基于优化阈值法的股票网络构建与重要节点判别

研究了中国股票市场牛市、熊市、平稳震荡3个典型时期的主要性质与特征.首先收集了这3个时期的金融市场数据,用优化阈值法构建网络.之后对构建的网络进行社团划分,并在此基础上挑选出了对于社团重要的点;同时利用节点中心性经典指标:度中心性、介数中心性和紧密中心性挑选出了网络中重要的节点.     

基于中心度发现的中心社团

使用度中心度与流介数中心度相结合的方法,首先计算出节点的度中心度和流介数中心度,得出网络中的几何中心点和信息、物质或能量在网络上传输时经过路径最多的节点,并将这两个指标作为一个整体考虑,得到这两个指标相对比较大的节点,再在这些节点和其邻居节点上利用CPM社团发现算法,从而发现网络中的中心社团.此方法可以发现网络中相对"重要"的社团,对复杂网络上的传播机理、相继故障等分析都有一定的意义.随后利用该方法分析兰州市公共交通线路网络的中心社团结构,结果表明该社团在网络中的确可以起到比较重要的作用.     

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。     

结合网络拓扑与节点内容的统一化半监督社团检测方法

在复杂网络分析中，社团检测发挥着越来越重要的作用，而在实际应用中如何提高社团检测的性能仍是一个共同研究目标.由于网络节点中内容信息有助于社团识别，一些方法侧重于将网络拓扑和节点内容相结合，并且获得了不错效果.此外，也有些方法借用节点之间的拓扑相似度，以提升实现社团检测性能.鉴于此，我们提出了一个统一化方法，结合节点内容的半监督社团检测，简称SCDNC.在该方法中，我们不仅将链接增强应用于社团检测，而且实现了拓扑和内容有机融合.首先，我们运用随机模型来描述节点社团隶属度.其次，我们构建出一个刻画节点内容社团隶属度的随机块模型，节点社团隶属度作为节点内容的权重向量，以实现拓扑和内容结合.再次，我们利用网络中节点之间的拓扑相似度构建先验信息，即，使网络中节点与其最相似的邻居节点具有相同的隶属度分布.最后，使用非负矩阵分解的方法学习新模型的统一化参数.在带有真实标签的人工网络和真实网络上，我们对新方法与一些当前流行的社团检测方法进行了性能比较.实验结果显示，通过融合节点内容和先验信息强化的链接，新方法检测社团的性能取得了显著提升.     

基于加权中介中心性的结构洞占据者方法获取

随着网络和计算机科学的迅猛发展,处于网络结构洞位置的个人或团体从中可以获得丰富的信息利益和控制利益,结构洞占据者的挖掘得到了越来越多的关注.目前对结构洞占据者的挖掘研究主要集中于无权网络方面,但在实际网络中,权重对网络的性能也起着重要的作用.以加权网络为研究对象,将边权引入到中介中心性指标中,对现有的HIS算法进行改进,提出一种基于加权中介中心性的结构洞占据者挖掘算法(W_BCHIS).该方法首先利用社团发现算法求出加权网络的社团,接着将边权引入中介中心性指标,用加权后的中介中心性指标对节点的重要性进行初始化,通过对节点的重要性和节点占据结构洞的可能性不断地迭代直到收敛以挖掘出结构洞占据者.将W_BCHIS算法与其他算法在公用数据集和实际数据集上进行了实验对比与分析,验证了该算法的有效性.     

基于度与H指数扩展的复杂网络节点排序方法

在复杂网络中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、紧密中心性、H指数中心性和K-shell中心性等,这些指标在识别有影响力的节点时存在一定的局限性.本文在H指数中心性与度中心性的基础上提出了局部DH指数中心性指标来识别网络中有影响力的节点,该指标考虑了节点自身的度与H指数以及邻居节点的H指数.通过SIR传播模型以及单调函数(M)两种方法评价了各中心性方法识别网络中节点影响力的有效性.实验结果分析表明,在一些网络中该指标较一些常用的中心性方法能够更有效地识别网络中节点的影响力.     

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.     

基于加权树的层次社团划分算法

社团发现常用于挖掘复杂网络中的隐藏信息,如功能模块和拓扑结构.为提高复杂网络中社团结构挖掘的质量,提出一种基于加权树的层次社团划分算法HCD_WTree(Hierarchical Community Detection Algorithm Based on Weighted Tree).首先,结合邻域重叠比和节点的度中心性来度量节点间关系强度,基于该度量将原无权网络转换成加权网络;接着,对网络进行简化,得到加权树;最后,基于层次社团挖掘方法,根据边权依序裁剪加权树,得到层次的社团结构,并结合模块度函数获得最优的社团划分结果.在公用数据集上的实验结果表明,与现有的社团挖掘技术相比,HCD_WTree算法能够更准确地划分复杂网络中的社团结构.     

基于精准k核的复杂网络节点重要性评估方法

由于k核存在破坏网络整体结构信息、忽略邻居节点影响力等缺点,导致每个节点难以量化区分.为了提高关键节点的识别精度,首先改进了k核的分解过程,提出了精准k核Ak.考虑到网络中局部特征信息和全局结构信息对节点的影响,将精准k核应用到重力中心性中,并提出了精准重力中心性AGC.信息学中的香农熵在网络关键节点识上具有良好的扩展性,通过结合邻域度中心性、邻域精准k核以及精准重力中心性三者的香农熵,最终提出了混合中心性MC对节点重要性进行多元评估.在7种真实网络下,对MC和其他节点评估指标分别从单调性和准确性上进行了一系列实验,实验结果表明MC具有更好的关键节点识别性能.     

基于社团结构的网络协同防御

以公共互联网安全需求为背景,研究基于社团结构的网络协同防御问题.首先,根据网络逻辑结构及节点功能,将目标网络划分为多个网络社团,按照分布式协同控制模式设计了协同防御架构基础通信模型,在此基础上,融合信息蜜罐和蜜网、协同防御策略库、基于节点信任值管理的防火墙等功能模块,提出了基于社团结构的网络协同防御架构.其次,借鉴网络生态系统运维理念,设计了网络协同防御机制,通过态势感知协同、态势分析协同、行动决策协同和调节反馈协同等集体行动,提升网络的病毒检测能力、快速响应能力和应急恢复能力.最后,以潜伏型病毒防御为例,给出了网络协同防御流程,仿真分析了协同防御性能.相比无协同防御网络,基于社团结构的网络协同防御能以较小的通信损失,抑制潜伏型病毒传播和维护网络安全.     

复杂网络中节点重要度的一个评估指标

为了简单而有效地评估网络拓扑结构中各节点重要性,本文基于节点的连接度和局部连通性,定义了一个节点重要度函数.该重要度函数指标实质上与网络中的平均最短距离指标是一致的,通过该重要度函数指标值的大小可以得到网络中各节点的重要度排序.理论分析与实例表明,对于小型网络,该方法的计算比较简单,且直观、有效、合理.     

基于单步添加团的重叠社团检测算法

基于局部扩充的重叠社团检测算法由单个节点或团出发,不断添加新的节点而获得最终的社团划分,但现有算法均为每次添加一个节点,没有充分考虑所添加节点的局部信息,从而影响了社团检测结果的准确性.为此,文中提出了一种基于单步添加团的重叠社团检测算法,该算法从一个团开始,通过不断添加此团邻居内适应度增值最大的团,使算法在局部扩充时不仅考虑了所添加节点与已有社团的连接紧密性,而且考虑了所添加节点内部的连接情况.在真实网络和计算机生成网络上的实验结果表明,与现有基于局部扩充的重叠社团检测算法相比,文中算法可以更准确地检测出复杂网络中的重叠社团.     

客户需求响应网络关键节点确定方法及分布特征

基于Rob Cross等对定制化、模块化和程序化3种客户需求响应网络的特征分析,运用所提出的基于节点行为影响度测度的关键节点确定方法.对3种网络的客户需求响应过程分别进行了仿真研究,发现导致3种网络具有不同关键节点分布特征的主要因素分别为:客户需求特征和节点知识属性、节点的角色和行为、节点所处的结构和行为.基于节点行为影响度测度的关键节点确定方法和以节点中心度为衡量指标的关键节点确定方法相比,具有更好的适用性.     

网络社团结构对路由策略的影响

研究了网络社团结构对路由策略的影响,通过实验发现具有模糊社团结构网络的路由效率要比具有清晰社团结构网络的路由效率更高,由此提出了两种基于网络社团结构信息的局部路由策略,并与没有利用社团信息的路由策略进行了对比,发现为节点提供网络社团信息能够帮助节点更加有效地进行路由.     

基于聚类系数和节点中心性的链路预测算法

目前复杂网络领域受到越来越多人的广泛关注.其中链路预测是复杂网络研究中的一个热门的分支,被作为预测缺失链路和识别虚假链路的有效手段.传统基于相似性的复杂网络链路预测主要考虑每个节点的某个相似性指标,而该文提出一种基于聚类系数和节点中心性(CCNC)的链路预测算法,将度、聚类系数和节点中心性3个相似度指标结合,引入到复杂...     

基于局部邻域连通性的重叠社区发现算法

发现复杂网络中的重叠社区是目前复杂网络分析的重要内容。选择社区代表性强的节点作为种子节点进行扩展是基于种子扩展策略重叠社区发现算法的关键,提出了一种基于度信息和邻域连通性的节点邻域中心性度量指标,并在此基础上提出了一种基于局部邻域连通性的重叠社区发现算法（Local Neighbor-hood Connectivitybased overlapping community detection Algorithm,LNCA）。首先计算每个节点的局部邻域连通熵和邻域中心性cc,选择中心性高的节点作为种子节点;然后采用带重启的随机游走策略扩展种子节点并得到初始社区;最后合并重叠度较大的社区得到最终社区发现结果。在6个带真实社区标签的网络和9个无真实社区标签的网络上,与SLP A、DEMON、CPM、Node_Perception、Ego_Networks、Egonet_Splitter等6个经典重叠社区发现算法进行比较,结果表明,在带标签网络上,LNCA算法在重叠NMI和F1分数上优于多数对比算法,可得到与网络真实社区更匹配的社区结...     

一种可变分辨率的社团发现算法

介绍了复杂网络及社团结构的相关概念,给出节点的综合特征值和增益函数的定义,然后提出一种新的社团发现算法(CNCD).综合特征值与节点的度数及其聚类系数有关,用于发现社团中的核心节点;增益函数决定何时获得社团结构的最佳划分.作者用C++语言实现算法,并使用经典数据集对算法进行验证,实验结果表明此算法不仅能够得到正确的社团结构,而且通过动态调整算法中的参数值,能够得到比传统算法更加详细的社团划分结果,获得网络的细节信息.     

时序超网络上重要节点挖掘方法研究

在如何识别时序超网络上的重要节点方面取得了一定的进展。定义了该类网络上度量节点重要性程度的8个中心性方法及随机移除节点的基线方法，分别侧重于网络不同的拓扑结构性质和时间特征，从多个角度综合考虑了该类网络上节点的重要性。同时，构建了时序超网络上的SI传播模型，基于该模型提出了新的评估方法来衡量所提出的中心性方法的有效性。研究表明，在时序超网络上，基于最快到达路径的介数中心性方法是评价该类网络上节点重要性的良好指标。此外，基于时间分辨率的度和超度中心性方法通过寻找网络的最佳时间分辨率，可以进一步优化普通的度和超度中心性方法，弥补了普通方法不能有效考虑网络时间信息的缺点，且在多个真实网络上表现出与介数中心性方法相当的性能。     

空铁综合运输网络结构特征实证分析

为探究中国空铁综合运输网络结构特性,以城市为节点,若城市间有航班或高铁则连边,以航班数量和高铁数量为权重,分别建立了3个加权网络：高铁子网络、航空子网络和空铁综合运输网络。首先,通过均值关联、三角中介中心度、加权谐波中心度指标对比研究了不同网络的关键节点;其次,通过聚类系数和平均最短路径长度研究了三个网络的小世界特性;再次,通过Newman算法研究了三个网络的社团结构;最后,通过加权网络效率为指标,研究了三个网络的鲁棒性。研究结果表明,北上广深是三个网络的三种不同加权中心度的排名都很靠前,是共有的最为关键的节点。三个网络都具有小世界特性,但只有高铁子网络的模块度值大于0.3,存在明显的社团结构,并被划分为了10个社团。空铁综合运输网络具有更好的加权网络效率,约为0.32,为三个网络中最高,节点失效时的加权效率变化最小,鲁棒性最强。可见空铁综合运输网络集成了高铁网络、航空网络的互补优势,网络结构特征优于单一运输网络。     

一种基于异域自适应的新型社团发现算法

社团发现已被广泛应用于社会学、生物学、物理学和计算机科学等诸多领域.通过发现复杂网络中的社团结构,可以帮助人们理解和分析复杂网络的功能,发现复杂网络中隐藏的规律并预测复杂网络的行为.目前,已有的社团发现算法主张融合网络结构信息和内容信息,以更好地避免网络噪声和节点缺失等原因对算法有效性产生影响.然而,它们并没有考虑当网络结构信息和内容信息维度不同时如何进行信息融合.针对该问题,提出一种基于异域自适应理论的网络社团发现算法CDHDA.该算法能够将不同维度的网络结构信息和内容信息映射到同一维度的子空间中,以实现对不同维度的信息融合.此外,在信息融合过程中可以对主要信息特征进行加强,以降低网络噪声和节点缺失对算法性能的影响.通过真实的社交网络数据集与经典的社团发现算法进行对比,验证了该算法的有效性.