基于多重特征向量的有向网络社团结构划分算法

有向网络社团结构的识别对于理解复杂系统的结构特性和动力学特性都有着重要的意义。提出了一种基于拉普拉斯矩阵多重特征向量的有向网络社团结构划分算法,该算法利用有向网络拉普拉斯矩阵的前c个较小特征值所对应的特征向量来划分有向网络的社团结构。在人工数据和实证数据上与模块度的谱优化算法和模拟退火算法做了对比实验。实验结果表明,当社团结构明显时,该算法的归一化互信息指标的值接近于1。当社团结构不明显时,该算法所取得的效果也优于谱优化和模拟退火算法。与这两种算法相比,在实证网络上模块度Q值也可以提高17.28%和19.21%。该文工作对于理解有向网络上拉普拉斯矩阵的多重特征向量与网络的社团结构的关系具有十分重要的意义。     

基于模体的模块度优化高阶社区检测算法

为提升现有高阶社区检测算法的性能，提出一种基于模体的模块度优化高阶社区检测算法。通过量化网络模体数量为节点间权重，将高阶基于模体的社区检测转化为低阶基于边的加权网络社区检测，并构造为加权模块度优化问题求解。为保证加权模块度优化性能以获得逼近全局最优的高阶社区划分，一方面优化策略采用典型的生物启发式算法；另一方面综合利用网络低阶和高阶拓扑结构信息，通过节点邻域社区修正操作和局部搜索操作，进一步提升社区划分质量并防止算法陷入局部最优。在人工合成和真实世界网络上的实验表明，利用模体高阶结构信息有助于提升复杂网络社区的检测性能，尤其是在社区结构较为模糊的情况下。该算法能够有效实现基于模体的高阶社区检测，与现有基于模体的典型方法相比在精确性和质量性上表现出一定优势，有助于加深对网络高阶结构及功能特性的理解。     

进化谱分算法检测动态网络社团结构

为有效地检测动态复杂网络中的社团结构,在进化时间平滑框架下对模块函数及模块密度函数进行了优化．通过两种函数的优化进程,论证了模块函数及模块密度函数可在进化框架下作为进化谱分聚类方法检测动态网络中社团结构的理论基础,在此理论基础上提出了检测动态网络社团结构的进化谱分算法．在计算机合成的动态网络及真实世界动态网络中,检验了该算法的合理性及准确性并与其他方法进行了比较．实验结果显示,这种新的算法仍有很高的准确性．     

网络自然密度社团结构模块度函数

针对常用的NG模块度存在分辨率限制,不能识别小于一定规模的社团的问题,提出了网络自然密度的定义,用以衡量网络的连接紧密程度,在此基础上构造了密度模块度函数来评估社团结构的划分;进一步分3种情况证明了密度模块度函数,克服了NG模块度函数的分辨率限制问题;最后通过人工网络和经典现实网络验证了密度模块度函数的有效性。     

模块密度谱分的网络社团发现方法

为有效地检测复杂网络中的社团结构,对评估与发现社团的模块密度函数(即D值)进行了优化．通过模块密度函数的优化进程,论证了模块密度函数被优化框定到广阔的谱分聚类方法中的矩阵松散最大化,并且提出了一种新的谱分算法．该算法允许自动选择最优的社团结构数目．在经典的计算机产生的随机网络及真实世界网络中检验了该算法．特别地,当网络中社团结构变得模糊时,实验结果显示这种新的算法在发现复杂网络社团上比基于模块密度的直接核方法及基于模块函数(Q)的谱分方法更加有效．     

基于模块度相似性的二分网络链路预测算法

基于社团结构,提出模块度相似性的二分网络链路预测算法,克服了二分网络在链路预测中丢失社团结构信息的局限性。首先,通过定义二分模块度,利用奇异值分解,将网络中的节点嵌入到欧式空间中的向量。其次,提出二分网络模块度相似性的框架,利用向量余弦相似度定义二分网络节点对之间的模块度相似性指标(MS指标)。最后,基于小提琴图和评价指标AUC,在3个真实网络上进行模拟仿真,与9种链路预测相似性指标进行对比,证明MS指标用于二分网络链路预测具有较高的精度。     

影响社团特性的微观结构因素解耦分析

现有的网络微观结构对社团特性影响的定性和定量分析,方法上还没有通用可靠的框架,实验数据集一般较小,说服力不强,此外也没有充分拆解各因素之间的耦合性。在定性分析上,采用基于零模型和“显著性检验”的微观结构对社团特性影响的分析方法,对各种类型网络进行了社团结构显著性检测,实现了微观结构对社团特性影响的质性分析。在定量分析上,提出基于零模型和“中介效应分析”的微观结构对社团特性影响的分析方法,将已知社团结构显著性类型网络的原始网络与零模型或零模型与零模型间模块度值作差,剔除微观结构对社团特性的作用,量化出不同社团结构显著性类型网络的不同阶数网络微观结构对社团特性的贡献程度。该文使用社交生物、科技、交通、经济、信息等不同规模的550个实证网络进行实验分析,全面深入分析了微观结构对社团特性产生的作用,有利于理解社团特性的形成机制。     

基于贝叶斯网络的多目标优化算法

针对多目标进化算法中存在的无效进化和计算浪费,本文探讨了基于贝叶斯网络的多目标进化算法,并提出一个新的贝叶斯多目标优化算法。该算法结合个体的强度值和密度值完成非劣择优,利用具有局部结构BD度量机制进行网络度量,采用树形模型构建网络结构。实验结果表明了该算法的有效性。     

基于模体的汽车行业站点网络复杂性测度

为了研究大规模网络结构复杂性测度方法,并针对汽车行业站点网络布局与结构功能优化提出对策,基于万维网页面链接数据,构建汽车行业站点网络拓扑结构图.借助VOSviewer聚类算法及Gephi检测并划分网络社团结构,解析基于主题搜索的汽车行业站点内容分类体系及功能结构,并利用Pajek验证各内容社团结构的小世界性,基于Rand-ESU算法检测各社团的模体结构,提出基于模体的网络结构熵算法测度各社团的复杂性.最后,得出汽车行业站点网络社区中模体结构具有同构性,导致社区结构的信息传播功能具有相似性,模体规模与模体信息传播途径多样化对网络结构复杂性影响的显著性较高.     

复杂网络中的社团结构算法综述

社团结构是复杂网络的一个极其重要的特性,网络社团结构挖掘在生物学、计算机科学和社会学等多个领域都具有很重要的意义。近年来,针对不同类型的大规模复杂网络,人们提出了很多寻找社团结构的算法。该文综述了该领域最新的比较有代表性的一些算法,重点分析了基于模块度指标的改进算法,能够体现社团层次性和重叠性的新算法,衡量社团划分算法好坏的基准图。最后展望了该领域的未来研究方向。     

利用局部拓扑信息发现模糊社团结构

根据网络节点的局部拓扑信息,给出了节点与社团的相似度度量方法,提出了一种新的发现网络模糊社团结构的粒子群算法。该算法在迭代过程中依据节点对不同社团的相似度来不断调整粒子的位置向量,减少了搜索的盲目性,提高了搜索效率。对不同规模的计算机生成网络和真实网络进行测试,实验结果表明,该方法能有效、快速的给出网络的模糊社团结构。     

基于零模型的社区检测基准网络构造及应用

社区检测对于探索挖掘复杂网络的结构特性具有重要意义,社区检测算法性能对于检测结果具有重要影响。目前用于衡量社区检测算法性能的基准测试网络较为单一,主要包括人工合成网络和真实世界网络。由于真实世界网络中通常缺乏已知社区结构信息,人工合成网络成为衡量算法性能的主要途径,但普遍存在网络微观特性不可调且与真实世界网络差异较大、对检测算法区分度不高、无法更改局部网络结构等问题。为提升人工合成网络性能,该文提出基于零模型的基准测试网络构造方法,首先设计了能够保持中尺度特性的零模型,提升网络微观特性调整灵活度,使其更逼近真实世界网络结构特性;其次设计了能够调整社区结构强弱的零模型,提升网络社区检测的评价准确性;最后设计了能够调整局部拓扑结构的零模型,有效衡量局部社区结构特性变化对于整体网络结构及检测算法性能的重要性。实验结果表明,基于零模型的构造方法能够有效提升基准测试网络的多样性和灵活性,更加逼近真实世界网络特性,因此更能满足对于社区检测算法性能的评价需求,对于提升复杂网络社区检测性能具有重要意义。     

重叠社区结构的挖掘算法

针对大多数社区挖掘算法致力于寻找独立不相重叠的社区结构,而实际的网络中,社区结构往往是重叠的问题。基于凝聚方法和贪婪算法原理,提出了一种新的算法来挖掘社会网络中彼此重叠的社区结构。在模拟数据集和标准测试数据集上的实验结果表明了算法的可行性和有效性。     

基于种子节点集的社区层次结构发现算法

针对多分辨率方法无法直接给定社区层次结构的问题,提出一种基于种子节点集的社区层次结构发现算法。该算法通过选取种子节点,并根据余弦相似度的大小添加其最近邻节点共同构成种子节点集;再由种子节点集出发,基于分辨率公式进行社区层次结构探测,根据节点加入社区的度值比来判断是否到达层次边界;最后在已发现完毕的社区外选取新的种子节点集,并由此出发直到全网络的社区层次结构发现完毕。将该算法分别应用于人工网络和真实社会网络,实验表明,相较于其它算法,该算法能够更好地发现网络中全部的社区层次结构。