基于环路紧密度的复杂网络社区挖掘方法

提出了一种基于环路紧密度的复杂网络社区挖掘算法(LTA):首先提出一种快速发现网络环路和计算其紧密值的算法,然后根据环路紧密值将网络聚类,再次揭示网络环路与社区结构的联系。并使用人工合成网络和真实网络数据集对LTA进行了验证,实验结果证明了LTA对复杂网络社区挖掘问题的有效性和高效性。     

基于概率主题模型的社交网络层次化社区发现算法

针对传统的社区发现算法大多基于网络拓扑结构寻找独立的社区结构,忽略了用户兴趣属性,并且不能有效地发现社区间的相关性和层次关系等问题。该文提出一种新型的基于PAM(pachinko allocation model)概率主题模型的层次化网络社区发现算法,综合考虑了用户的兴趣和用户的社交网络关系,在同一模型平台上实现层次化的社区结构发现和用户兴趣挖掘,并捕捉和揭示社区之间的关联性和重叠性等特征。模型采用Gibbs采样方法进行参数推导。在真实数据集上的实验结果验证了所提出算法的可行性和有效性。     

基于节点尺度特征的重叠社区检测算法

针对社会网络中重叠社区检测问题,在节点尺度特征下量化社区结构,用这些特性更易界定社区划分。利用合理假设来量化节点尺度的期望值,基于节点描述符集和谱算法建立算法模型,从而提出一种重叠社区检测算法。该方法允许节点同时属于多个社区,在社区重叠时同样可行。通过计算验证,算法对于整体边缘密度都有效。在2类网络中实验的结果表明,该算法在重叠社区检测中性能稳定、准确性高,能适用于目标特定的社区概念。     

基于传播影响力的重叠社区划分算法

在研究经典标签传播算法的基础上,提出了一种基于传播影响力的重叠社区划分算法COPRA-PI,可用于挖掘加权网络中的社区结构。该算法在COPRA算法的基础上从节点影响力、边影响力、历史标签影响力3个方面综合考虑传播影响力;同时针对COPRA算法中每个节点在每次迭代过程中均具有相同的最大标签数,且该最大标签数目需手动设置等不足,该算法中设计了一个自适应的最大标签数。实验结果表明,COPRA-PI算法在经典的数据集上对比现有经典算法更能挖掘出高质量的社区结构且收敛速度较快。     

一种基于非对称三角形割的重叠社区发现算法

发现由相似功能的个体所形成的社区结构是复杂网络分析的重要任务之一. 提出一种基于非对称三角形割的重叠社区发现算法,首先根据社区内三角形连接情况对社区质量进行评价,并根据节点与社区的三角形连接定义了节点对社区的归属度和连接强度. 考虑到网络不同部分连接密度的差异,在将节点从社区中移除或加入社区的过程中,为每个节点分别设置了不同的移除阈值和扩展阈值,以提高社区发现质量. 将每个节点与其邻居节点组成初始社区,将归属度低于移除阈值的边缘节点从社区中移除,将连接强度高于扩展阈值的外围节点加入社区,社区节点移除和扩展阶段迭代进行直至社区结构趋于稳定,最后去掉重叠率过高的社区得到最终结果. 在7个带社区标签的网络上将所提算法与其他7个经典重叠社区检测算法进行比较,通过重叠标准互信息和F₁指标进行评价,结果表明所提算法可以较好地发现不同规模网络中的社区结构.     

基于差分演化的复杂网络社区挖掘算法研究

社区结构的挖掘问题已经成为复杂网络中重要的研究方向,其挖掘算法是关键的核心问题.为了提高对社区结构进行挖掘的准确度,提出一种基于差分演化思想的复杂网络社区挖掘算法(Differential Evolution Community Detection Algorithm,DECD).DECD算法设计了一种新的编码方式,以模块密度函数作为优化目标,通过差分演化算法对复杂网络实施有效划分.实验结果表明,新的编码方式提高了编码速度并解决了社区重复编码问题,同时DECD算法能够提高复杂网络中的社区结构挖掘的准确度.     

动态社会网络中的社区挖掘算法研究

为解决社区挖掘问题,针对社会网络的动态特性,给出了新的社区定义,并结合连通性和频繁性概念提出一种糯的算法DCSMA（Dynamic Community Stmcture Mining Algorithm）。挖掘时刻连通的个体集合作为社区,采用层状结构模型,根据乖要性权重区分社区内个体,使社区结构更加清晰。在标准测试数据集上的实验结果表明了该算法的可行性棚仃效性。     

基于结构相似度的多尺度局部社区发现算法

社会网络规模巨大且结构动态变化给传统社区发现算法带来了巨大挑战,局部社区算法通过种子节点进行扩展得到局部社区,较好解决了这些问题。结合节点结构相似度在传统社区定义的基础上提出了一种新的社区定义,在该定义基础上引入尺度因子并定义了结构模块度,基于该模块度提出了一种多尺度局部社区发现算法,并改进该算法使之应用到局部重叠社区发现。通过实验选择效果较好的节点结构相似度,在真实网络中和其他局部社区发现算法进行对比实验,结果表明该算法具有较好的性能。     

一种基于完全子图与标签传播的重叠社区检测算法

提出了一种基于完全子图和标签传播的重叠社区检测ＣＬＰＯＡ算法。该算法首先搜寻完全子图,并为每个子图分配唯一标签,实现快速标签预处理;然后根据每个节点的邻接节点标签来更新该节点的标签,同时提出接触频数优化标签选择策略降低标签随机传播概率;最后,通过网络标签分布情况进行社区划分。选取两个小规模标准数据集和两个大规模网络数据集进行实验,结果表明ＣＬＰＯＡ算法能保持和ＣＯＰＲＡ算法相同社区划分质量,同时具有更好的算法稳定性和时间性能。     

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。     

集合扩充的社团分解算法

社团结构是复杂网络的重要特征之一,寻找网络中的社团对于分析整个网络的结构和功能都有非常重要的意义.综述了一些经典的复杂网络社团结构划分的算法,提出了一种基于集合扩充的社团结构划分的新算法.该算法以网络中相邻的两个节点构成的集合为起点,用社团同外部联系的边的数目与社团内部边的数目的比值作为度量指标,通过计算将某一个邻居节点加入该集合后度量指标值的变化情况来判断某个邻居节点是否加入该集合,若度量指标值变小则将该邻居节点加入该集合,若度量指标值变大则不将该邻居节点加入该集合,直到不再有新的邻居节点加入时,一个社团就被划分出来.在剩下的网络中重复这个过程直到网络中的节点完全被划分.用社团结构分解中的两个经典例子测试了该算法,从测试结果来看,用该方法能够合理地划分网络中的社团结构,且运算量小,运行效率高,达到了预期目标.该社团结构的划分方法对于规模较大的复杂网络也具有普遍意义.     

基于点击图特征的稀疏广告点击率预测方法

为更全面地反映用户个人偏好,提高推荐的准确度,提出了一种融合多源异构数据的混合推荐模型.综合考虑了用户社交关系和用户评论对用户评分的影响,从评论中提取主题信息作为用户和商家的特征,采用社区发现算法为用户划分社区,利用机器学习方法为社区建立模型,预测用户对商家的评分,再根据评分对商家进行排序,取前N个商家推荐给用户.实验结果表明,提出的混合推荐模型与经典推荐算法相比,可提高评分预测的准确度,从而提高推荐的准确度.     

Recommending Personalized POIs from Location Based Social Network

Location based social networks (LBSNs) provide location specific data generated from smart phone into online social networks thus people can share their points of interest (POIs).POI collections are complex and can be influenced by various factors,such as user preferences,social relationships and geographical influence.Therefore,recommending new locations in LBSNs requires to take all these factors into consideration.However,one problem is how to determine optimal weights of influencing factors in an algorithm in which these factors are combined.The user similarity can be obtained from the user check-in data,or from the user friend information,or based on the different geographical influences on each user's check-in activities.In this paper,we propose an algorithm that calculates the user similarity based on check-in records and social relationships,using a proposed weighting function to adjust the weights of these two kinds of similarities based on the geographical distance between users.In addition,a non-parametric density estimation method is applied to predict the unique geographical influence on each user by getting the density probability plot of the distance between every pair of user's check-in locations.Experimental results,using foursquare datasets,have shown that comparisons between the proposed algorithm and the other five baseline recommendation algorithms in LBSNs demonstrate that our proposed algorithm is superior in accuracy and recall,furthermore solving the sparsity problem.     

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。     

Recommending Personalized POIs from Location Based Social Network

Location based social networks (LBSNs) provide location specific data generated from smart phone into online social networks thus people can share their points of interest (POIs).POI collections are complex and can be influenced by various factors,such as user preferences,social relationships and geographical influence.Therefore,recommending new locations in LBSNs requires to take all these factors into consideration.However,one problem is how to determine optimal weights of influencing factors in an algorithm in which these factors are combined.The user similarity can be obtained from the user check-in data,or from the user friend information,or based on the different geographical influences on each user's check-in activities.In this paper,we propose an algorithm that calculates the user similarity based on check-in records and social relationships,using a proposed weighting function to adjust the weights of these two kinds of similarities based on the geographical distance between users.In addition,a non-parametric density estimation method is applied to predict the unique geographical influence on each user by getting the density probability plot of the distance between every pair of user's check-in locations.Experimental results,using foursquare datasets,have shown that comparisons between the proposed algorithm and the other five baseline recommendation algorithms in LBSNs demonstrate that our proposed algorithm is superior in accuracy and recall,furthermore solving the sparsity problem.     

基于深度卷积神经网络的图像自编码算法

针对目前图像编码的研究工作更加重视信息无损性,而没有体现出社交网络图像区分度的问题,本研究提出一种新颖的基于深度卷积神经网络的社交网络图像自编码算法,将深度卷积神经网络提取特征的能力与社交网络中图像的特点相结合,得到性能良好的图像自编码。结合社交网络图片的特性与聚类算法,先将图片进行聚类得到距离信息,再利用深度卷积神经网络学习图片的距离信息,提取深度卷积神经网络中的全连接层作为编码,重复以上步骤,并得到最终的图像编码。试验结果表明,本研究提出的算法在图像搜索中的效果好于其他算法,更利于在社交网络图像搜索中使用。     

基于结构化覆盖网的连续 top-k 联接查询算法

由于分布式计算环境中数据的分散性,在结构化覆盖网上进行连续查询是一个富有挑战性的工作.本文首次提出基于结构化覆盖网连续top-k联接查询的算法,在对新数据做联接查询前,通过预计算排序函数的估值,对不可能最终影响top-k结果的数据裁剪,达到减少网络流量和计算负载目的.实验证明,这种方法在保证更多的节点参与到查询同时,能有效降低网络流量.     

A survey on network node ranking algorithms: Representative methods,extensions, and applications

The ranking of network node importance is one of the most essential problems in the field of network science. Node ranking algorithms serve as an essential part in many application scenarios such as search engine, social networks, and recommendation systems. This paper presents a systematic review on three representative methods: node ranking based on centralities, Page Rank algorithm, and HITS algorithm. Furthermore, we investigate the latest extensions and improvements of these representative methods, provided with several main application fields. Inspired by the survey of current literature, we attempt to propose promising directions for future research. The conclusions of this paper are enlightening and beneficial to both the academic and industrial communities.     

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.