复合加权股票网络的活跃性层次聚类

当前社团分析方法没有充分利用复杂系统的内在特性,难以准确和有效地发现复杂加权网络群体之间的相关性。基于股票网络的活跃性,提出了一种基于活跃性的复合加权股票网络的层次社团划分算法。该算法对股票活跃性进行了定义,提出了一种复合加权模型以有效表示股票网络的活跃性,进而为了实现复合加权网络的社团划分,给出了群体相异度的评判标准。该算法以股票价格波动的相关性为边建立复合加权股票网络,以股票的换手率和成交量为评价标准,选出活跃性高的股票,进而以活跃性股票为中心,基于股票间的相异度权重标价准则,提取多个高活跃的局部结构,可以有效避免层次划分算法由于初始社团结构质量不高,导致社区结构不能沿正确方向继续进行层次发现的问题。最后,基于高活跃的局部结构性,利用全局优化模块度的方法对复合加权网络进行社团划分。将CNM算法（Newman贪婪算法）与BGLL算法运用于构建的网络中,结果表明了算法的优越性。     

基于节点相似度的有向网络社团检测算法

针对现有的社团检测算法存在准确度低、没有充分考虑到有向网络的方向特性等问题,提出一种改进的能够适用于有向网络的CNM(Newman贪婪算法)社团检测算法。在算法设计中引入基于拓扑结构信息的有向网络节点相似度算法,并重新定义模块度增量函数ΔQs。使用一个计算机生成网络和两个实际网络对算法进行了测试并与已有算法进行比较。实验结果表明,文章提出的算法能够有效地检测出有向网络中的社团结构。     

通话社交网络社团结构实证研究

以社交网络中备受关注的通话社交网络为研究对象,对其社团结构进行分析.提出一种基于模糊综合评判分析通话社交网络权重的方法,并改进CNM算法进行社团划分.初步演示了通话社交网络的演化规律,为深入研究通话社交网络打下了坚实基础.     

基于信息熵的复杂网络社团划分建模和验证

社团结构是复杂网络最普遍和最重要的拓扑属性之一,社团结构的划分方法对分析复杂网络相关统计特性具有十分重要的理论意义.为了提高社团划分精度,提出了一种新的基于信息熵(information entropy)模块度的社团划分算法(简称IE算法).在有着确定社团结构的数据集和不确定社团结构的数据集上,通过选取Q值、社团划分个数、社团最大连通分量大小和强弱社团个数比例4个重要参数,将IE算法与两种最主要的基于模块度的划分算法GN(Girvan-Newman)和FastGN(Fast Girvan-Newman)进行对比,实验结果证明了IE算法在社团划分性能上优于GN和FastGN;将IE和其他7种最主要的经典社团算法进行时间复杂度分析,并在随机网络和真实网络上进行实验,结果表明该算法时间复杂度在GN与FastGN之间,时间复杂度小于GN而精确度优于GN,证明了在大多数数据集上IE算法的社团划分准确度优于传统基于点边比率的社团划分算法的准确度.     

基于国际贸易网特性的贸易依赖派系过滤算法

目前诸多社团划分算法往往面向一般意义的复杂网络,针对具体问题应用时需要筛选和改进。为了提高国际贸易网络社团划分准确性与合理性,考虑现实国际贸易主体平等、联系普遍、流量悬殊、市场依赖、贸易组织重叠、社团相对稳定和贸易波动等特性对社团划分的影响,提出一种引入贸易依赖度权重的派系过滤算法。将该算法应用于海上丝绸之路贸易社团划分,通过检验算法结果的社团结构可辨识性、模块度Q值、现实契合度和可解释性,验证了该算法有效性。     

基于节点相似性度量的社团结构划分方法

针对复杂网络结构划分过程复杂、准确性差的问题,定义了节点全局和局部相似性衡量指标,并构建节点的相似性矩阵,提出一种基于节点相似性度量的社团结构划分算法.其基本思路是将节点(或社团)按相似性合并条件划分到同一个社团中,如果合并后的节点(或社团)仍然满足相似性合并条件,则继续合并,直到所有节点都得到准确的社团划分.实验结果表明,所提算法能成功正确地划分出真实网络中的社团结构, 性能比标签传播算法(LPA)、GN(Girvan-Newman)、CNM(Clauset-Newman-Moore)等算法优秀,能有效提高结果的准确性和鲁棒性.     

社交网络中的社团结构挖掘

社交网络已经成为现代人们在线交流并交换信息的重要途径之一。以国内的人人网为例,大量的年轻人,尤其是学生,以此为平台,相互讨论感兴趣的话题。人与人之间因为学习关系、工作关系、共同的兴趣等诸多因素关联起来;以大学生交流为主体的社交网则更有可能因为在相同院、系、所而关联在一起,从而呈现出社团结构。该文以人人网的真实数据,使用CNM算法来验证这一假设;同时,还利用社会网络的结构知识对CNM算法作了改进,提高了社团发现的精度。所挖掘的社团结构关系还表明,高校不同院系和学科形成的社团具有各自的特点。     

基于社团密度的社团发现算法

发现社团结构是研究复杂网络的重要前提,目前社团发现算法研究存在两个较为严峻的问题：评价函数单一和经典算法时间复杂度过大并且无法发现小粒度的社团。针对上述问题,本文首先提出了一种合理的发现算法评价函数,即社团完整度,实验证明,与经典的模块度函数 相比,社团完整度函数能够更合理地评价社团划分质量且社团完整度函数的灵敏度高于模块度函数;其次,本文提出了基于社团密度的社团发现算法,实验证明,该算法不仅可以发现小粒度的社团结构,随着网络节点数和边数的增加BDA算法在时间复杂度方面也具有明显的优势。最后,本文尝试将BDA算法应用在科学合作者网络并得到合理的社团结构。     

基于随机游走理论的改进LFM算法

传统LFM社团发现算法基于网络局部信息进行社团划分,未充分利用网络中包含的结构信息,导致社团结构模糊的网络中社团划分精度下降严重,同时算法基于局部信息扩张社团,容易形成畸形社团结构。为解决上述问题,提出一种改进的LFM算法,利用随机游走理论衡量节点相似度,使社团结构更清晰,同时寻找赋权网络中的极大子团,以子团为基本单位进行社团扩张,解决畸形社团问题。在人工网络和真实网络上的实验结果表明,与传统LFM算法、标签传播算法等相比,改进的LFM算法具有更高的社团划分精度。     

一个基于中心度的社团结构发现新算法*

针对GN算法在社团结构发现中时间复杂度高等问题,提出一种基于中心度的GN改进算法（DCGN）。该算法根据节点中心度以及节点之间的最短路径首先确定社团结构中心节点集,然后逐步删除社团结构中心节点之间的最大边介数连边,完成社团结构划分。DCGN算法避免了GN算法边介数计算开销大的问题,算法的时间复杂度约为O(cmn),其中c为常数,n为网络成员数,m为网络连边数。将DCGN和GN算法同时应用到Zachary网络及计算机随机生成网络中并进行了比较。实验结果表明,所提出的DCGN算法在运行效率和效果方面较之GN算     

一种基于局部信息的社区发现方法

针对复杂网络中难以发现小社区的问题,在CNM算法的基础上,提出一种利用局部信息进行社区挖掘的方法。定义节点的强度及节点对社区的贡献,改进模块度使该方法能适用于带权网络。利用社区局部信息得到小社区集合,将小社区集合作为CNM算法的输入,计算小社区间的模块度增量,凝聚模块度增量小的小社区,并得到最终结果。实验结果表明,该方法具有较高的社区模块度和算法执行 效率。     

带源节点的快速社区发现算法

提出了一种改进的带源节点的CNM快速社区发现算法,用于含有部分已知社区属性节点的复杂网络的社区结构划分。算法中将这部分节点作为源节点,采用模块度增量最大化为目标函数对待划分节点进行聚合,并在取得最大全局模块度值时得到社区划分结果。以深圳市手机基站用户流量网络为例,将位于各规划城市中心的基站点作为源节点引入,对城市进行区域划分。结果表明,该算法不但能够发现基于各城市中心的服务边界,也能发现一些隐含的城市区域。     

动态加权网络中的演化社区发现算法研究

在动态网络中发现社区结构是一个非常复杂而有意义的过程,可以更好地观察和分析网络的演化情况。针对动态加权网络中的社区发现问题,提出了一种结合历史网络社区结构的算法,叫做动态加权网络中的演化社区发现算法（ECDA）。该算法分为两步：结合历史社区和网络结构信息,计算当前时间跳的输入矩阵;然后通过该输入矩阵计算得到结合历史时间跳信息的社区划分结果。该算法有以下优点：可以自动发现动态加权网络中每个时间跳的社区结构;对网络结构的变化和社区结构的变化具有较高的敏锐性。在人工数据集和真实数据集中进行了实验,实验结果证明该算法可以有效地发现动态加权网络中的社区结构,与其他算法相比具有较好的竞争力。     

基于标签传播的语义重叠社区发现算法

语义社会网络(Semantic social network, SSN)是一种由信息节点及链接关系构成的新型复杂网络, 为此以节点邻接关系为挖掘对象的传统社会网络社区发现算法无法有效处理语义社会网络重叠社区发现问题. 由此提出标签传播的语义重叠社区发现算法, 该算法以标签传播算法(Latent Dirichlet allocation, LDA)模型为语义信息模型, 利用Gibbs取样法建立节点语义信息到语义空间的量化映射; 提出可度量节点间相似性的主成分 (Semantic coherent neighborhood propinquity, SCNP)模型和语义影响力(Semantic impact, SI)模型; 以SCNP作为标签传播的权重, 以SI 作为截断值的参数, 提出一种改进的Semantic-LPA (Semantic label propagation algorithm)算法; 提出可度量语义社区发现结果的语义模块度模型, 并通过实验分析, 验证了算法及语义模块度模型的有效性及可行性.     

基于随机聚类采样算法的复杂网络社团探测

根据网络节点的局部拓扑信息构建稀疏相似网络。基于稀疏相似网络, 提出了一种改进后的随机聚类采样算法对网络社团进行探测。在人工和真实网络上, 将算法与未改进的随机聚类采样算法以及几种典型的社团探测算法进行了准确率和时间复杂度的比较。实验结果表明, 该方法在时间复杂度上具有明显的优势, 并且具有较好的准确率。     

基于R-C模型的微博用户社区发现

在微博市场营销、个性化推荐等应用中,发现兴趣和网络结构双内聚的用户社区起着至关重要的作用。现阶段,绝大多数的用户社区发现算法往往将用户联系与用户内容相隔离,从而导致其社区发现结果不够合理,而少数综合用户联系和内容的用户社区发现算法较为复杂;LCA 算法是重叠社区发现算法中算法效率较高且社区质量较好的算法,然而,其在聚类时未考虑边的真实兴趣体现。针对这些问题,构建了以关注关系为网络节点、以关注关系之间是否有共同用户为关注关系潜在的边、以关注关系所关联用户的兴趣集的交集为关注关系的兴趣特征,构建微博网络 R-C 模型,并探讨了其进行微博用户社区发现的方法,分析了该方法的复杂度。最后,以新浪微博数据集为实验,对照节点CNM算法和LCA算法,从兴趣内聚和网络结构内聚两方面进行分析,发现该方法能够发现更好的微博用户社区。     

基于K-means聚类算法的复杂网络社团发现新方法

提出了一种基于K-means聚类算法的复杂网络社团结构划分方法。算法基于Fortunato等人提出的边的信息中心度,定义了节点的关联度,并通过节点关联度矩阵来进行聚类中心的选择和节点聚类,从而将复杂网络划分成k个社团,然后通过模块度来确定网络理想的社团结构。该算法有效地避免了K-means聚类算法对初始化选值敏感性的问题。通过Zachary Karate Club和College Football Network两个经典模型验证了该算法的可行性。