复杂网络中的社区结构检测算法研究

在当今数字时代,社交网络、生物网络、信息传播网络等复杂网络已经成为了我们生活和研究的不可或缺的一部分。这些网络中隐藏着丰富的信息和结构,如何有效地识别和理解这些网络中的社区结构已成为一个备受关注的问题。本研究基于复杂网络的社区结构检测算法,旨在深入探讨社交网络、生物网络等复杂网络中的社群特征与结构。通过分析不同复杂网络之间的共性和差异,提出了一种多层次、多维度的社区检测方法,以更准确地刻画网络中的社群。该算法综合考虑了节点度、连接模式、信息传播等多个因素,从而提高了社群检测的准确性和鲁棒性。

融合动态传播和社区结构的社交媒体谣言检测模型

为解决现有谣言检测模型对时间信息利用不充分的问题,同时验证利用谣言传播的社区结构特征可以提高谣言检测模型的性能,提出一种融合动态传播和社区结构的社交媒体谣言检测模型Dy_PCRD(rumor detection model based on dynamic propagation and community structure),一方面使用图卷积网络提取谣言传播的结构特征,另一方面先根据谣言内容和传播结构划分话题社区,再使用一种新型的注意力计算方法提取谣言的社区结构特征,将二者分别输入时间注意力单元对其动态变化规律进行建模,最后基于所获得的嵌入表示对谣言进行分类。三个公开数据集上的实验结果表明,在相同条件下,相较于基线模型,其准确率及其他各评价指标均有所提升,验证了社区结构特征、动态性特征以及相关注意力计算方法对提升谣言检测模型性能的有效性。

基于代表性节点扩张的保持社区结构的图采样算法

作为一种能够简化大规模图并保留其指定属性的方法,图采样被广泛应用于现实生活中。然而当前研究大多集中于保留节点级的性质,如度分布等,而忽略了图的社区结构等更为重要的信息。针对此问题,提出了一种保持社区结构的图采样算法。算法主要分为两个步骤,第一步为初始化社区代表点,根据提出的节点重要度计算公式算出节点的重要度,然后选出每个社区的代表性节点;第二步为社区结构扩张,针对每个社区,选择可能引入最少额外邻居的节点加入社区中,直到达到该社区节点上限。在多个真实数据集上进行了对比实验,使用多个评价指标来评估实验结果。实验结果表明,所提出的采样算法能够很好地保持原始图的社区结构,为大规模图的社区结构采样提供了可行的解决方案。

大型复杂网络中的社区结构发现算法

在大型复杂网络中自动搜寻或发现社区具有重要的实际应用价值。该文把超图模型以及基于此的聚类算法应用到社区结构发现的领域。对于简单图的社区结构发现,引入边聚集系数的概念,提出基于边聚集系数的社区发现算法。将安然邮件数据集作为测试数据集,通过算法对比分析,证明该算法在时间复杂度上可以提高一个数量级。

复杂网络的社区结构

社区结构作为真实复杂网络所普遍具有的一个重要拓扑特性,在最近10年内得到了广泛而深入的研究。回顾了近几年国内外社区结构研究的主要进展,重点介绍社区发现的研究历程和研究成果,并结合社会计算的背景展望了社区结构研究的未来发展方向和潜在的应用价值。

基于先验知识与模块性的网络社区结构探测算法

在分析模块性指标和Newman有关网络社区结构探测算法的基础上,提出了一种基于先验知识与模块性的社区结构探测算法.利用节点度等社会网络结构先验知识,获得一个社区结构的基本划分,然后进行社区的合并,以此获得一个清晰的社区结构.经计算机模拟网络、Ucinet软件网络和中国农民工社会网络的社区结构探测,结果表明所提算法比Newman的迭代次数减少近50%,并且可以获得更好的模块性指标.

基于复杂网络社区结构的论坛热点主题发现

社区结构是复杂网络的重要特征之一,该文通过构造基于兴趣的论坛用户网络,成功地将社区结构发现的理论与方法应用于论坛热点主题的自动发现,提出了极大社区的概念和反复挖掘极大社区的方法,发现网络结构和论坛主题在反复挖掘过程中均几乎保持不变。仿真结果表明,提取效果令人满意。

一种新的评价社区结构的模块度研究

指出Newman和Girvan提出的模块度概念(Physical Review E,2004,E69)不适用于社区大小差异较大的情形。为克服这一缺陷,提出与社区大小无关的连接密度和内聚系数概念,在此基础上,构造一种新的模块度。理论和实践证明,该模块度适用于社区大小相似以及社区大小差异较大的情形。

基于兴趣相似度的社区结构发现算法研究

复杂网络通常会呈现出社区结构特性,如何在实际网络中高效地发现社区结构是近年来复杂网络的研究热点之一。到目前为止,已经提出很多分析复杂网络社区结构的算法。但是大部分算法基于无权网络并且有些算法由于其时间复杂度的过高导致其不适合应用于对大型网络的分析。本文提出一种基于兴趣相似度的社区结构发现算法。该算法适用于加权网络,并且降低时间复杂度。

P2P网络中的社区结构发现方法

针对P2P网络的分布式特征,提出一种可扩展的分布式社区发现方法PDC,采用节点Power值度量社区结构,选择中心节点。仿真实验结果证明,与FDC和CDC方法相比,PDC的社区发现率至少提高了5%,产生的消息数量比FDC少一个数量级,具有良好的可扩展性。

基于社区结构的影响力最大化算法

现有的社会网络影响力算法及模型的较高的时间复杂度已不适用于网络规模不断壮大的社会网络服务。针对上述问题,提出了一种基于网络社区结构的影响力最大化算法。首先评估各个社区中节点的影响力,挖掘其核心节点成员;继而在核心节点集和连接社区间的弱纽带节点中选取若干具有影响潜力的初始节点集,使其以最小的代价让信息在网络中得到最广泛的传播。实验结果表明:该算法不仅大大降低了时间复杂度,还获得了接近贪心算法的影响范围,影响覆盖率达到了90%以上。

重叠社区结构的挖掘算法

针对大多数社区挖掘算法致力于寻找独立不相重叠的社区结构,而实际的网络中,社区结构往往是重叠的问题。基于凝聚方法和贪婪算法原理,提出了一种新的算法来挖掘社会网络中彼此重叠的社区结构。在模拟数据集和标准测试数据集上的实验结果表明了算法的可行性和有效性。

Gnutella中基于兴趣的社区结构研究

研究Gnutella网络的基于兴趣的社区结构。提出一种新的度量节点之间兴趣的方法,基于新的度量分析Gnutella网络的社区结构。研究结果表明,Gnutella网络的全局和局部区域都有基于兴趣的社区结构,并且随着区域的扩大,社区结构也增强。

一种新的基于社区结构的影响最大化方法

基于传播网络的结构性,提出一种新的基于社区结构的影响最大化方法AMICS.该方法先利用已有社区挖掘算法识别出隐藏在网络中的社区结构,然后迭代选择跨越社区数最多的k个节点作为影响的初始传播者最大化影响的社区覆盖.在小型网络和中等规模网络数据集上的实验表明,该算法比传统的影响最大化方法更具优势.

一种基于社区结构的用户兴趣关联规则发现方法

提出一种基于用户社区结构的用户兴趣关联规则发现方法,通过对用户按照兴趣进行社区划分,挖掘社区群体的共同兴趣,高效地发现兴趣之间的关联规则。对兴趣关联规则的特点进行了研究,分析发现有效关联规则均产生于社区内部的兴趣之间,不同社区之间的兴趣关联较少。

基于边聚集系数的社区结构发现算法

将超图模型以及基于此的聚类算法应用到社区结构发现的领域。对于简单图的社区结构发现,引入边聚集系数的概念,提出了基于边聚集系数的社区发现算法。将安然邮件数据集作为测试数据集,通过算法对比分析,证明该算法在时间复杂度上可以提高一个数量级。

基于PCA的复杂网络社区结构分析方法

揭示复杂网络的社区结构,对于了解网络结构与分析网络特性有重要意义。将一个网络划分为几个不同的社区,其本质也就是在一定程度上最大化提取网络本身的主要信息,同时略去一些相对次要的信息。主成分分析(Principle Component Analysis,PCA)方法,正是一种从对象中提取主要信息,而忽略相对次要信息的多元统计分析方法。本文基于PCA的信息压缩思想,提出了一种分析复杂网络社区结构的新方法,并将其应用于分析空手道俱乐部网络(Zachary网络)、海豚网络(Lusseau网络)、政治书籍网络(Krebs网络)等网络的社区结构,并且与基于模块度矩阵的谱方法划分结果进行了比较,数值实验结果表明本文提出的方法是可行且有效的。

社区结构对微博舆论话题传播的影响研究

微博聚集了大量的用户群体,社区结构是微博网络的重要特征。为了探索微博网络的社区结构对舆论话题传播的影响规律,分析了微博用户选择关注对象的心理,基于此提出了微博社区网络的构造模型,该模型可以通过社区因子调节微博网络的社区结构特征。实验中验证了社区因子对微博网络社区结构的影响,基于SIR模型仿真分析了传播源节点和社区因子对微博舆论话题传播的影响机理。仿真结果表明,与名人效应相比,网络的社区结构对微博话题的传播具有一定的抑制作用。通过twitter实例数据对部分结论进行了验证。

城郊社区结构异质性及其治理模式选择——基于网络治理视角

我国城郊社区结构的异质性变化引发了一系列社会管理问题,传统的强化管控方式应对乏力。从网络治理视角出发,运用人口、空间、组织和综合网络中的信任、目标共识、参与者规模与社区能力需求等权变因素,探究不同类型社区对治理模式选择的解释逻辑。结合定量数据和定性资料,对天津市城乡接合部的两个典型社区进行比较分析,发现弱异质性结构社区的网络联系紧密且牢固、节点数量少且集中,适宜采用参与者共同治理模式;强异质性结构社区的网络联系松散且薄弱、节点数量多且分散,需要采用领导者协调治理模式。

一种新型简单图社区结构发现算法

在大型复杂网络中自动搜寻或发现社区具有重要的实际应用价值。该文把超图模型以及基于此的聚类算法应用到社区结构发现的领域。对于简单图的社区结构发现,引入边凝聚系数的概念,提出了基于边凝聚系数的社区发现算法。将安然邮件数据集作为测试数据集,通过算法对比分析,证明该算法在时间复杂度上可以提高一个数量级。