一种自动确定特征向量与类别数目的谱聚类算法

目前大多数应用于复杂网络社团划分的算法都不能自动确定类别数目.为了解决该问题,在计算出复杂网络的拉普拉斯矩阵特征值之后,利用特征值间隔提出一种自动确定特征向量与类别数目的谱聚类算法.该算法通过数据构造拉普拉斯矩阵,得到一系列特征值,再利用特征值差值确定聚类数目以及特征向量,然后利用K-means算法对特征向量进行处理最终得到社团划分结果.用MATLAB软件对常用网络进行测试,实验结果表明,该算法对复杂网络社团的划分具有较好的分类准确性.     

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.     

采用离散粒子群算法的复杂网络重叠社团检测

针对复杂网络重叠社团检测的问题,建立了衡量重叠社团划分优劣的评判函数,并基于该函数提出了一种采用混沌量子粒子群优化的复杂网络重叠社团检测算法。该算法采用量子编码,利用Logistic映射初始化粒子种群,并以粒子群速度改变方式更新转角的大小,以概率为1收敛。实验结果表明,所提算法具有较高的检测正确率,能更好地反映实际社团划分情况。     

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.     

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.     

复杂网络中的层次结构挖掘

挖掘复杂网络中的层次结构对复杂网络的研究有着重要的意义.复杂网络中的社团结构往往具有层次性.过去的研究中,研究者更多的关注于层次社团结构,而很少关注于社团内部成员的层次结构.因此,提出一种基于模糊相容关系的层次结构挖掘算法(fuzzy tolerance relation based hierarchical structure detection algorithm,FHSD),旨在挖掘层次社团结构以及社团内部成员层次结构.在该算法中,首先通过相似度函数计算节点之间的相似性从而获取一个满足模糊相容关系的相似度矩阵;其次,基于相似度矩阵获取对应的商空间链;然后,依据重叠节点对各社团的隶属度处理商空间链各层中的重叠节点,从而得到层次社团结构;最后,基于处理后的商空间链,获取对原始模糊相容的近似模糊等价关系,从而获取社团内部成员层次结构.在真实网络上的实验结果表明:(1)复杂网络中不仅存在层次社团结构,同时存在基于模糊相容关系的社团成员层次结构;(2)相比于当前主流的社团挖掘算法,FHSD挖掘出的社团结构具有最高的精准性(NMI accuracy)和较高的模块度值.     

基于模块度优化的加权复杂网络社团发现算法分析

社团结构是复杂网络的一种重要拓扑结构。针对加权复杂网络中的社团发现问题,在8个不同领域、不同规模的真实数据集上,从模块度、强/弱社团、聚集系数3个评估指标分析了基于模块度优化的GN算法、FN算法、CNM算法和BGLL算法在加权复杂网络社团发现的效果。研究结果表明,上述3个评估指标在加权复杂网络上的划分结果不能始终保持一致,基于优化模块度的算法更倾向于找到复杂网络中比较粗糙的社团结构,而不是精准的社团结构,其算法的泛化能力有待加强。     

基于节点向量和密度峰值的重叠社团检测方法

在真实世界网络中,数据量往往较大、维度较高,这使得数据难以处理,并且所包含的社团大多重叠,而大多数已经存在的算法针对的是非重叠社团,基于改进的密度峰值和标签传播的重叠社团检测算法(DPCL算法).采用低维向量表示网络中节点信息,根据节点的局部密度和相对距离选出中心节点.将只与一个中心节点直接相邻的节点分配到该中心节点所在的社团内,对剩余节点通过计算归属度进行分配,从而实现对重叠社团进行检测;在真实世界网络和LFR基准合成网络上与其他社团检测方法进行比较,实验结果表明能够有效的检测重叠社团.     

基于流形正则协同训练模型的行为识别方法

本文提出了基于流形正则协同训练模型的行为识别方法。该方法将拉普拉斯正则引入到协同训练模型中,利用大量未标记样本数据从不同视角数据上训练出两个分类器,两者之间互换未知信息并更新分类器,以提高识别精确度。在动作数据集UCF-iphone上进行了大量的实验验证算法的有效性,结果表明,引入拉普拉斯正则能有效地提高动作识别精确度。     

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.     

拉普拉斯矩阵在聚类中的应用

高维数据受冗余数据和噪声数据的影响,聚类效率和准确率低,基于拉普拉斯矩阵的特征值和特征向量的特点,介绍了一种适用于高维数据的新的聚类中心选择算法,算法将拉普拉斯矩阵用于候选聚类中心选择前的数据降维处理,经过对数据进行降维处理,提高了候选聚类中心的准确性,增大了聚类准确率,扩大了聚类数据的种类范围.在10个包含不同数量样本、维度、类别数的数据集上进行了聚类分析,实验结果表明了基于拉普拉斯降维的新聚类中心选择方法的有效性.     

基于复杂网络重叠社团发现的微博话题检测

社交媒体话题检测一直是个热点问题,由于社交数据杂乱异构,且具有时效性,语义模糊性等特点,话题检测也是个难点问题.研究利用复杂网络对社交文本数据进行建模,并结合一种基于极大团凝聚层次聚类的重叠社团发现方法实现了社交话题的检测.文本数据建模中,通过自定义突发系数量化话题词,即把话题词看作具有时域分布偏好的关键词,并通过自定义相关系数连接话题词,构建话题网络.为使自定义系数更适用于动态数据环境,实验结合真实数据进行了适应性测试优化系数.文章把采用EAGLE重叠社团发现方法在公开数据集上评测,根据Q函数值显示结果明显优于当前一些重叠社团发现策略,研究对采样的60万条青少年社交数据进行了话题分析并可视化了分析结果.     

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。     

基于标签传播的重叠社区发现算法

重叠社区发现是复杂网络研究的重要课题.提出一种基于标签传播的重叠社区发现算法.首先利用标签传播算法得到初始无重叠社区划分结果,之后通过设计新的重叠节点识别算法确定重叠节点,最后再根据重叠节点的识别结果对社区进行合并从而得到最终的重叠社区划分结果.该算法克服了已有算法重叠节点占比过大的弊端.为验证算法的有效性,在LFR人工数据集、3个标准公开测试集以及真实的大豆基因共表达网络上进行实验,并与已有算法进行对比.实验结果表明,该算法性能明显优于对比算法,极大地改善了重叠节点比重过大问题.     

基于自适应图调节和低秩矩阵分解的鲁棒聚类

聚类是数据挖掘和机器学习领域的重要研究内容,一般会先基于数据样本构建相似图,再基于相似图将样本划分到相应的类中。但是真实的数据经常被损坏,导致学习的相似图不准确,从而直接影响聚类结果。为解决这些问题,提出一种面向鲁棒聚类的自适应图调节和低秩矩阵分解的方法,该方法的核心思想是:将原始数据X分解为纯净数据D和噪声数据S,再基于纯净数据构造拉普拉斯矩阵并进行自适应图调节。随后,给出一个联合学习框架,将数据分离、自适应图正则、噪声消除和低秩矩阵分解集成到一个目标函数中。利用增广拉格朗日乘子法分别更新变量。最后,在理论上证明算法的收敛性并进行实验。实验结果表明所提出的方法与现有一些方法相比有一定优越性。     

一种基于熵的超网络重叠社团检测算法

研究了超网络的社团划分问题。超网络是实际应用中的超图,而超图则是一种广义上的图,它的一条超边可以连接任意多个顶点。提出了一个基于熵的超网络社团检测算法,该算法是对Cha等人的算法的推广,能够检测出重叠社团。将这两种算法应用到了中国大陆图论科研合作超网络中,对结果进行了分析和比较,认为提出的算法是有效的。     

交联网络中的可重叠社团结构分析算法的研究

社团结构是复杂网络呈现出的一个重要特征。现有的社团结构分析算法都是针对非交联结构的复杂网络,并且大多数是将网络划分为若干相互分离的社团,无法对彼此重叠、互相关联的社团结构进行分析。本文根据交联网络的结构特点,提出了交联网络中可重叠社团结构分析算法（IBCPM算法）。本文利用该算法对用户收藏文章的交联网络进行了社团结构分析,并对所获得的社团结构进行了统计分析。实验结果显示了该算法的有效性及效率,并且发现社团重叠量的累积分布与节点所属社团数的累积分布也具有幂律分布的特征。     

基于核空间优化支持向量机的合作频谱感知算法

在认知无线电网络中,由于噪声不确定性引起的聚类重叠,导致能量检测的性能明显降低.针对噪声不确定对频谱感知的影响,提出了一种基于核空间优化支持向量机的合作频谱感知算法.该算法融合了支持向量机和核空间优化相关理论,将感知用户收集的数据统计量组合成向量,使用Fisher准则对该向量集进行相关运算,得出使各类数据在高维空间中分...     

基于转移矩阵P的复杂网络聚类方法

提出了一种相对简单、有效的划分复杂网络社团结构的方法.该算法利用复杂网络的转移矩阵P和K均值聚类算法来划分社团结构,并且用F统计量判定最优的聚类结果,在探测社团结构明显的人工网时具有较高的准确度.     

基于矩阵分解的社会化推荐模型

该文提出一种经由定制关系网络改进的基于矩阵分解的社会化推荐模型来缓解数据稀疏性和冷启动问题,并进一步改善大数据集导致的可扩展性问题。在该模型中,关系网络的社交影响力被建模为矩阵分解模型的用户-物品(user-item)评分倾向,而同质性则被建模为动态正则项。为了获得更好的预测精度和可扩展性,设计了一个关系网络boosting-shrinking算法,在该算法中,基于用户在数据集中的数据密度,自适应地裁减每个用户的关系网络为其定制个性化的关系网络。在稀疏水平不同的不平衡数据集上的实验表明:相比其他的基于矩阵分解的社会化推荐模型,该模型可以显著提高稀疏数据集的预测精度,有效地缓解冷启动问题,并获得较好的可扩展性。