面向节点演化波动的社会网络事件检测方法

社会网络特征千差万别,演化规律错综复杂.合理地分析网络演化规律,及时地检测网络事件具有重大意义.基于链路预测的社会网络事件检测方法利用有限的网络拓扑信息,能够有效地发现网络演化的异常波动,准确地检测网络事件.然而,现有方法大多受到链路预测的宏观评价指标的限制,忽略了不同节点演化波动的差异,用相同的相似性计算指标去描述所有节点的演化波动,不利于提升事件检测的表现.为了进一步提升事件检测的精确性和敏感性,提出一种面向节点演化波动的社会网络事件检测方法NodeED,由节点相似性计算指标判定算法SimJudge和网络微观演化波动检测算法MicroFluc组成.主要工作如下：（1）结合粒子群优化算法,提出SimJudge定量地比较不同的相似性计算指标对节点演化波动的描述程度,确定每个节点在不同时段的最佳相似性计算指标;（2）为了量化事件对网络演化的影响,提出了MicroFluc,充分考虑节点演化波动的差异,从节点演化波动的角度对不同时段的网络整体演化波动进行定量评估;（3）在真实社会网络VAST和ENRON中进行对比实验,其结果表明,NodeED在VAST中的事件敏感性提升了100%,在ENRON中的事件敏感性提升了50%,更有利于精确地检测社会网络中发生的事件.     

基于链路预测的社会网络事件检测方法

网络演化分析与事件检测,是当前社会网络研究的热点和难点.现有的研究工作主要是针对网络提出不同的模型,并用网络特征指标对仿真结果进行评价.这些方法存在如下问题:(1) 每种方法仅针对特定网络,通用性不高;(2) 特征指标多种多样,不同模型的表现情况缺乏统一的评价标准;(3) 未考虑网络演化的时间特性,难以描述网络演化的波动性,无法检测事件.针对上述问题,提出一种基于链路预测的社会网络事件检测方法LinkEvent(由相似性计算算法SimC和事件检测算法EventD组成),它可以对不同网络的波动性进行统一评价,并依此建立事件检测模型.主要工作包括:(1) 证明了链路预测可以反映网络演化机制,相同机制下的模型演化法和链路预测在分析网络演化上具有内在的一致性;(2) 基于链路预测,提出一种网络相似性计算算法SimC(similar computing),并在考虑微观因素的基础上进行改进;(3) 利用相似性计算结果,提出一种事件检测算法EventD(event detecting)检测出新事件.在不同特征的网络上进行实验,结果表明:所提出的LinkEvent方法能够较好地解决网络演化波动性问题,实现事件检测;同时也证明了利用链路预测技术进行网络演化分析的可行性以及相似性计算和事件检测算法的有效性.     

混合指标量子群智能社会网络事件检测方法

社会网络错综复杂,如果能够及时发现和预测当前网络可能发生的重大事件并采取有效的处置策略,将具有重大意义.链路预测的理论框架和评价方法为社会网络事件检测提供了一条有效途径.目前,链路预测的研究工作大多针对特定网络提出相似性指标,试图取得更高的链路预测精度.这些研究存在如下问题：（1）不同的相似性指标适用于不同的网络,不具有普适性;（2）独立的相似性指标无法全面反映网络演化的多样性和复杂性;（3）链路预测时未考虑网络演化过程中可能出现波动,无法进行事件检测.基于上述问题,提出一种社会网络事件检测的混合指标群智能方法IndexEvent,由最佳权重算法OWA（optimal weight algorithm）和波动检测算法FDA（fluctuationdetection algorithm）组成,可以评价不同网络的演化波动,发现网络波动异常,进行事件检测.主要工作如下：（1）提出了混合指标,并证明了基于混合指标的链路预测算法可以取得更高的预测精度;（2）基于量子粒子群算法提出了最佳权重算法OWA,以高效地确定不同网络的最佳混合指标;（3）提出了一种网络波动检测算法FDA,定量评价不同时段网络演化的波动程度,并在考虑微观因素的基础上进行改进.对不同特征的网络进行实验,结果表明,IndexEvent方法能够准确地反映事件造成的网络演化波动,有效地检测事件.     

基于空间尺度粗粒化的异常检测方法

目前,大部分基于链路预测对社会网络进行异常检测的研究中,缺乏对异常节点演化影响的分析,且受社会网络规模以及复杂度的限制,检测效率普遍不高。针对上述问题,提出了一种基于空间尺度粗粒化和异常节点加权机制的异常检测方法。首先利用凝聚型社区发现算法Louvain对社会网络进行粗粒化得到简化网络,然后在简化网络的演化过程中识别有异常演化行为的节点,并将其异常演化过程量化,引入异常节点加权机制到链路预测方法中进行异常检测。在真实社会网络数据集VAST、Email-EU（dept1和dept2）以及Enron上,与基于LinkEvent的不同调整策略算法和NESO_ED方法进行对比。结果表明,该方法可以兼顾异常检测的稳定性和敏感性,能够更合理地描述网络演化过程,得到更好的异常检测效果。     

基于节点匹配度的动态网络链路预测方法

现实世界存在众多真实网络,研究真实网络中的动态演化趋势和时序性特征是热点问题。链路预测技术作为网络科学领域重要研究工具可通过挖掘历史连边信息推测网络演化规律,进而对未来连边进行预测。通过分析动态真实网络中的拓扑结构演化,发现通过分析网络拓扑中节点间的交互性和匹配度问题能够更充分捕捉网络的动态特征,提出一种基于节点匹配度的动态网络链路预测方法。该方法对网络节点的属性特征进行分析,定义基于原生影响力和次生影响力的节点重要性量化方法;引入时间衰减因子,刻画不同时刻网络拓扑对连边形成的影响程度;结合节点重要性和时间衰减因子定义动态节点匹配度（TMDN,temporal matching degree of nodes）方法,用于衡量节点对之间未来形成连边的可能性。在5个真实动态网络数据集中的实验结果表明,相比现有3类主流动态网络链路预测方法,所提方法在AUC和RankingScore两种评价标准下均取得更优的预测性能,预测结果最高提升42%,证明了节点间存在着交互匹配优先级,同时证实了节点原生影响力和次生影响力的有效性。     

网络演化中基于事件的节点影响力分析

社会影响力分析是社会网络研究领域的一个重要研究热点,目前大多数 的影响力分析都是针对静态网络的。针对网络演化提出了一种基于个体事件的影响力分析方法,首先改进了传统扩散模型以适用于网络演化,并对在扩散中表现出的事件进行了定义,然后基于其中的个体事件测量了社交指数和影响力指数来衡量节点影响力,从而挖掘出动态网络影响力最大化问题中的关键节点。实验分别计算了节点的两个指标并对得出的结果分别进行了分析,找出了影响力较大的重要节点,然后对两个指标的性能进行了对比,结果表明利用社交指数发掘的节点在扩散前期传播的效率更高,而遇到扩散瓶颈时利用影响力指数发掘的节点则可以更快地突破瓶颈期。     

基于事件演化图与图卷积神经网络的事件预测

该文从改进事件演化图构造和丰富事件表示的角度出发,提出了一种基于事件演化图和图卷积网络的事件预测模型。该模型采用事件抽取模型,结合频率和互信息重新定义事件演化图中边的权重。事件语境的表示由BiLSTM和记忆网络学习得到,并在事件演化图的指导下作为输入被馈送到GCN。最终的事件预测由这种事件关系感知、上下文感知和邻域感知的事件嵌入共同完成。在Gigaword基准数据集上的实验结果表明,所提出的模型在事件预测精度方面优于六个先进的模型,与其中最新的SGNN方法相比提高了5.55%。     

基于二阶段差分演化的WSN节点定位优化

由于非测距的WSN节点定位算法DV-Hop定位精度不高,引入智能优化算法后有效提高了定位精度,但迭代次数过大,节点能耗相对过高,而在较少信标节点和较短的通讯信半径条件下,传统智能优化算法难以生效。针对这种情况,提出了基于二阶段的差分演化定位优化算法。仿真实验设计在100m×100m正方形的区域内,随机分布100个无线传感器节点,首先用DV-Hop算法进行第一阶段粗略定位,然后在第二阶段用差化演化算法对定位进行优化,为了对比各种算法在低能耗（很少迭代次数）下的表现,优化过程只迭代了10代,最后得到节点坐标。实验结果表明,算法能获得更好的定位精度和具有更好的稳定性。该算法在极少迭代次数的条件下,在信标节点稀疏和通信半径较短的特殊情况下,获得满意的定位精度和更好的稳定性。     

应用于事件检测的无线传感器网络节点死活状态的研究

针对应用于事件检测的无线传感器网络的特点,在大量实验的基础上,分析了单个节点因能量消耗而死亡的全过程;根据节点工作的受限程度定义了节点的亚死亡状态和死亡状态,提出一种基于Heartbeat机制的节点亚死亡状态检测方法.该方法采用邻居监测方法检测节点是否处于沉默期,并参考节点自测电压值与重启现象判断其是否进入了亚死亡状态.同时给出节点死亡的判断公式.实验表明,该方法是有效的,降低了误判,为事件检测无线传感器网络的实际应用提供了支持.     

基于事件的社会网络演化分析框架

提出了一个全新的复杂网络分析框架来跟踪动态网络的演化规律,发现其在演化过程中的时间特性.不同于传统静态时间片的分析方法,整个框架首先利用有效而快速的方法发现网络的timeline,然后利用图近似算法刻画timeline中的平稳演化段落,这样可以有效地降低个体行为的不确定性所带来的网络演化噪声.此外,综合考虑到网络中个体...     

基于多层节点相似度的社区发现方法

社区发现是复杂网络研究中的一项重要研究内容,基于节点相似度的凝聚方法是一种典型的社区发现方法。针对现有节点相似度计算方法中存在的不足,提出一种基于多层节点的节点相似度计算方法,该方法既可以有效地计算节点之间的相似度,又可以解决节点相似度相同时的节点合并选择问题。进一步基于这种改进的节点相似度计算方法和团体之间的连接紧密度度量准则构建社区发现模型,并在真实世界的网络上进行社区发现实验。与GN算法、Fast Newman算法和改进的标签传播算法的实验结果相比,该模型可以更加准确地找到各个社区的成员。     

基于节点相似性的链接预测

链接预测是图数据挖掘中的一个重要问题。它是通过已知的网络结构等信息预测和估计尚未链接的两个节点存在链接的可能性。目前大部分基于节点相似性的链接预测算法只考虑共同部居节点的个体特征,针对目前预测。算法对共同部居节点间相互关系的考虑不足,提出了一种新算法:节点引力指数算法。该算法在保持低时间复杂度的同时,提高了预测的准确率。通过多个现实网络实验证实了算法的预测效果。     

一种融合节点属性信息的社会网络链接预测方法

随着大规模社会网络的发展,链接预测成为了一个重要的研究课题。研究了在社会网络中融合节点属性信息进行链接预测,在传统的社会-属性网络图模型的基础上,将节点属性的类别这一重要参量加入到网络构建中。基于此,提出了一系列为网络中不同类型的连边分配边权重的方法,最后通过随机游走的方法进行网络链接的预测。实验表明,所提链接预测方法相比同类方法有明显的效果提升。     

基于空间映射的顶点带属性网络的链接预测

提出了基于空间映射的顶点带属性网络的链接预测算法。顶点带属性网络包含拓扑及顶点属性两种信息,为了综合考虑这两种信息,将二者同时映射到另一空间。完成空间映射后,在新的空间计算顶点的相似度,并以此来预测链接存在的可能性。提出分步交叉迭代的方法来取得最优的映射矩阵,以在新的空间中有效融合拓扑信息与顶点属性信息。实验结果证明了空间映射方法的正确性,所提出的基于空间映射的方法能够取得较高质量的预测结果。     

基于语义单元的足球视频事件检测

A semantic unit based event detection scheme in soccer videos is proposed in this paper. The scheme can be characterized as a three-layer framework. At the lowest layer, low-level features including color, texture, edge, shape, and motion are extracted. High-level semantic events are defined at the highest layer. In order to connect low-level features and high-level semantics, we design and define some semantic units at the intermediate layer. A semantic unit is composed of a sequence of consecutives frames with the same cue that is deduced from low-level features. Based on semantic units, a Bayesian network is used to reason the probabilities of events. The experiments for shoot and card event detection in soccer videos show that the proposed method has an encouraging performance.     

基于节点表示和子图结构的动态网络链接预测

动态链接预测的关键是建模网络动态性和抽取局部结构特征.为此,文中提出基于节点表示和子图结构的动态链接预测方法.为了建模节点的动态演化特性,引入节点向量模型,按序拼接各个历史快照的节点表示.为了建模链接的局部子图结构信息,引入图同构算法,编码局部子图的拓扑结构.最终目标链接的特征表示融合每个历史快照中目标节点对的向量表征和局部子图的拓扑结构.实验表明文中方法性能较优.     

基于描述逻辑的传感器网络事件检测

基于异构数据源的事件检测是物联网上的一类典型应用。现有技术已经可以实现对异构数据源的收集、过滤、表示及部分数据的低层次融合和分析,但对于隐藏结论获取等高层次信息融合仍然需要人工参与。针对这种情况,给出了基于轻量级描述逻辑εL⁺⁺的传感器网络事件检测方法,实现特定领域事件的实时自动检测。首先,针对传感器网络中的具体场景,用εL⁺⁺对传感器网络领域知识进行刻画;然后应用描述逻辑对待判定事件进行形式化描述;最后借助描述逻辑推理机制实现事件的自动检测。该方法充分发挥了描述逻辑的知识表示和推理能力,能够基于领域知识和具体数据进行自动的事件检测。