移动社交网络中基于用户动态需求的D2 D数据分流方法

针对因数据流量的爆炸式增长给蜂窝网络带来的流量负担和网络拥塞等问题,提出一种基于移动社交网络中用户动态需求的D2 D数据分流方法.考虑用户在一天中不同时段的兴趣和移动轨迹,构建用于描述用户流量需求的图结构.通过Newman快速算法将移动用户划分为不同的社团,同一社团中的用户具有相似的数据需求并且经常彼此联系.在此情况下...     

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.     

一种基于相似社团和节点角色划分的社交网络用户推荐方案

针对现有的社交网络用户推荐方案中主要考虑个体相似性问题以及节点角色无层次差别的问题,提出一种基于相似社团和节点角色划分的推荐方案。在传统的用户相似度计算基础上,从社团结构和属性两方面,综合考虑社团间联系的紧密程度和社团用户兴趣爱好相似程度,提出一种社团相似度的计算方法;其次,从用户节点所在的社团内部和外部2个维度度量节点间紧密度,并据此度量节点的社会影响力,进而将它们划分成不同角色,实现用户推荐的差异化。通过新浪微博真实社交数据对方案进行验证,实验结果表明,该方案适用于存在社团现象的社交网络层次化用户推荐,并具有良好的推荐效果。     

基于加权谱分析的用户网络社团协作推荐方法

推荐技术是解决信息过载的一种有效方法.为将纷杂的网络世界中人的行为和信息服务粘合在一起,提出了基于网络社团的协作推荐方法.利用加权谱分析提高特征向量的社团划分贡献度,充分考虑社团内用户的评价风格,将社团内用户的评价值依照用户评价偏好进行了均一化处理,最后按项目相似度对目标项目的评价进行预测.实验结果表明该方法具有较好的推荐性能.     

基于谱聚类的二分网络社团检测算法

针对二分网络社团检测算法存在精度不高和丢失原始网络信息等问题，设计了一种新的融合奇异值分解的谱聚类(SVD-MS)算法.该方法是将Barber的二分网络模块度最大化问题映射到奇异值向量分解上，并结合启发式算法快速求解向量划分问题.在3个真实世界的网络中对比SVD-MS算法与7种算法的模块度，结果表明，在保留原始网络信息的情况下，SVD-MS算法能更有效地划分二分网络的社团结构.     

具有小世界特性的复杂液压系统故障源搜索方法

针对复杂液压系统故障多样、成因复杂、隐蔽性强,故障源辨识困难,提出了一种基于小世界特性的先网络社团结构划分、后社团内的复杂液压系统故障源搜索的层次分析方法.构建了复杂液压系统的网络拓扑结构,以同时具有大的介数和度数的节点作为网络中故障传播社团的中心,来改进Wu-Huberman算法,从而实现了社团结构的划分.根据各社团连接边对应管路的液压参数变化,确定包含故障源的社团,进一步计算该社团故障传播的可达矩阵,定位了故障源节点.经过对轧钢加热炉液压系统起升故障的分析和故障源查找,证实了该方法可以根据系统网络的结构特征和间接故障表现,实现复杂液压系统故障源的识别.     

社交网络信息源快速定位方法

针对在线社交网络中普遍存在的信息传播部分路径,在现有的基于观察点的信息源定位方法的基础上,提出一种基于部分路径的信息源点快速定位方法.该方法分析了利用观察点记录的部分传播路径对候选传播源点进行筛选的4种情况.通过筛选候选源点,达到了减小计算量,提高源点定位效率的目的.在模型网络上对改进算法进行实验,验证了该方法的有效性.     

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.     

多关系社交网络中基于兴趣匹配的网络舆情传播模型

以网络爬虫方式获取新浪微博用户属性信息及微博内容数据,利用数据挖掘技术从中发现微博用户间的多种显式和隐式关系.在此基础上,提出一种基于半监督学习的用户兴趣匹配预测算法,参照仓室模型的传播个体状态划分方法,基于传播个体间的兴趣匹配度界定各状态之间的转移过程和转移概率,进而构建基于用户兴趣匹配的网络舆情传播模型.研究结果表明,该模型能够较好地描述社交网络中的舆情传播规律,重现网络舆情在社交网络中的真实传播过程链.     

一种社团信任驱动的云服务选择方法研究

针对云环境中满足用户个性偏好的高质可信服务的选择问题,提出一种社团信任驱动的服务选择模型(CTDSS).基于服务选择的二分网络,结合云服务消费者的服务选择相似度与服务评价差异度形成用户偏好相似度,给出了可信推荐社团的聚类算法.利用互信用户社团,预测用户对未知服务的信任评价,指导用户的云服务选择.仿真实验和公开数据实验表明:所提方法能够有效地识别云计算环境下基于服务偏好的用户社团,利用社团信任驱动的服务选择机制为用户的服务选择提供了准确的决策依据.     

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。     

一种利用多群组智慧的协同推荐算法

针对当前基于社会网络的推荐系统大多数采用一般的启发式方法,存在节点复杂路径选择和信任弱传递现象导致推荐精确度不高的问题,以及针对推荐系统固有的冷启动问题,提出了一种利用多群组智慧的协同推荐算法。该算法首先根据用户的社会属性和社会信任关系信息进行群组划分,将用户分为多个不同的群组;然后分析群组中用户的社会活动和社会关系等,建立一种利用多群组的评分预测模型,并利用群组评分预测新用户的评分。该算法通过对社会网络进行深层次的群组挖掘,利用多群组智慧可以有效提高推荐效果,利用群组评分可改善对冷启动用户的推荐。仿真实验表明,该算法相比传统的协同推荐算法在效果评分上提高了约0.2,相比其他社会化推荐算法进一步提高了约0.02,并有效解决了冷启动问题。     

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。     

基于出行偏好和路径长度的路径规划方法

针对基于最短路径的路径规划方法只关注路径长度,而基于轨迹的路径规划方法过度依赖用户偏好的问题,提出一种同时考虑用户出行偏好和路径长度的路径规划方法.首先,利用长短期记忆模型从历史出行轨迹中提取用户的出行偏好;其次,采用Markov链Monte Carlo采样技术将用户的出行偏好引入启发式搜索算法A*中,在道路网络中搜索...     

基于竞争性SIR模型的电力社会耦合网络谣言影响研究

为研究智能电网与在线社交网络耦合过程中,智能电网面对来自在线社交网络中谣言电价传播威胁问题,基于SIR模型分析谣言传播与控制的优势,构建了基于SIR模型的竞争性谣言与辟谣信息传播模型来表征在线社交网络中的谣言传播与控制过程来研究受谣言影响用户集合,接着以Louvain算法思想将在线社交网络用户社区化建模出电力网与在线社交网“部分一对多”耦合网络,针对所构建的模型设计了一种考虑不同用电群体的受影响用户负荷变化,对电力系统负荷变化的影响方法;进一步在IEEE30节点系统与Facebook在线社交网络构造的耦合网络中,得出不同的辟谣信息的开始传播时间、种子节点数量等因素在谣言传播情况下对电力系统负荷变化以及输电线路线路过载风险率的都具有显著影响.     

基于用户社团变化的大型网络异常群体行为检测

为准确刻画Internet上的用户群体行为,发现网络中潜在的协同攻击。首先从采集的流中提取用户的社会行为特征,构建用户交互网络(HIN)。然后,基于HIN的用户社会行为的相似性,定义用户社团,并定义5个指标对用户社团的变化进行定量描述,采用基线法设置每个指标的检测区间。期间,为了适应网络环境的动态性,引入了固定时间宽度的滑动窗口机制实现自适应网络异常群体行为检测。提出了一种通过对用户社团变化的监测实现网络异常群体行为检测的方法。通过在两个实际网络流数据集上进行试验验证了基于用户社团变化的方法可以检测大型网络的异常群体行为。     

复杂网络中基于反应式的危险抑制方法

复杂网络中的危险传播行为依赖于网络拓扑结构和节点的动态特性.网络拓扑结构与危险传播的动力学机制是分离的,因此需要结合节点的动态信息来分析网络中的危险传播机理.本文针对该问题提出一种复杂网络中基于反应式的危险抑制方法,该方法主要针对节点当前的感染模式,采取相应的免疫策略进行防护.通过仿真实验表明,本文提出的免疫策略可以更加有效地抑制复杂网络中的危险传播.     

一种基于层次化社团结构的复杂网络可视化平台

基于层次化的网络社团结构,提出了一种可以应用于大型复杂网络的可视化方法,并编程实现了交互平台.该平台采用圆环布局,能提供大量的交互功能,使用户从不同层次上查看网络结构信息.平台还实现了重叠节点的找寻,以及社团动态演化等与网络社团分析有密切关系的功能.     

融合隐性社交网络社团划分和协同过滤的推荐算法

协同过滤算法是个性化推荐系统中广泛使用的经典算法。针对传统协同过滤算法存在的相似度计算不准确、可扩展性差等问题,设计了一种融合隐性社交网络社团划分和协同过滤的推荐算法ICDCF。该方法将用户对项目的共同兴趣视为社交关系。首先用考虑了用户隐性关系的改进的Jaccard相似系数衡量用户间的社交关系强弱,以用户为顶点、以用户相似度为连边的权值,构建无向加权的隐性社交网络;然后基于隐性社交网络,用谱聚类思想对用户进行社团划分;最后在社团内实施基于用户的协同过滤推荐。该方法可以避免协同过滤推荐阶段因共同评分项目少而导致的相似度计算不准确问题,同时可以减少搜索近邻的计算量,提高时间效率。在数据集MovieLens-100K和FilmTrust上的实验结果体现了ICDCF算法在推荐准确性和可扩展性方面的优势。     

基于吸收度的三支决策社团划分算法

该文针对社团划分存在的重叠区域问题引入三支决策思想,提出了一种基于吸收度的社团划分算法(3WD-PPOC).3WD-PPOC首先根据网络结构的重要度矩阵进行社团的初始划分,再利用F吸收度来构建社团间的重叠区,即社团边界域,并得到各社团的正域,最后通过P吸收度来完成对在社团边界域中节点的再次划分和社团正域的更新.对比同类算法,3WD-PPOC具有较低的时间复杂度.实验结果进一步表明:3WD-PPOC能够有效地进行社团划分,相比其他社团划分算法,3WD-PPOC表现出更好的社团划分质量,划分后的各社团结构更紧密.该算法对社团重叠节点的划分具有较好的稳定性.