动态网络局部社区演化过程溯源方法

随着网络规模的增大,全局社区演化分析越来越困难。考虑在某些场景中人们只关心某一局部社区的形成过程,即局部社区演化过程溯源,提出一种动态网络局部社区演化过程溯源方法,包括社区形成时刻识别、候选前驱社区集合检测和社区演化关系分析这3个环节。通过构造真伪社区分类器识别前驱社区形成时刻,在前驱社区形成时刻的网络快照上进行社区检测,获得包含待溯源社区中任意顶点的候选前驱社区;利用演化事件模型找出真正的前驱社区并识别对应演化事件。在真实网络数据集上的实验结果表明,所提方法优于基于均匀时间片划分的溯源方法,得到的待溯源社区形成路径图能够与真实路径图精准匹配,即社区形成时刻、前驱社区和演化事件均识别准确。

动态社区演化研究进展

社区结构是社会网络普遍存在的拓扑特性之一。挖掘社会网络中的社区结构、探测并预测社区结构的变化是社会网络研究中重要的研究课题。主要从时间片处理和动态增量的策略对动态社区演化进行阐述,时间片处理策略介绍了时间片的对比演化、聚类演化、融合演化的研究方法;动态增量策略描述了核心社区、聚类、指标的动态演化的研究方法;最后对社区演化预测的框架进行了归纳总结。

CommTracker:一种基于核心的社区演化跟踪算法(英文)

提出了一种无需参数设置的社区演化跟踪算法CommTracker,它有效利用社区中核心点来为两个处于不同时间段的社区之间建立演化关系。这种方法非常适合于大规模数据集。当社区之间的演化关系建立后,利用CommTracker来鉴定演化路径中存在的分裂点和融合点。重点分析了社区演化路径之间的关系:路径相交和社区重生。最后,通过实验,验证了CommTracker的正确性和有效性。

改进的动态图社区演化关系分析方法

传统基于相邻时间片分析所获得的社区演化关系无法完备地刻画动态图社区演化的整个过程。为此提出了一种改进的社区演化关系分析方法。首先,定义社区事件,并根据发生的社区事件来描述社区的演化状态;然后,对两个不相同时间片内的社区进行事件匹配,从而获得社区演化关系;最后,通过实验将所提方法与传统方法进行比较。实验结果表明,所提方法发现的社区事件总数是传统方法的2倍以上,可为动态图社区演化过程的描述提供更丰富的信息。

对社区演化过程的动态控制

社区的系统与环境特性决定了社区在发展过程中必然要受到不确定行为的干扰,其发展也将无可避免地会出现曲折。具有合适步长的组合logistic曲线描述了在这样的现实中社区的长期可持续发展过程。然而,以现在占主流的、追求结果的社区演化控制方式,却难以保证社区经历这样的轨迹。因此,必须在加强社区应变能力的基础上,实施面向过程的动态控制,适时地对社区功能进行评价,一旦达到改造阈值,即进行改造以满足需求的变化,从而使社区保持长期可持续发展的态势。

基于Attention深度随机森林的社区演化事件预测

在网络结构不断变化的同时,社区结构也随之演化.社区结构在不同时间片的变化可定义为四种不同的演化事件:持续、分离、融合和消失.本文运用网络表示学习的方法,对网络进行图嵌入编码映射到低维向量空间中,研究动态社区演化事件的预测.特征方面,在传统的社区内部属性特征、时间片间属性特性变化和前段时间片的社区演化事件的特征维度的基础上,引入潜在结构特征表征四种演化事件,运用随机游走和Softmax思想获取潜在的结构特征;模型方面,引入深度随机森林的策略,同时采用attention机制、蒙特卡洛特征采样策略进行特征融合和特征训练,克服了已有算法仅获取局部结构特征的缺陷.实验在DBLP、FACEBOOK和Bitcoin数据集上,对比SVM、XGBOOST和RIDGE模型训练,证实了新提出的算法模型对最终预测准确率有很大的提升.

基于DPoS共识机制的区块链社区演化的可视分析方法

DPoS(股权授权证明)是当前主流区块链共识机制之一,独特的节点竞选机制使其形成不断演化的区块链社区。对区块链社区演化模式进行分析可以发现共识机制的潜在风险,具有十分重要的研究意义。针对DPoS共识机制区块链数据,提出了一种新颖的共识机制效能组合分析策略,面向区块链社区演化模式,提出了一种多角度探索的可视分析方法。首先,量化了节点排名变化前后工作完成度与投票排名的差异,对共识机制的选择效能和激励效能进行组合分析;然后,针对共识机制组合效能、节点地域分布演化和节点间差异比较等方面设计可视化视图与交互手段;最后,基于EOS主链真实数据设计实现基于DPoS共识机制的区块链社区演化可视分析系统,并通过案例研究和专家评估验证所提方法的可用性及有效性。

教师虚拟社区演化的研究——以台湾WIDE KM教师入口网社区为例

鉴于虚拟社区的应用对于教师的专业发展具有重要意义,故此本文着重探讨教师虚拟社区的演化过程以及影响因素。笔者基于伊里贝里和勒罗伊(Iriberri&Leroy)将研究者们发现的虚拟社区演化的成功因素与他们提出的生命周期模型整合的结果,结合相关文献研究,提出了教师虚拟社区的生命周期模型及其各个演化阶段的影响因素,从而构成教师虚拟社区演化的初始模型,然后以台湾WIDE KM教师入口网社区为研究对象,通过典型个案的实证研究,验证了教师虚拟社区各个演化阶段的影响因素,并对初始模型进行修改和补充,将其中离散的、缺乏系统性的大部分影响因素有机地结合起来,形成教师虚拟社区演化的系统理论的一个雏形,为教师虚拟社区的发展提供重要参考和指导。

基于长短期记忆网络的社区演化预测

现实生活中的网络通常是动态的,网络结构随着时间的推移而改变,检测社区演化可以深入了解网络的基本行为。针对动态社区演化预测问题,提出一种结合演化树和长短期记忆网络的社区演化预测方法,从动态网络中提取社区的多元特征,并使用长短期记忆网络对特征进行学习分类,最终预测社区下一时间段的变化情况。在两个真实数据集上进行了实验,实验结果证明该方法可以有效地预测社区演化行为,与其他方法相比具有较好的准确性。

基于异同性的社区演化分类方法

动态网络中的社区演化分析是目前的研究热点之一,其在舆论控制、网络营销和个性化推荐服务等方面有着重要作用。提出一种基于节点重要性评价指标的差值吸收核心节点检测算法,首先计算各节点的相对权重值,进而划分核心节点,并以此为基础优化差异性公式,提出一种异同性社区演化分类模型,从相似性和差异性两方面对演化类型进行划分。将提出的分类模型与GED及SGCI在HEP-TH和波兰政治博客圈数据集上进行比较,实验结果表明,提出的分类模型在整体上优于GED及SGCI,尤其在Forming和Dissolving事件的检测时,可以做到对小社区敏感,能检测到小社区的多种演化类型。

我国乡村旅游社区演化历程和发展趋势研究

乡村旅游社区具有人口聚集、产业发展和社会稳定的基础性地位和作用,一直都是世界乡村可持续发展的重要议题。20世纪50年代至今,我国乡村旅游社区历经复杂发展历程。科学总结该发展历程,可以促进我国乡村旅游及其社区发展和转型。我国城市社区长期引领农村社区发展,农村社区发展又衍生出乡村旅游社区,三者之间既有承接又有演化。结合我国城市社区建设和农村社区发展实际,借鉴Butler旅游地生命周期理论,将我国乡村旅游社区演化过程划分为萌芽、确立、初步发展、全面发展和新时代深化改革五个阶段,并对五个阶段中发生的代表性事件进行阐述,进而分析其未来发展社区主体人本化、产业融合化、战略协同化和基础设施建设绿色生态化等趋势,对丰富和完善我国乡村旅游社区可持续发展理论具有重要价值。

动态属性网络的语义社区发现及演化分析方法

动态属性网络的语义社区发现及演化分析具有重要研究价值,其包含动态社区发现、社区语义解释及社区演化分析三个任务,但现有方法均难以同时实现.针对该问题,提出一种基于联合非负矩阵分解的方法DANNMF(NMF for Dynamic Attributed Networks).DAN-NMF可以统一集成网络拓扑结构信息、节点属性信息及社区演化平滑约束信息,并利用最大最小化优化框架推导相关因子矩阵的迭代更新规则,从而可以直接获得动态社区发现、社区语义解释及社区演化分析结果.在人工合成和真实的动态属性网络进行大量相关实验,结果表明DAN-NMF比最优的基准方法在准确性指标上至少提高了7.3%.此外,在真实动态属性网络上的相关数据分析结果也表明DAN-NMF能够有效地发现动态社区的演化模式,并提供丰富的社区语义解释.

在线社会网络的动态社区发现及其演化

分析了目前动态社区发现及其演化所存在的问题,提出了一种新的动态社区演化方法.该方法利用静态社区挖掘算法提取不同时间快照的每个社区,然后计算出相邻快照的社区之间的演化影响力,进一步分析连续快照中社区结构的发展演化过程.在新浪微博、网络测量Gnutella等大规模实验数据集上的验证,证明了该方法的有效性.此外,实验中还分析了社会网络中节点的出现和消失的频繁程度会影响社区稳定性以及社区结构的演化.

在线社会网络的动态社区发现及演化

在线社会网络研究中,动态隐含社区或群组结构的发现及演化探测是一个十分关键的核心问题,它对于在中观(Mesoscopic)视图观察在线社会网络隐结构特征、预测演化趋势、掌控网络势态、发现网络异常群体事件等具有重要意义.文中首先分析了动态社区发现和社区演化研究的关系,给出动态社区研究中关键挑战问题;然后根据问题背景的不同,从"同构社会网络的动态社区研究"和"异构社会网络的动态社区研究"两个方面进行国内外相关研究现状的阐述和分析,其中,在"同构社会网络的动态社区研究"中,根据评价方法的差异和关注问题的不同将当前相关研究分为基于时空独立评价、时空集成评价、统一评价和增量式算法4大类进行综述,同时对动态社区发现的重要应用——异常群体发现的研究进行介绍;最后对在线社会网络动态社区领域的难点和发展趋势进行分析和展望.

基于谱聚类的动态网络社区演化分析算法

针对复杂网络社区受到个体兴趣和迁移的影响随着时间推移而演化的问题,提出一种基于谱聚类的动态网络社区演化分析算法,试图揭示动态网络社区结构随时间的演变过程.算法融合当前时刻快照拓扑结构和上一时刻社区结构两个因素,并用随机分块模型和Dirichlet分布分别对上述两个因素建模,从而将社区演化分析形式化为优化问题.从理论上验证了社区演化分析与谱聚类是等价的,为利用谱聚类解决社区演化分析奠定理论基础.在合成数据集上的实验结果表明,相比于以规格化割为目标的谱聚类,所提方法能显著提升动态社区检测的准确性和稳定性.

大型社交网络社区结构演化

大型社交网络已经成为互联网最主要的组成部分,是人们获取信息、分享交流的主要渠道。而其中的社区结构指的是社交网络中一些人呈现出的紧紧聚集的群落关系,同一社区内的用户往往拥有相同的兴趣话题。以往对社区结构的研究大多集中于使用无监督的社区发现算法在大型社交网络中给出用户的社区划分方法。而针对社交网络中社区对应的拓扑结构,重点在时间维度上考察以社区结构为基础的邻接图的固有特征对其社区成长的影响,利用有监督的机器学习方法,给出各个特征的重要性排名以及预测社区成员增长率的预测模型。研究数据集主要基于豆瓣小组功能。

动态多模网络中演化社区发现算法改进

在动态多模式网络中发现社区可以帮助人们了解网络的结构属性,解决数据不足和不平衡问题,并且可以协助解决市场营销和发现重要参与者的问题。一般来说,网络和它的社区结构是不均匀进化的。通过使用时态信息来分析多模网络,分析时态正则化架构和它的收敛属性。提出的算法可以解释为一个迭代的潜在语义分析过程,允许扩展到处理带有参与者属性和模内联系的网络。

基于标签传播概率的重叠社区发现算法

发现高质量的社区有助于理解真实的复杂网络,尤其是动态地分析社区重叠结构,对社区管理和演化具有重要意义.文中提出一种基于标签传播概率的LPPB(Label-Propagation-Probability-Based)重叠社区发现算法,该算法首先为每个结点赋予一个独立的标签,然后根据结点的影响力大小将结点进行排序;在标签传播的过程中,综合网络的结构传播特性和结点的属性特征计算标签传播的概率,同时利用结点的历史标签记录修正标签更新结果;最后将传播后具有相同标签的结点划分为同一社区,社区间的重叠结点构成了社区重叠结构.作者在基准数据集和带时间维度的C-DBLP网络上进行实验,结果验证了该算法具有较高的准确性和稳定性,并且通过对重叠结构的动态分析,揭示了社区重叠结点的行为特性和C-DBLP网络处于高"耦合度"的发展趋势.

一种基于邻域跟随关系的增量社区发现算法

社区发现能够揭示真实社会网络的拓扑结构和动态特性.目前的社区发现算法多针对静态社会网络所设计,而绝大多数真实社会网络的社区结构是动态变化的.针对动态社区发现,现有算法通常基于社区结构平稳变化的假设,无法处理演化过程中可能出现的大量社区消亡或涌现等突发事件.为解决有效并高效地发现大规模动态社会网络的社区结构的问题,提出了一种基于邻域跟随关系的社区表示模型Follow-Community,模型刻画的社区由不同角色的节点以及节点间的跟随关系组成,通过发现节点间存在的直接或间接的跟随关系,可将跟随同一个节点的节点所构成的集合归为一个社区.基于该模型提出了一种具有接近线性时间复杂度的邻域跟随算法NFA(Neighborhood Following Algorithm),遍历网络节点一次即可得到静态社会网络的社区结构.进一步扩展得到增量邻域跟随算法iNFA(incremental Neighborhood Following Algorithm).通过更新网络演化过程中相关节点的邻域跟随关系,iNFA可发现动态社会网络的社区结构及社区演化.实验结果验证了算法在大规模动态社会网络社区发现方面具有精度、效率以及稳定性的优势.

基于社区改变量估计的非均匀时间片划分方法

动态网络时间片划分方法对社区演化分析结果的准确性具有重要影响,但社区随时间及网络拓扑改变呈现非线性的变化,现有均匀时间片划分以及基于网络拓扑改变量的非均匀时间片划分方法在捕捉社区演化事件方面均效果不佳。为此,提出一种基于社区改变量估计的非均匀时间片划分方法,其中社区改变量通过变化后网络期望达到的社区模块度与直接应用网络变化前的社区发现结果获得的社区模块度之差来定量描述。首先,基于时间序列分析建立社区模块度预测模型;其次,使用该模型预测变化后网络期望达到的社区模块度,并求得社区改变量的估计值;最后,当该估计值超过预先设置的阈值时即生成一个新的时间片。在两个真实网络数据集上的实验结果显示,相较于传统的均匀时间片划分方法和基于网络拓扑改变量的非均匀时间片划分方法,所提方法在动态网络数据集Arxiv HEP-PH上的识别社区消失事件方面分别提早1.10 d和1.30 d,识别社区形成事件方面分别提早8.34 d和3.34 d,识别出的社区缩小、扩大事件总数分别增加10个和1个;在Sx-MathOverflow数据集上的识别社区消失事件方面分别提早3.30 d和1.80 d,识别社区形成事件方面分别提早6.41 d和2.97 d,识别出的社区缩小、扩大事件总数分别增加15个和7个。