基于贝叶斯网络的健壮社团检测

健壮社团是复杂网络社团结构中稳定部分,健壮社团发现是非常困难的;提出了一种基于贝叶斯网络推理的健壮社团发现算法,把健壮社团发现问题当做推理问题,构造一个贝叶斯网络,根据结点的度来设置贝叶斯网络相关参数,然后将某些内部联系特别紧密的网络结点设为证据结点,在贝叶斯网络中进行信度传播,得到在已知证据的情况下其余结点属于该健壮社团的概率,最后得到复杂网络中的所有健壮社团;对足球俱乐部网络(115个结点)和随机网络(128个结点)的测试结果表明所提方法能有效地检测出复杂网络中存在的健壮社团,具有较好的应用价值。     

基于群体智能的自组织重叠社团结构分析算法

社团结构分析是复杂网络研究的一项重要内容。基于群体智能思想提出了一种自组织的重叠社团结构分析算法SO^2CSA^2。基本思想是：把网络视为一个群体,网络节点是其中的一个个具有简单智能的个体,每个个体依据定义的社团连接分数自主决定要加入的社团（可同时加入多个社团）。首先在网络中寻找一组K-派系作为初始社团结构;在此基础上,所有个体迭代地选择其社团归属,最终整个网络的社团结构将逐渐生长出来;最后对获得的社团结构进行后处理,即调整少量节点的社团归属,以提高其质量。在一组合成网络和现实世界网络上的实验表明,SO^2CSA^2发现的社团结构的质量比两种对比算法（SLPA和OSLOM）更好,尤其是在网络中重叠节点较多或节点重叠度较大的情况下,社团结构质量的提升更为明显。     

一种基于交互迭代式的多尺度社团发现算法研究

社团发现是复杂网络研究领域的重要研究内容之一。为了提高社团发现的性能,本文提出了一种交互迭代式的多尺度社团发现算法。将网络中的社团定量描述为邻居节点、外来节点和重叠节点多个尺度的线性组合,并针对每个尺度给出了相应的矩阵计算描述。在应用上述定量描述指标对网络进行社团发现时,提出了一种包含两个阶段的迭代式社团发现算法。在这两个阶段中,分别固定社团集合和主社团集合,并且分别调整主社团集合和社团集合来最大化上述社团量化指标。实验表明,本文提出的算法与其它社团发现算法相比不仅准去性和效率高,而且具有很好的灵活性     

机会网络动态社团的预测

由于人们之间社会关系相对稳定并且存在一定的依赖性,由人携带设备组成的机会网络中会出现节点的聚集现象,从而表现出很好的社团特性.提出一种应用贝叶斯-蒙特卡洛(Bayesian-MCMC)预测机会网络节点社团分配的新方法,并在两个不同地点的机会网络数据集上对该方法进行了评估,实验结果显示,此方法能对机会网络中的社团演变进行预测,达到了很高的准确率,且具有良好的鲁棒性.对机会网络社团快速准确的预测有利于机会网络中节点的管理,消息的传输,资源的分配,并可以为探索由人携带设备组成的机会网络这类场景的移动模型的数学分析提供理论依据.     

基于链接聚类的代谢网络社团结构研究

社团结构分析有助于识别代谢网络中的功能模块,有助于理解代谢网络的结构和功能关系,是代谢网络研究领域的一个重要研究课题。然而,当前的社团结构分析方法均依赖于对网络中的节点进行聚类分析,导致每个节点只能属于某一个社团。采用了一种对复杂网络中的链接进行聚类分析的方法,对高质量金黄色葡萄球菌代谢网络模型的巨强连通体进行了社团结构分析,得到了10个具有生物学意义的功能模块,结果表明链接聚类可用于识别新陈代谢网络中的功能社团。     

社交网络中的社团隐私研究综述

社团是社交网络的重要特征,社团检测技术的发展给网络用户带来隐私泄露的危险。如何保护敏感的社团信息不被泄露,保障用户与社团安全已经成为网络安全领域的研究热点。近几年,社团保护技术取得了初步进展,但针对社交网络中的社团隐私或社团安全研究进展综述较少,不利于该研究方向的长远发展。因此,主要针对社团结构隐私方面的研究进展进行综述,对最新的相关研究成果进行系统地归纳、总结、比较,并展望了未来的研究方向。     

基于权重信息挖掘社会网络中的隐含社团

社团结构是一种普遍存在于各类真实网络中的结构特性.挖掘网络的社团结构对于理解网络的功能与行为有着重要作用.然而,现有的各种社团挖掘算法仅仅基于网络拓扑结构信息,而忽视了蕴涵于真实社会网络边权信息中丰富的语义信息.目前普遍使用的基于模块性最大化的社团挖掘算法倾向于将小社团合并,这使得语义上丰富的小社团容易湮灭于基于拓扑结构信息所挖掘出的大社团中.而挖掘出这些隐含于大社团中的有着丰富语义内涵的小社团对于加深社会网络语义层面的理解有着重要作用.为此,提出一个接近线性复杂度的有权网络社团挖掘算法.通过充分利用权重信息,算法可以将社会网络划分为富含语义信息的粒度较细且相对较小的隐含社团.通过对基于DBLP作者合作网络的实证分析,证实了新算法的有效性和高效性.     

一种用于结构化文档检索的贝叶斯网络

分析结构化文档的表示方法及检索特点,对一种用于结构化文档检索的贝叶斯网络进行研究。讨论该贝叶斯网络的构造方法、概率估计及推理过程。用网络节点表示文档索引术语和结构单元,用弧表示术语和结构单元的隶属关系,根据TF-IDF方法估计各节点的先验概率,当给定一个查询时,通过计算每个结构单元的条件概率得到该结构单元的相关值。实例验证了该贝叶斯网络的有效性。     

复杂网络重叠社团检测算法研究综述

社团结构是复杂网络的一项基本特性,对复杂网络中社团结构特别是重叠社团结构的检测,是复杂网络理论研究的一项重要且充满挑战的课题.对当前常用的重叠社团检测算法进行了分析和归纳,阐述每类算法特点,并介绍用于评价算法性能的一些基准图,对复杂网络重叠社团检测领域未来的研究方向提出了一些思考和建议.     

基于核心节点扩散的有向网络重叠社团发现算法

复杂网络中的社团结构探测是当前复杂网络研究领域的一个热点问题。传统的社团划分算法主要以无向、无权网络作为分析对象,不能够适用于现实世界中各种有向网络、加权网络。在分析和研究各种社团划分算法的基础上,提出一种新的重叠社团发现算法。该算法从网络中的核心节点开始,不断合并适应度最大邻居节点,最终将网络划分为多个重叠的社团。最后,将该算法应用到两个有向网络中,实验表明该算法能够很好地划分出有向网络中的重叠社团。     

基于Monte-Carlo迭代求解策略的局部社区发现算法

针对现有的局部社区发现算法因采用贪心策略进行社区扩张而导致的过早收敛和查全率低的问题,提出一种基于Monte-Carlo迭代求解策略的局部社区发现算法。首先,在每轮迭代的社区扩张阶段,根据节点对社区紧密度增益的贡献比例为所有邻接候选节点赋予选择概率,并结合此概率,再随机选择一个节点加入社区。然后,为避免随机选择导致扩张方向偏离目标社区,根据社区质量变化情况判断本轮迭代中是否触发节点淘汰机制。若触发,计算各个已加入社区节点与社区内其他节点的相似度和,根据相似度和的倒数赋予淘汰概率,并结合此概率,再随机淘汰一个节点。最后,在给定数量的最近迭代轮次中,根据社区规模是否增加判断是否继续迭代。在三个真实的网络数据集上进行实验,相较于局部紧密度扩展（LTE）算法、Clauset算法、加权共同邻居节点（CNWNN）算法和模糊相似关系（FSR）算法,所提算法的局部社区发现结果的F-score值分别提升了32.75、17.31、20.66和25.51个百分点,且能够有效避免查询节点在社区中所处位置对局部社区发现结果的影响。     

基于贝叶斯网络的任务共同体识别

随着武器平台打击能力的提高，武器平台的打击目标范围不断扩大，需要根据武器平台可能打击的目标对武器平台进行分类，区分任务共同体，增强对态势的认知，辅助作战决策。因此，就任务共同体识别问题进行初步探讨。对任务共同体的概念进行了介绍。探讨了任务共同体识别的思路和方法框架。讨论了基于贝叶斯网络的目标企图评估方法，对贝叶斯网络模型的结构进行了分析。构建了仿真示例验证了方法的可行性与有效性。     

Ontology based approach to Bayesian student model design

Probabilistic student model based on Bayesian network enables making conclusions about the state of student’s knowledge and further learning and teaching process depends on these conclusions. To implement the Bayesian network into a student model, it is necessary to determine “a priori” probability of the root nodes, as well as, the conditional probabilities of all other nodes. In our approach, we enable non-empirical mathematical determination of conditional probabilities, while “a priory” probabilities are empirically determined based on the knowledge test results. The concepts that are believed to have been learned or not learned represent the evidence. Based on the evidence, it is concluded which concepts need to be re-learned, and which not. The study described in this paper has examined 15 ontologically based Bayesian student models. In each model, special attention has been devoted to defining “a priori” probabilities, conditional probabilities and the way the evidences are set in order to test the successfulness of student knowledge prediction. Finally, the obtained results are analyzed and the guidelines for ontology based Bayesian student model design are presented.     

一种基于Bayesian信念网络的客户行为预测方法

提出一种基于Bayesian信念网络（BN）的客户行为预测方法．通过知识学习构建客户行为Bayesian网络（CBN），根据CBN对预实例计算联合分布概率，准确预测了一对一营销优化中的客户行为．CBN学习算法包括连线和定向部分，复杂度为O（N^4）条件相关测试．在零售行业一对一营销实际应用表明，CBN学习算法较现有BN学习算法更快构建CBN，预测精度高于朴素Bayesina分类法．     

复杂网络中社区发现方法的研究

研究复杂网络中社区发现方法对分析复杂网络的拓扑结构和层次结构、理解社区的形成过程、预测复杂网络的变化趋势、挖掘复杂网络蕴含的规律特征具有十分重要的意义。同时,复杂网络社区发现方法在众多实际领域还有广泛的应用前景。综述了复杂网络社区发现方法的研究现状,将社区发现方法分为无重叠社区发现、重叠社区发现、演化发展社区发现三个方面,并分析比较了算法时间复杂度和准确度。试图为社区发现方法的研究工作提供有益的帮助和参考。     

自学习神经网络权值初始化的贝叶斯方法

为了提高神经网络学习速度,以神经网络能实现基本控制功能为给定条件,在此给定条件下利用贝叶斯方法计算各种权值组合的后验概率,根据后验概率初始化网络权值而获得具有基本控制功能的初始神经网络,能够减小学习过程中权值修改的幅度,加快学习速度。通过交流电机矢量控制系统中速度环控制器自设计仿真实验,使用此方法初始化权值的网络自学习速度较随机取值法明显提高,验证了本方法的快速性和有效性。     

社区发现在复杂网络划分中的应用

在无标度网络中,社区结构是普遍存在的一种网络结构特性,社区结构是网络中间层的描述,是对网络的自然压缩。文中基于这一事实,将社区结构发现方法加入到多层网络划分框架中,提出了基于社区结构的多层网络划分改进策略。该方法首先对无标度网络进行社区发现;然后以发现的社区结构为单位,对原网络进行压缩;之后对压缩后的网络进行初始划分;最后将划分结果还原为对原网络的划分。在进行初始划分时,为获得较好的划分效果,引入了0-1规划方法,并使用K-L算法进行优化。通过对比实验,结果表明把社区结构引入多层网络划分方法中,可以获得更好的划分。