结构的设计。实验结果表明,设计的网络拓扑结构可以合理调节传感节点的距离,可以覆盖整个无线传感网络,减少重复覆盖,具有很好的覆盖优化效果。     

基于节点相似性有偏游走的多层时序网络节点重要性评估

时序网络中关键节点的挖掘引起了社会广泛的关注。针对时序网络建模中存在忽略时间信息、未考虑时间切片间的交互关系进而影响关键节点识别的准确性和科学性的问题,构建了多层时序网络模型,并提出了一种基于节点相似性有偏游走的关键节点识别算法：多层时序有偏PageRank（MTB-PR）。本文中网络模型的构建引入多层网络分析方法,完整涵盖了时序网络的结构演变。同时,基于所构建的网络模型,综合层内相邻节点间相互作用及其层间影响的双重因素来区分节点的不同影响力;通过数据分析,探讨了一些偏差参数变化对节点重要性能指标的影响。最后,将模型和算法应用于真实网络中,通过实验数据验证了该方法的合理性和有效性。     

自组织网络随机方向模型的渐近节点分布

应用几何概率的方法分析自组织网络随机方向移动模型的渐近节点分布特征.分析针对两种形状的仿真区域,对于圆形区域,得到了节点分布函数的精确闭式解;对于正方形区域,得到了分布函数的数值积分解.理论分析和仿真证明,应用随机方向移动模型的网络当达到平稳状态时,节点会以较高的概率靠近区域边界,而以较低的概率位于区域中心.     

Emergence of group cooperation in public goods game on regular small-world network

The regular small-world network, which contains the properties of small-world network and regular network, has recently received substantial attention and has been applied in researches on 2-person games. However, it is a common phenomenon that cooperation always appears as a group behavior. In order to investigate the mechanism of group cooperation, we propose an evolutionary multi-person game model on a regular small-world network based on public goods game theory. Then, to make a comparison of frequency of cooperation among different networks, we carry out simulations on three kinds of networks with the same configuration of average degree: the square lattice, regular small-world network and random regular network. The results of simulation show that the group cooperation will emerge among these three networks when the enhancement factor r exceeds a threshold. Furthermore, time required for full cooperation on regular small-world network is slightly longer than the other networks, which indicates that the compact interactions and random interactions will promote cooperation, while the longer-range links are the obstacles in the emergence of cooperation. In addition, the cooperation would be promoted further by enhancing the random interactions on regular small-world network.     

黄山市乡村聚落网络结构特征

以黄山市2014年卫星影像为数据源,将乡村聚落矢量数据和分乡镇行政区划矢量数据进行叠置分析,并统计每个乡镇乡村聚落的面积.在改进引力模型的基础之上,借助社会网络分析方法,以聚落面积和各聚落之间的距离为变量构建黄山市乡村聚落空间网络结构模型,实证分析了黄山市乡村聚落网络结构特征.研究结果表明:(1)从网络节点结构分析来看,网络内向程度中心性和外向程度中心性都存在明显的两级分化现象;整个网络中介中心性分布极为不均衡,区县节点在整个网络中扮演着枢纽的作用,而乡镇节点的桥梁作用远逊于区县节点;通过对网络节点的结构洞指标进行对比分析发现,城市聚落的节点具有显著的结构洞优势,而乡镇节点的结构洞优势相对较弱.(2)从整体网络结构分析来看,黄山市乡村聚落空间网络密度较低,乡村聚落之间的相互影响较小;从程度中心势的指标来看,不论是内向程度中心势指标还是外向程度中心势指标,其数值都较高,说明乡村聚落空间网络结构具有明显的集中趋势;乡村聚落空间网络结构存在明显的核心-边缘结构特征,核心区节点之间比边缘区节点之间空间互动关系更为密切,但总体来讲这种空间作用仍然较小.     

基于注意力网络特征的社区发现算法

现实世界中许多网络都是根据社区结构紧密组织起来的, 发现社区对于了解复杂网络的结构及其关系有很大的帮助, 文中提出了一种基于注意力网络特征的社区发现(community discovery algorithm based on attention network features, CANF)算法, 利用标记节点频率和反示例节点频率度量初始网络标记特征, 并且引入注意力机制, 对示例节点的每个邻居节点更好地分配权重, 将初始权重与分配权重相结合, 使初始度量的网络特征获取更多与目标有关的细节信息。文中通过分配的注意力网络特征进行复杂网络预处理以及社区博弈归并, 于真实网络中进行验证, 实验结果表明, CANF算法在准确度、模块度以及运行时间方面优于其他社区发现算法。     

Fast Community Detection Based on Distance Dynamics

The distance dynamics model is excellent tool for uncovering the community structure of a complex network. However, one issue that must be addressed by this model is its very long computation time in large-scale networks. To identify the community structure of a large-scale network with high speed and high quality, in this paper, we propose a fast community detection algorithm, the F-Attractor, which is based on the distance dynamics model. The main contributions of the F-Attractor are as follows. First, we propose the use of two prejudgment rules from two different perspectives: node and edge. Based on these two rules, we develop a strategy of internal edge prejudgment for predicting the internal edges of the network. Internal edge prejudgment can reduce the number of edges and their neighbors that participate in the distance dynamics model. Second, we introduce a triangle distance to further enhance the speed of the interaction process in the distance dynamics model. This triangle distance uses two known distances to measure a third distance without any extra computation. We combine the above techniques to improve the distance dynamics model and then describe the community detection process of the F-Attractor. The results of an extensive series of experiments demonstrate that the F-Attractor offers high-speed community detection and high partition quality.