基于Motif的社交网络用户影响力排序方法研究

LeaderRank已被广泛地用于衡量社交网络中用户的影响力或重要性的排序算法,但传统的LeaderRank仅利用基于边的关系,而忽略由少量节点组成的子图捕获的高阶关系。在本文中,我们提出一种基于Motif的LeaderRank (MLR)算法,将Motif的高阶关系合并到LeaderRank算法中,提高社交网络用户影响力的排序效果。我们在Twitter数据集上进行实验,结果不仅表明MLR算法的可行性,并且还显著提高了在社交网络用户影响力排序的准确性。除了与基线算法比较之外,还对MLR算法的参数进行分析,表明在社交网络中对用户影响力排序时,MLR算法比LeaderRank要更好。

基于标签传播的重叠社区检测算法

基于标签传播的思想,提出一种新的重叠社区检测算法SLPA-TD(Speaker-listener Label Propagation Algorithm-Time Decay),针对现有标签传播算法更新标签的随机性造成的结果不稳定问题,引入节点的影响力排序;设计一种新的标签传播的Speaker-Listener规则,引入衰减因子λ表示历史标签影响随时间衰减的程度,综合节点属性和邻域结构信息进行标签选择,提高社区检测的准确性。分别在基准网络和真实数据集上进行实验,结果表明该算法有效提高了检测结果的稳定性和准确性。

基于滑动时间窗的稠密子图发现算法研究

针对在滑动时间窗中发现稠密子图的问题,提出一种有效的动态算法,结合时间窗将网络时间线划分为k个非重叠的间隔,间隔内包含最大密度的子图。算法输入是一个边流,输出是一系列稠密子图及相应的时间间隔。现有技术在图更新时需要迭代整个图,所提算法仅影响图的有限区域,只需要局部更新稠密子图。结合理论分析,证明了该算法比基线KGOPTDP和KGOPTDS更快。多组数据集上的实验结果表明,该算法具有很高的效率和很好的扩展性,可用于处理大规模时态图。