面向大规模网络的快速重叠社团挖掘算法

重叠社团在社交网络大数据中普遍存在.针对现有重叠社团挖掘算法易将重叠区域错误地划分为独立的社团且计算复杂的问题,提出了一种基于局部信息度量的快速重叠社团挖掘算法（Local information based Fast Overlapped Communities Detection,Li-FOCD）.首先,为节点定义局部信息度量指标——社团连接度和邻居连接度,建模节点与社团的关系,缩小了计算范围;然后,每次并行地迭代执行缩减、扩展、去重等操作,并更新局部度量指标,通过松弛每次迭代的终止条件,发现近似最优社团集合而不是最优社团,最终算法复杂度为O（m+n）.基于真实的大规模社交网络数据的试验分析表明：与当前流行的重叠社团挖掘算法相比,Li-FOCD在不损失检测质量的前提下,大幅提升了计算效率.     

基于FCM的复杂网络重叠社团结构发现算法

复杂网络中的社团结构发现是对网络数据集进行数据挖掘的普遍性问题.针对网络中大量存在的重叠社团现象,提出了基于FCM的发现重叠社团结构算法,并进一步在NG模块度的基础上,给出了评价重叠社团结构的模块度函数.算法首先将网络的节点映射成欧氏空间的节点,再以此做模糊聚类得到各重叠社团结构,根据模块度函数选择最佳重叠社团结构.最后,在经典网络上的实验结果表明,算法能够得到满意度高的重叠社团结构,而且时间复杂度较低.     

基于稠密子团和边聚类系数的局部社团挖掘算法

发掘复杂网络的社团结构,有助于深入理解网络结构属性及其功能重要性。本文通过定义稠密子团,结合边聚类系数和局部模块度,提出一种DIDE社团挖掘算法。该算法通过选取稠密子团作为初始聚类团,利用边聚类系数扩张该稠密子团,最大化局部模块度值来生成社团结构。在计算机生成网络、三社团网络、Zachary网络和美国足球俱乐部网络上进行社团划分,验证该算法的可行性和有效性。     

基于结点相似性的层次化社团发现算法

复杂网络中往往存在着社团结构,通过发现网络中的社团结构,可以以社团为单位研究网络的特性和隐藏的规律,从而降低了研究大型复杂网络的难度。文中提出了一种基于结点相似性的层次化社团发现算法,设计了方法选取最佳的边权重阈值,首先得到局部核心树结构,并经过两次扩散步骤,得到网络的社团划分结果。仿真实验表明,提出的算法在较低的时间复杂度下能够取得较高的社团发现准确度。     

基于传染病模型的LPA特征阀值社团划分方法

社团结构划分对于分析复杂网络的统计特性非常重要.在非均匀社交网络的信息传播中,社团结构划分更是一个广泛关注的研究热点,相关研究往往侧重于研究紧密连接的社团结构对于信息传播所产生的关键影响.传统社团划分方法大多基于点和边的相关特性进行构建,如标签传播算法LPA（Label Propagation Algorithm）通过半监督机器学习方法,基于网络节点标签的智能交换和社团融合过程进行社团划分,但运行效率较低.为提高LPA类算法的运行速度,使其快速收敛,并提高社团划分精度,特别是重叠社团划分精度,针对LPA算法划分中的低运行效率和低融合收敛速度,本文从标签传播的网络连接矩阵本质出发,将该矩阵的最大非零特征值与网络标签信息传播的阀值相结合,提出了新的基于传染病传播模型的社团划分方法（简称ESLPA算法,Epidemic Spreading LPA）.通过经典LFR Benchmark模拟测试网络、随机网络以及真实社交网络数据上的算法验证,结果表明该算法时间复杂度大幅优于经典LPA算法,在重叠社团划分上精确度优于基于LPA模型的经典COPRA算法,特别是在重叠社团较明显时,划分精度接近精度较高GA、N-cut和A-cut算法,明显优于GN、FastGN和CPM等经典算法.     

复杂网络社团结构划分方法及其应用

许多实际的复杂网络都具有明显的社团结构,整个网络的功能实现是网络中各社团相互联系作用的结果。文章分别使用Girvan-Newman算法和Newman快速算法对实际的复杂网络进行社团划分。仿真结果显示,使用两种算法对网络进行社团划分时,都能得到清晰的社团结构,使用GN算法得到的社团数目小于使用NF算法得到的社团数目。NF算法的运行速度明显比GN算法的模块度要快。     

基于局部近邻传播及用户特征的社区识别算法

提出一种将局部近邻传播和考虑用户特征的相似性测度相结合实现社交网络中的社区识别的算法。一方面,通过放松代表点约束条件及限制消息传播范围为节点的局部近邻,算法在降低时间和空间复杂度的同时保持较小的识别精度损失,从而能够适应社交网络挖掘需要;另一方面,通过将节点的拓扑相似度和特征相似度相结合来描述节点的综合相似度,使算法能够适应社交网络采样数据中用户关联信息不完整的情况。通过在人工数据集和真实数据集上的对比实验表明,所提方法不仅具有近似线性的时间复杂度及线性的空间复杂度,而且在网络中的节点关联边信息不完整时仍保持较好的识别精度。     

基于混合的K核影响力的标签传播算法

社会网络中近年来的一个研究热点就是社团发现,在众多的社团发现算法中,将标签传播算法应用到社团发现中是非常快速的一种算法,得益于其接近线性的时间复杂度,该算法能够处理大规模的社会网络。KLPA是一种基于k值影响力的改进标签传播算法,结合K值及局部影响力改进迭代及标签选择过程。实验证明,使用改进算法能够得到更好的社区划分结果。     

面向大规模应用层拓扑的社团发现技术

社团发现是复杂网络研究领域里一个极具挑战性的方向。特别地,对于现实世界中许多规模巨大的应用层拓扑,一些社团发现算法因为计算复杂度过高而不适用。另一些社团发现算法的实际性能还有待评估。为此,提出了可用于衡量社团发现算法实际应用价值的三个指标:(1)可扩展性,衡量算法能处理的应用层拓扑的规模;(2)准确度,衡量社团划分结果好坏;(3)敏感度,衡量社团划分结果的一致程度。在7个大规模的现实世界应用层拓扑图上,对三个针对大规模网络的社团发现算法(CNM算法、Wakita算法和Louvain算法)进行了比较分析。实验结果表明,Louvain算法在可扩展性上最优且所得划分结果准确度最高,CNM算法在敏感度上表现最好。     

一个基于社区相似度分析的物流网络优化算法

随着物流网络的快速扩张,如何在异构系统中交换物品信息已经成为影响物流效率的重要因素,而社交网络与物流网络都具有异构的特征,因此将物流网的各个节点看作是社交网络的社区,利用多关系社交网络社区挖掘算法来寻找各个异构的物流网络中固有的社区结构,从而发现物流网中隐藏的规律并进行路径优化等网络行为是可行的。通过对4 000例物流数据的对比试验,得出基于相似度的社区挖掘算法在准确率、算法复杂度和效率上都优于K均值算法和回归算法。     

一种基于社团结构的CPS节点协同感知方法

为解决信息物理融合系统(Cyber-Physical System,CPS)中单个节点认知能力有限,感知的数据存在不确定性的问题,提出一种基于社团结构的CPS节点协同感知方法。首先运用复杂网络中的凝聚算法对CPS节点感知网络进行社团划分,确定每个社团内部的中心节点,然后运用观点动力学中的多数决定模型模拟社团内部节点感知状态的演化,实现社团内部节点感知状态的协同,最后进行社团之间的协同,使整个网络感知状态达到一致。该算法的时间复杂度低,收敛速度快,CPS节点感知网络能够形成对事件快速,可靠的判断。     

模块度优化启发式算法应用

模块度优化的启发式快速算法常常用来检测复杂网络中的社团结构.较之其余的社团检测方法,该算法在计算时间上更具优势,而且用模块度衡量发现检测社团的质量很高.运用模块度优化启发式算法划分空手道俱乐部网络、大学足球俱乐部网络和区域贸易网络等,并对其结构和功能做出一定的分析.特别地,针对贸易网络中自由贸易区往往表现为一个社团的特点,以221个国家或地区为研究对象,对贸易协定与地域之间的关系做了大量的实证研究.首先,从世贸组织网站上采集了区域贸易协定中国家之间贸易的数据;其次,通过模块度启发式算法进行社团划分,共得出7个主要的贸易区,其中欧盟自由贸易区的社团表现极为明显;最后,从社团结构的表现形式推断实际区域间的贸易情况.     

一种基于Jaccard相似度的社团发现方法

在复杂网络中自动发现社团具有重要的实际应用价值。本文提出一种基于Jaccard相似度的社团发现方法,首先使用结点的相似度寻找优先邻居结点,再从优先邻居结点中获得最佳邻居结点,最后将互为友好结点的两个结点合并,最终得到若干个结点的组成小社团,然后利用CNM算法凝聚小社团,完成社团发现聚类。实验表明本算法执行时间缩短,所发现社团模块度增加,是一个有效的社团发现算法。     

复杂网络中分析社团结构算法研究概述

社团结构在复杂网络中是一种普遍存在的特征。因而在复杂网络中分析和计算出大量大规模的社团结构就显得尤为重要,学者们也提出了很多算法。本文主要概述了近年来较有代表性的一些算法,如：Kernighan-Lin算法、谱平分法和社会学中典型分析方法凝聚方法和分裂方法,着重介绍了谱平分法中的一种算法复杂度相对较小的线性时间的物理方法Wu-Huberman算法,最后指出了进一步的研究方向。     

一种结合模拟退火和贪心策略的社团识别算法

为了提高复杂网络社团识别的精度和速度,文中结合模拟退火和贪心策略识别社团结构的优势,提出一种新的社团识别算法。该算法利用贪心策略引导模拟退火搜索最优解过程中单个结点的无规则盲目移动,消除了大量无效移动,在搜索到全局最优解的情况下,将搜索时间大幅缩减。实验表明,SAGA具有强大的搜索能力和较快的模拟退火执行速度,可获得较高的模块度,达到较为准确的社团分割,且具有一定的应用价值。     

基于MST的基因数据社团挖掘算法

使用机器学习方法来分析生物信息学中一些复杂的基因表达数据是目前重要的研究领域之一.使用社团挖掘的方法对基因表达数据进行分类,社团内由类似的基因数据组成,研究和分析每个社团的结构和功能以及社团之间的关系,这对深刻认识诸多生物过程的本质有重要意义.将最小生成树的概念引入生物信息学中基因表达数据的社团挖掘分析中,设计了最小生成树来表示基因表达数据和基于此的社团挖掘算法,针对该算法提出一些目标函数,来判别基因表达数据社团挖掘算法的性能.最后,通过实验验证了该算法对于一些目标函数能够产生最优的社团划分,并且社团挖掘算法的性能良好.     

机会网络中基于有权社团结构图的路由协议研究

基于社团检测的机会网络路由算法大多采用无权重网络拓扑划分社团,仅将节点间的关系抽象为一条简单的无权重的边,忽略了节点关系的强弱程度。本文通过引入权重策略改进了QCA社团更新算法,提出了一种基于有权社团结构的路由算法,该算法解决了社团关系定量化单一的问题,更能真实反映出社团成员之间的关系。算法中,节点间的交互信息转化为权重,根据不同的网络环境选择不同的权重转化方案———归一化权重（normalized weight）和非归一化权重（non-normalized weight）。路由算法在检测到周围网络环境变化时自动切换权重计算方案以适应网络环境的变化。通过在仿真环境和真实数据集上测试和分析,该算法能够将网络中的节点划分出合理的社团结构,并在保证较高的传输成功率的情况下降低网络开销。     

基于动态图的PPI网络构建和复合物挖掘算法研究

动态蛋白质网络的构建和复合物挖掘问题是目前研究的热点.针对现有的算法在解决前述问题上的不足,文中考虑了蛋白质的活性周期和连接强度,首先提出了一种基于动态图的蛋白质网络构建算法.然后基于密度聚类设计了一种在动态蛋白质网络上挖掘复合物的算法(PCMA).整个挖掘过程包含三个步骤:基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法的蛋白质复合物生成;基于合并增益的蛋白质复合物合并和基于归属度的复合物调整.在多个公开的生物数据集上进行了实验,实验结果表明,所提算法在查全率、查准率和F-measure方面的性能都要优于现有的算法,且对输入参数不敏感.在保证蛋白质复合物挖掘准确性的前提下,算法的时间复杂度处于一个合理的范围之内.     

广义分布式喷泉码的改进优化算法

广义分布式喷泉码是针对多信源单中继网络而提出的一种分布式喷泉编码方案,其采用两步优化算法,对中继和源的度分布分别采用线性和非线性规划进行优化求解。但该优化方法复杂度较高,且优化结果依赖于初始度分布的选取。针对该问题,本文对两步优化算法进行改进,提出了一种新的度分布优化算法。该算法基于非线性规划方程,对源的度分布只需进行一步优化,并避免了选取初值的问题,降低了度分布优化的复杂度。仿真表明,本文提出的改进优化算法能够提高优化的稳健性和可靠性,改善总体译码性能,降低系统的误码率。      

一种基于垂直数据格式频繁项集挖掘改进算法

文章提出了一种基于垂直格式的生成有序搜索列表的频繁项集挖掘算法FDSL。该算法可以通过构造一个有序搜索列表,利用深度优先查找策略,可以同时生成候选集以及候选集的支持度,从而在O(n)时间复杂度下,生成相应的频繁项集。实验结果表明,文章提出的算法在与传统的水平格式的Apriori算法以及垂直格式的Eclat算法在不同的支持度阈值上进行了充分的比较后发现,文章提出的算法在时间性能上具有较高的效率。