检索结果-南通市图书馆

复杂网络中基于TOPSIS种子扩张的社团检测算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

复杂网络中基于TOPSIS种子扩张的社团检测算法研究

作者：张文波兰州大学

学位级别：硕士

现实生活中,许多复杂系统可以被抽象为复杂网络,利用顶点和边表示系统的主要成员及成员间的相互关系。社团作为复杂网络中最重要的特征之一,往往对应着复杂系统中的重要组成模块。探索网络内的社团结构、发掘社团间的隐藏关系能够帮助... 详细信息

现实生活中,许多复杂系统可以被抽象为复杂网络,利用顶点和边表示系统的主要成员及成员间的相互关系。社团作为复杂网络中最重要的特征之一,往往对应着复杂系统中的重要组成模块。探索网络内的社团结构、发掘社团间的隐藏关系能够帮助我们快速了解复杂系统的功能机制,预测复杂系统的发展规律。因此,在复杂网络中对于社团检测的研究具有十分重要的研究意义及实用价值。许多研究学者在该领域已经提出大量的算法并将其应用于实际系统。通过对该领域进行比较深入、全面的研究,本文基于TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)多属性决策技术分别提出了局部静态社团检测算法和增量式动态社团检测算法。(1)静态网络中基于TOPSIS种子扩张的局部社团检测算法TSELA(Local Community Detection Algorithm Based on TOPSIS Seed-Expanding in Static Net-works):该算法充分使用网络中顶点的中心性信息并将其与TOPSIS技术相结合用于提取高质量的种子顶点,然后利用网络的拓扑信息计算顶点间的相似性,通过种子扩张的局部方式挖掘社团结构。该算法首先对每个顶点计算多种中心性值,其次,利用TOPSIS多属性决策技术对顶点的多个中心性值计算综合得分,将得分值较高的一部分顶点作为种子顶点并将每一个种子顶点单独视为一个社团。然后,从非种子顶点集合中随机选取一个顶点,加入到与其最相似的邻居顶点所在社团,重复该过程直至非种子顶点集合为空,得到网络的初始社团结构。最后,由于初始社团结构中可能存在一些规模较小的社团,本文采取社团合并的方式对可能同属一个实际社团的若干个小社团进行合并,以获取最终的社团结构。(2)动态网络中基于TOPSIS种子扩张的增量式社团检测算法TSEIA(Incremental Community Detection Algorithm Based on TOPSIS Seed-Expanding in Dynamic Networks):首先使用上述局部社团检测方法获取第一时刻(t=T)网络的社团结构,随着网络的不断演化,每一时刻(t=T)网络的社团结构检测将在前一时刻(t=T)得到的社团结构基础上进行。该算法首先对T时刻的网络采用上述局部社团检测算法得到社团结构。其次,对于T时刻的网络,检测出T时刻网络至T时刻网络演化过程中的活跃顶点,对活跃顶点构建子图,再通过TSELA得到子图的初始社团结构。非活跃顶点保持原有的社团结构关系不变,将以上两部分社团使用社团合并的方式进行合并,得到网络当前快照的社团结构。重复以上过程,依次得到动态网络中所有快照的社团结构。为了验证该算法的有效性,本文分别在多个真实网络数据集和人工合成网络数据集上对以上两种算法进行了大量的实验,并将实验结果与多个相关算法进行全面比较。实验结果表明,本文提出的两种算法在大多数网络中均能够得到更优的社团检测结果。

关键词：社团检测 TOPSIS 种子扩张模块度复杂网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

种子节点贪婪扩张的重叠社区发现方法

小型微型计算机系统 2019年第5期40卷 1115-1119页

作者：李艳贺静武优西河北工业大学经济管理学院天津300401 河北工业大学人工智能与数据科学学院天津300401 河北省大数据计算重点实验室天津300401

鉴于重叠社区发现通常具有复杂度高或结果不稳定的现象,提出了一种种子节点贪婪扩张的重叠社区发现方法.首先利用网络节点的拓扑特征寻找局部最大度节点作为种子,这些节点中心性好,且较好的分布在整个网络中,然后通过基于适应度函数的... 详细信息

鉴于重叠社区发现通常具有复杂度高或结果不稳定的现象,提出了一种种子节点贪婪扩张的重叠社区发现方法.首先利用网络节点的拓扑特征寻找局部最大度节点作为种子,这些节点中心性好,且较好的分布在整个网络中,然后通过基于适应度函数的贪心策略扩张种子,并在每次有新节点加入社区时清洗社区,以此发现质量高的重叠社区.本文选取了人工模拟网络和真实网络进行了对比实验,实验结果表明,该算法能发现较高质量的重叠社区结构.

关键词：重叠社区发现种子扩张贪心策略清洗社区

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于节点影响力扩张的社交网络社区发现算法

哈尔滨理工大学学报 2023年第3期28卷 10-19页

作者：杨海陆赵鑫陈晨王莉莉哈尔滨理工大学计算机科学与技术学院哈尔滨150080

社区是一种介于微观和宏观之间的节点聚合体,对深入理解社交用户的行为规律具有重要意义。传统的社区发现方法假设节点在网络中具有同等地位,忽略了节点影响力在社区形成中的影响和作用。针对这一问题,提出一种基于节点影响力扩张的社... 详细信息

社区是一种介于微观和宏观之间的节点聚合体,对深入理解社交用户的行为规律具有重要意义。传统的社区发现方法假设节点在网络中具有同等地位,忽略了节点影响力在社区形成中的影响和作用。针对这一问题,提出一种基于节点影响力扩张的社区发现方法。首先,基于蒙特卡洛近似计算节点的局部影响力。其次,提出一种新的离心率计算方法对桥接节点进行筛选,增强种子质量。最后,采用动态规划对种子进行扩张生成社区。实验结果表明:基于节点影响力扩张进行社区发现能够有效的挖掘粒度较小的社区结构,在模块度、D-Score等指标具有一定的性能优势。

关键词：社交网络社区发现节点影响力种子扩张

维普期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

多点种子预划分的二阶段社区发现算法

哈尔滨理工大学学报 2021年第4期26卷 78-86页

作者：佟帅陈德运杨海陆哈尔滨理工大学计算机科学与技术学院哈尔滨150080

社区发现是在线社交网络研究领域中的重要内容,基于种子扩张的社区发现算法具有时间复杂度低、识别精度高以及不受社区形态限制等特点,近年来在网络局部社区发现任务中得到了广泛的应用。然而,该方法在种子选取时没有考虑种子之间的关联... 详细信息

社区发现是在线社交网络研究领域中的重要内容,基于种子扩张的社区发现算法具有时间复杂度低、识别精度高以及不受社区形态限制等特点,近年来在网络局部社区发现任务中得到了广泛的应用。然而,该方法在种子选取时没有考虑种子之间的关联性,因此识别出的社区结构个数较多、结构松散。针对这一问题,提出一种基于多点种子预划分的二阶段社区发现算法。首先识别网络中的高影响力节点,利用K-means算法将高影响力节点加以聚合,得到高影响力社区簇。然后提出一种吸引力度量函数,选择性的将网络中的剩余节点合并到社区簇以完成社区识别任务。实验结果表明,二阶段社区发现方法能够发现尺寸较大,个数较少的社区结构,进而在中观层面捕捉群组之间的关联性。

关键词：复杂网络局部社区发现种子扩张节点影响力 K-means算法

基于节点影响力扩张的复杂网络重叠社区发现方法研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于节点影响力扩张的复杂网络重叠社区发现方法研究

作者：赵鑫哈尔滨理工大学

学位级别：硕士

如今,对社交媒体中产生的海量数据进行分析比以往任何时候都要普遍,在对这些数据进行有效地分析和利用可以极大地方便人们的生活,例如:推荐引擎、营销以及犯罪侦查。人们虽然对于“社区”这一概念并没有统一的定义,但是在经过长期的观... 详细信息

如今,对社交媒体中产生的海量数据进行分析比以往任何时候都要普遍,在对这些数据进行有效地分析和利用可以极大地方便人们的生活,例如:推荐引擎、营销以及犯罪侦查。人们虽然对于“社区”这一概念并没有统一的定义,但是在经过长期的观察和研究发现社区内部节点连接较为紧密,社区内部节点与社区外的节点连接较为稀疏。社区同样也是复杂网络的重要的拓扑结构特征,可以对研究网络的结构特征和指导现实具体运用提供支持。社区发现可以精确地发现数据实体之间的关系,探测网络拓扑结构,并为兴趣预测、朋友推荐和事件演化提供理论支持。种子扩张算法具有健壮性、高效性等优点。它是一种重要的社区发现方法。种子扩张算法主要过程分为两个阶段,首先第一阶段是寻找种子作为初始扩张节点,最后第二阶段在已经选定的种子节点基础上选取合适的方法扩张种子节点得到合适的社区结构。本研究发现现有的基于种子扩张的社区发现方法在种子在选取时大多忽略了节点自身的影响力在社区形成中的影响和作用,这将导致社区结构内聚性较低、结构表示能力较弱的问题。本文提出了一种新的基于节点影响力和节点全局结构信息相结合的种子选取的社区发现方法。该方法的核心思想是先筛选影响力较大节点,这些节点是社区中比较重要的节点,同时剔除种子节点的桥接节点(位于社区边缘起桥梁作用的节点)。在社区生成阶段,采用按序扩张思想,更可能减少了低影响力节点向高影响力节点扩张,这使得算法更符合实际的影响力传播模型。本文主要完成以下几方面内容:构造网络节点与节点间的传播概率在开始实验前,本研究对网络上的实验数据运用独级联模型(Single-cascade Model)模型进行规划分析,为计算节点的影响力提供前提条件,从而进一步支持种子扩张算法中的种子选取。构造种子质量函数并筛选种子节点在种子扩张算法中,选取高质量种子节点是非常重要的,在本研究在选取种子阶段中采用了节点影响力和节点离心率相结合的方式来筛选种子,提出了节点影响力强度。构造种子扩张社区函数并开始社区扩张在种子扩张的社区发现算法中,种子节点扩张成为社区的过程也是一个极为重要的阶段,本文将节点影响力与网络结构相结合的方式来扩张社区,提出了影响力加权的局部扩张系数。实验结果及分析第一部分介绍实验的基本情况,包括实验数据集和实验环境;第二部分实验是从种子选取阶段种子的数量和扩张阶段节点影响力等方面验证NIEM算法的性能;第三部分和第四部分实验将NIEM算法与各类经典社区识别算法在人工合成网络和真实网络上比对性能差异;最后比对NIEM算法与各类经典社区识别算法在DBLP网络上的实验指标。实验结果验证本研究算法的有效性和可行性。

关键词：复杂网络社区发现影响力模型种子扩张

社交网络中重叠社区发现和多关系社区发现方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

社交网络中重叠社区发现和多关系社区发现方法研究

作者：尹霄冲西安电子科技大学

学位级别：硕士

随着互联网科技的飞速发展,各种社交网站和社交新媒体迅速普及,对社交网络的分析日益受到人们重视。作为社交网络分析的一个重要手段,社区发现近年来一直是一个热门研究领域。传统的社区发现方法大多是非重叠的社区发现,同时也只是针对... 详细信息

随着互联网科技的飞速发展,各种社交网站和社交新媒体迅速普及,对社交网络的分析日益受到人们重视。作为社交网络分析的一个重要手段,社区发现近年来一直是一个热门研究领域。传统的社区发现方法大多是非重叠的社区发现,同时也只是针对网络中的单一类型关系进行研究。而现实社交网络的社区结构具有重叠性,一个人可能会属于多个社区。人与人之间也往往存在着多种类型的交流关系,只考虑其中一种关系进行社区发现很可能会因为信息不充分造成发现结果不准确。本文分别对单关系社交网络的重叠社区发现和多关系社交网络的非重叠社区发现做了以下三个方面的工作:1.传统的基于种子扩张的重叠社区发现算法在选取种子节点后直接通过贪婪扩张进行社区发现,其通常不能保证所选种子节点的中心性,同时直接贪婪扩张很可能因首次扩张方向失误造成后续扩张全部出错。本文针对上述两个缺陷,提出了一种新的基于种子节点扩张的重叠社区发现方法OSE。首先,OSE在进行社区发现前引入了随机游走对网络进行预处理来降低网络噪音对社区发现结果准确性的影响。其次结合快速密度峰值聚类计算网络中各节点中心值,并据此进行种子节点选取来确保所选节点的中心性。最后通过计算平均相似度,选取一部分邻节点加入种子节点构成一个中心区域后再进行贪婪扩张,以避免直接贪婪扩张的缺陷。实验结果表明,本方法相对于一些传统的方法,在准确性和抗噪音能力上都有了一定的提升。2.借鉴上述种子扩张思想,本文提出一种基于种子社区扩张的多关系社交网络社区发现方法Multi-SC。Multi-SC首先通过综合网络中各类关系的社区划分信息,选择在所有关系中均处于同一社区的个体组成种子社区集,从中选取包含节点数目最大的社区作为种子社区。之后考虑到网络中两个节点被划分在同一社区的关系数目和公共邻节点间的联系紧密度对二者相似性的影响,对杰卡德相似度函数进行了改进,提出了一个多关系网络中节点相似度计算方法,并以此来计算社区相似度。最后结合改进的相似度函数和一种局部适应度函数完成种子社区的扩张。实验结果表明Multi-SC方法能有效的进行多关系社区发现,并且在中低噪音环境下相对一些现有方法准确率有所提升。3.现有的多关系社交网络社区划分方法大都没有考虑各社交关系之间的差异,在有些社交关系噪音比较大的情况下,会造成综合多种关系进行社区发现反而不如只考虑单个关系的结果准确。针对此问题,本文提出了一种基于多目标进化的多关系社交网络社区发现方法Multi-MOE。方法主要思路是给予各关系不同权重值来反映每个关系在社区划分中的重要性。首先基于模块密度函数D和标准化互信息函数NMI建立目标函数,其次将网络中各种关系的权重作为目标函数的决策变量,通过多目标遗传算法对目标函数进行优化获得各关系的最优权重配比,并据此将多关系网络融合成一个既能有效地综合各种关系社区信息又能同时降低各关系噪音引入的单关系网络,最后通过传统单关系社区发现算法BGLL来对该融合网络进行社区发现。实验表明,相比现有的某些多关系社区发现方法,Multi-MOE提高了社区发现结果的准确性和稳定性。特别是在各关系所含噪音差距比较大的情况下,依然能保持较高的准确性。

关键词：社交网络社区发现重叠社区种子扩张多关系网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多点种子预划分的二阶段社区发现算法

多点种子预划分的二阶段社区发现算法

作者：佟帅哈尔滨理工大学

学位级别：硕士

随着移动互联网技术的迅速发展,在线社交媒体服务已经融入到人们的日常工作及生活当中。人们根据需求加入不同的兴趣群组,形成具有高属性相关性的社区结构。社区发现是在线社交网络分析中的重要研究内容,其根本任务在于对相似性较高的... 详细信息

随着移动互联网技术的迅速发展,在线社交媒体服务已经融入到人们的日常工作及生活当中。人们根据需求加入不同的兴趣群组,形成具有高属性相关性的社区结构。社区发现是在线社交网络分析中的重要研究内容,其根本任务在于对相似性较高的节点进行分组,进而发现节点间潜在联系。而由于网络结构稀疏性以及网络数据复杂性等特点,现有的社区发现算法普遍耗时较长,且无法有效的探测局部网络环境中的低粒度社区,这给社区发现任务带来了极大的挑战。基于种子扩张的社区发现算法具有时间复杂度低、识别精度高以及不受社区形态限制等特点,近年来在网络局部社区发现任务中得到了广泛应用。然而,该方法在种子选取时没有考虑种子之间的关联性,因此识别出的社区结构个数较多且结构较为松散。针对这一问题,本文提出了一种基于多点种子预划分的二阶段社区发现算法。首先,为了提高社区发现算法的局部社区探测能力,本文以Jaccard系数、网络节点度以及边介数为参数构造了社交网络节点影响力计算公式。该方法以节点的结构指标为基础,辅以局部邻居节点的影响力评分,降低了局部高影响力种子节点出现低影响力评分的可能。其次,利用K-means算法对高影响力节点加以聚合,得到高影响力节点构成的社区簇,作为社会网络中的骨干社区。该阶段执行后,网络中仅存在骨干社区以及影响力分数较低的节点。最后,提出一种“社区-节点”吸引力度量函数,将现有的网络中的低影响力节点加入骨干社区完成社区发现。将本方法在人工合成网络以及真实网络中与LS、Chen、Clauset、LWP、VI以及LCDMC算法进行了对比。实验结果表明,多点种子预划分的二阶段社区发现方法能够发现尺寸较大,个数较少的社区结构,进而在中观层面捕捉群组之间的关联性。

关键词：社区结构节点影响力骨干社区种子扩张 K-means