YouTube年——视频年代的荣耀

You Tube，两名二十几岁的年轻人，一个只有30人的小型网站，一家成立仅两年的互联网公司，却在2006年备受关注，香港某报更将该年命名为“You Tube年”，You Tube的名字一跃成为《连线》、《GQ》、当然，还有《财富》、《时代》纸页上的印刷体。仅只21个月的成长记录，     

大型在线社会网络拓扑结构实证研究

对在线社会网络Livejournal用户关系网做了实证研究,分析了其度分布,网络直径,有向群聚系数等网络拓扑属性,研究了节点的K-shell值分布以及K-shell和度的相关性。经实证分析发现,该网络是一个小世界网络,节点的K-shell值分布为双段幂率分布,同时发现节点的Kshell值和度值呈现出较强的正相关性。研究结果有助于加强对在线社会网络的结构认识,为有效利用在线社会网络提供了参考。     

无线自组织网络RGG模型聚类系数研究

在影响无线网络同步的因素中,网络拓扑结构逐渐引起人们的关注。通过研究RGG模型中网络聚类系数和网络次大特征值之间的关系,来探索聚类系数对网络收敛性能的影响程度,并希望从有边界效应和无边界效应两种情况入手对其进行研究。通过仿真实验发现在无边界情况下的聚类系数是一个常数,与其他因素无关,有边界情况下其值与环境参数相关。从理论上推导了无边界聚类系数的理论值,并给出了有边界情况下的推导思路。     

基于结构相似度的大规模社交网络聚类算法

针对社交网络的有向交互性和大规模特性,该文提出一种基于结构相似度的有向网络聚类算法(DirSCAN),以及相应的分布式并行算法(PDirSCAN)。考虑社交网络中节点间的有向交互性,将行为结构相似的节点聚集起来,并进行节点功能分析。针对社交网络规模巨大的特点,提出MapReduce框架下的分布式并行聚类算法,在确保聚类结果一致的前提下,提高处理性能。大量真实数据集上的实验结果表明,DirSCAN比无向网络聚类算法(SCAN)在F1上可提高2.34%的性能,并行算法PDirSCAN比DirSCAN运行速度提升1.67倍,能够有效处理大规模的有向网络聚类问题。     

P2P网络进化特性的研究

分析P2P网络的进化特性才能准确理解它的节点依附关联关系和信息内容的分布和扩散趋势,对P2P网络的监管工作有很大的帮助.本文从时间上的属性演化和偏好依附模型两个方面研究了P2P网络进化特性.首先,本文统计分析了平均路径长度、聚类系数、网络的最大度数和网络的平均度数的演化趋势,接着从新加点和新内部边两个角度探讨了该网络的偏好依附模型,并显示出P2P网络的进化和发展受到偏好依附性质的影响而呈现非均匀度分布的特性,从而形成一种无标度网络.     

基于图熵聚类的重叠社区发现算法

图聚类算法是数据挖掘和复杂网络研究中的一个关键环节。基于密度、层次划分的方法已经被广泛应用于流行病学、新陈代谢和科学引文写作中。尽管上述的聚类方法适用于复杂网络的社区发现,但精度受到限制,其中一个最大的挑战是重叠社区的生成。为填补这一缺口,提出了一种利用图熵搜索局部最优的聚类方法。与传统的基于密度的种子生长式方法不同,在每一次迭代中,引入图熵来衡量图结构的模块度,并为种子的选择提供了随机选择、基于节点的度和基于节点的聚类系数3种方案。经过自下而上迭代的聚类,引入准确率和召回率等评价指标评估聚类结果的精确度,证明了算法的有效性。     

银行交易网络的链路预测

基于银行交易具有动态变化、时效性和重复性的特点,文中通过对银行网络进行清洗和压缩,研究银行网络的基本拓扑统计性质和聚类结构,并得到交易网络满足复杂网络的小世界和无标度特性。针对已有的链路预测算法在动态网络预测中的不足,提出一种自适应的动态链路算法对银行客户交易进行预测。该方法在预测网络的基础上添加了节点重要性与节点连接强弱性两个特性,并将3种预测算法结合随机算法进行了对比分析。随后将这3种算法运用到具有动态交易特性的3类真实数据集中进行实验验证。实验结果显示,新算法的预测精度约为75%。将该算法与经典的预测算法进行比较发现,提出的算法在预测方面的性能提升了5%~10%。     

基于层次聚类的网络流识别算法研究

利用核函数定理提出了一种改进的网络流识别算法。首先运用对称不确定性的概念选择出最相关的流测度,然后利用核函数定理对选择的网络流测度进行高维映射,以测度的高维空间距离作为度量各个类差别的标准,提高了聚类结果的准确性。采用光滑因子、轮廓系数和不确定熵来控制聚类过程。实验表明,该算法的聚类结果更均匀,没有出现某个类占过大比重的情况且根据高维空间的类距离能够检测出网络流里的大部分流量。     

基于特征加权的SFO-K_means用电行为研究

在传统的K_means算法中,初始聚类中心大多采用任意选取或者凭借经验,使算法的准确性易受选取结果的影响.针对这些不足,提出了利用剑鱼算法全局寻优特性,来改进K_means初始聚类中心的选取.UCI数据对比显示,改进算法在平均迭代次数和准确率方面优于传统K_means算法.在用户用电行为分析上,利用提取的5个降维特征指标,对每半小时采样一次的高维日负荷曲线进行降维处理;引入Critic法来确定指标的权重系数,并利用皮尔逊相关系数与熵权,分别衡量指标之间的冲突性与指标内部的对比强度;采用特征加权的SFO-K_means算法进行聚类分析.算例结果表明,该法在聚类质量上有一定的优越性,聚类结果能反应出用户的用电行为习惯.     

一种基于神经网络的广义熵模糊聚类算法

以模糊聚类为基础,将广义熵引入到模糊聚类的目标函数中,提出一种基于模糊熵的模糊聚类的统一形式,即广义熵模糊聚类模型;利用增广拉格朗日求解方法,以及Hopfield神经网络和复突触神经网络解决了基于广义熵的目标函数的优化问题,提出了基于神经网络的广义熵模糊聚类算法,表明了使用神经网络求解的收敛性;同时,给出一种用于确定增广拉格朗日乘子的迭代方法.实验中选取人工生成数据集和UCI标准数据集对提出的算法进行了实验研究,并与常用的聚类算法进行了性能比较.