复杂网络的社团结构发现

社团结构是复杂网络的一个重要拓扑特征,社团结构发现是研究复杂网络的一个基础性问题,近十年来得到了广泛的关注。本文概要了非重叠社团发现的典型算法,较全面地归纳分析了重叠社团发现算法。并指出了社团发现研究尚存在的一些问题和进一步的研究方向。     

基于关系强度的复杂网络社团结构发现算法比较

实际复杂网络数据的合理预处理是社团结构分析的基础与前提,对划分结果有着显著的影响。本文通过定义节点间的关系强度,将社会调查得到的社交网络数据处理成社团结构算法中通用的邻接矩阵,提出了处理实际复杂网络数据使之适用于经典社团算法分析的一种方法。同时,本文进一步给出了关系强度强联系定义和关系强度弱联系定义,并比较了算法在这两种定义下展示出的不同性能。     

基于相似性模块度最大约束标记传播的网络社团发现算法

提出一种基于相似性模块度最大约束标记传播的快速网络社团发现算法(MLPA)。该方法采用结构相似度计算, 通过最大约束标记传播模型更新节点标记, 使社团的划分结果更加符合社团内部结构相对紧密、 社团之间结构相对稀疏的特点, 提高社团划分的精确度。结合标记传播5次循环迭代可以完成95%或者更多节点标记过程的实验结果, 判定标记更新过程趋于稳定, 从而在稳定时停止更新, 降低了运行时间。MLPA避免了传统的邻接矩阵计算方法, 适合大规模网络的社团发现。     

基于模糊均值的细菌群体趋药性复杂网络社团结构发现

复杂网络的社团发现问题是网络数据挖掘中的重要问题之一.利用基于模糊C均值的细菌群体趋药性算法最大化网络的模块度,算法中模糊C均值的初始值由群体细菌取药性算法获得.模糊C均值算法在此基础上发现复杂网络的社团结构.其创新点在于最佳模块度的寻找.实验结果表明:该算法具有对现实世界网络社团划分的可行性和有效性.     

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.     

基于聚类的复杂网络社团结构发现

我校计算机与信息技术学院教师李艳灵博士获批国家自然科学基金项目:基于聚类的复杂网络社团结构发现,项目编号:61202194.复杂网络是指具有复杂拓扑结构和复杂节点行为的网络系统,它是对现实世界中各种各样的大规模复杂系统的抽象.复杂网络中的社团发现旨在寻找复杂网络中真实存在的社团结构,发现网络中的社团结构对分析     

基于神经网络的社团结构提取算法研究

针对复杂网络社团结构提取问题提出了离散Hopfield神经网络(DHNN)算法,并对这种算法的稳定性做了理论和实践上的分析。证明了从任意的初值出发,经过若干次迭代后最终收敛到1个吸引子或1个长度为2的极限环;给出了DHNN的能量函数与模块度函数之间的关系,证明了网络的稳定点对应于一个极大的模块度函数Q值。     

基于相似性模块度最大约束标记传播的网络社团发现算法

提出一种基于相似性模块度最大约束标记传播的快速网络社团发现算法(MLPA)。该方法采用结构相似度计算,通过最大约束标记传播模型更新节点标记,使社团的划分结果更加符合社团内部结构相对紧密、社团之间结构相对稀疏的特点,提高社团划分的精确度。结合标记传播5次循环迭代可以完成95%或者更多节点标记过程的实验结果,判定标记更新过程趋于稳定,从而在稳定时停止更新,降低了运行时间。MLPA避免了传统的邻接矩阵计算方法,适合大规模网络的社团发现。     

基于量子模糊聚类算法的复杂网络社团结构探测

研究了复杂网络的社团结构特性,探讨了复杂网络的社团结构探测算法.针对现有算法中判断社团结构时的主观性问题,提出了量子模糊聚类算法,并将该算法用于复杂网络社团结构的探测.实验结果表明:该算法可以准确、有效地探测到网络中实际存在的社团结构.     

科研领域关联网络的社团结构分析

利用复杂网络对我国自然科学基础研究领域关联网络的社团结构进行研究.科研项目管理部门为申请者提供了代表各个研究领域的申报代码体系,每个立项建议书中填报了一个或两个研究领域代码.通过这些立项建议书构建了研究领域关联加权网络(WNRA),提出了一种应用于加权网络的社团结构发现算法,并使用公共实验数据验证了算法的有效性.应用本文提出的算法.对多个年度的领域关联网络的社团结构进行了分析,参照管理部门给出的申报代码体系,发现各年度的社团结构的变化状况.有助于了解我国各个学科领域的发展状况,并对管理部门调整申报代码提供支持.     

基于二分网络社团划分的推荐算法

传统的基于用户的协同过滤(User-based CF)推荐算法的推荐效率随着数据的不断增加而降低.本文在User-based CF算法中引入二分网络社团发现理论,提出一种基于二分网络社团划分的推荐算法(RACD).首先通过用户与项目之间的关系建立用户-项目二分网络,然后通过RACD对该网络进行社团划分,得到用户的社团信息,最后通过同一社团中的其他用户对目标用户进行项目的推荐.在经典网络数据集上的实验结果表明,RACD能够有效提高推荐系统实时推荐效率.     

基于科研论文合著网络的社区发现算法研究

为了更好地为广大学者阅读文献提供个性化的推荐服务,针对中国知网学术论文发现科研社区,提出了一种科研社区发现算法:首先利用Pajek构建出科研论文合著网络,并将网络公共数据集Dining-table partners和Sampson作为测试数据集,对科研社区发现算法和社区发现经典算法GN算法进行性能对比分析,验证科研社区发现算法的性能更优;最后利用算法发现科研社区结构,实验结果表明社区划分的效果较好。     

面向大规模在线社交网络的社团抽取算法

针对现有的社团分析算法无法在大规模网络上应用的问题,提出一种社团抽取算法,可以高效地分析网络的社团特征.该方法无需事先获取网络的全部拓扑结构,采用网络搜索与社团判定相结合的思路,可有效地抽取结构未知的社交网络上的某个特定社团,从而使分析超大规模网络社团结构成为可能.在仿真数据集上进行实验,分析抽取准确率的影响因素,得出网络平均度越大抽取准确率越高.进一步实验结果表明,社团抽取算法的准确率与现有方法接近,并且执行效率明显高于现有方法,验证了该算法的可行性和有效性.     

基于先验知识与模块性的网络社区结构探测算法

在分析模块性指标和Newman有关网络社区结构探测算法的基础上，提出了一种基于先验知识与模块性的社区结构探测算法．利用节点度等社会网络结构先验知识，获得一个社区结构的基本划分，然后进行社区的合并，以此获得一个清晰的社区结构．经计算机模拟网络、Ucinet软件网络和中国农民工社会网络的社区结构探测，结果表明所提算法比Newman的迭代次数减少近50％，并且可以获得更好的模块性指标．     

基于虚拟力牵引的社团划分算法

文中基于虚拟引力的思想,提出了一种新的社团划分算法.其基本思想是将相连节点之间看作是引力,不相连节点看作是斥力,让节点之间进行相互作用,直到节点以社团的形式聚集起来,从而达到划分社团的目的.通过在计算机生成网络和已知社团结构的现实网络中对本算法进行仿真,发现算法具有较高可靠性和接近线性的时间复杂度.     

基于多属性融合策略的复杂网络社团划分算法

为解决目前社团划分算法依赖于单一度量方法,划分结果不够准确,无法适应不同类型的网络划分需求的问题,通过一种多属性融合策略方法研究社团划分。该算法首先基于节点连接,综合度量了多个影响社团划分的属性,并引入模块度概念确定各属性融合的权重,为划分增加了客观的参考信息,从而提高划分准确率;其次,针对传统划分方法迭代次数过多、效率低的问题,利用人工免疫网络内在的全局并行搜索能力实现对社团核心节点的快速寻优,并提出动态算子、免疫检测因子和反向学习机制对人工免疫网络的收敛速度和局部最优问题加以改进,从而提高寻优效率,缩短算法执行时间。最后,在三个经典真实数据集(Zachary、Dolphin、College Football)上进行实验,并将结果与经典算法对比。结果表明,该算法能适应不同的网络,且在较短的执行时间里实现更加精确的划分。可见,相比传统算法,本文算法具有更高的划分效率。     

基于相似度投票的社区划分改进算法

为快速、 准确地对日益复杂的大规模社会网络进行社区划分, 提出一种基于相似度投票的改进算法替代Louvain算法的底层划分, 解决了Louvain算法在底层划分收敛速度较慢, 并出现大量重复计算的缺点, 使社区划分更迅速. 由真实社会网络数据实验结果可见, 与Louvain算法相比, 改进算法在保持模块度基本不变的情况下, 效率显著提高, 划分的社区数更少、 社区结构更紧凑.     

非随机的标签传播社区划分算法

针对传统社区传播算法存在局部震荡、划分结果不稳定、划分结果分辨率高等弱点,提出了非随机的标签传播社区划分算法,通过去除传统算法的随机性进而克服其弱点.该算法主要进行了3个方面的改进:按特定顺序更新节点的标签;计算标签数量时,不仅统计邻居节点,而且统计待更新节点本身;通过贡献函数避免多个最大值时的随机选择.实验证明,该算法不仅保证了算法的划分正确性,而且大幅度减少了计算过程中的随机选择动作.