基于节点相似性的二阶链路预测方法

复杂网络中基于节点相似性的链路预测算法通常根据两个节点之间的相似度,预测节点对之间是否存在链路。提出基于节点相似性的二阶链路预测方法,判别节点对之间是否存在未连接的节点,并补全节点对之间的二阶链路。同时,提出二阶链路预测指标,计算已知节点与其他并不存在链路的节点之间的相似性,并构建二阶可达网络保留原始网络中的二阶链路信息。实验结果表明,该方法能够在真实的网络数据中找到节点对之间的缺失节点,并补全可能存在的二阶链路。不同的链路预测指标在4个不同网络中的性能表现有所不同,所有实验中的最佳精确率达83.7%。

结合邻居影响和资源分配的链路预测算法

传统的资源分配算法在进行链路预测时只考虑了共同邻居对资源分配的影响,却忽略了两个节点之间的二级节点对资源分配的影响。为了探究共同邻居和二级节点对预测两个节点之间连边存在可能性的影响,提出了一种结合邻居影响和资源分配的链路预测算法。实验结果表明,在多数网络中若两个节点接收更多由共同邻居分配给它们的资源,则可以提升预测它们之间连边存在可能性的准确率。在四个生态网络和一些平均聚类系数较低的网络中,若两个节点接收更多通过二级节点分配给它们的资源,则可以提升预测它们之间连边存在可能性的准确率。

共责异构:农村养老服务的有效模式

以人口老龄化和乡村振兴的双重战略为背景,基于全国78名村党组织书记的一手访谈资料,采用定性比较分析方法,探讨不同主体在农村养老服务中的作用和效果。区别于既有理论,我国农村养老体系呈现主体分层、对象分类、方法分段的“共责异构”特征。组态结果显示:(1)邻里互助是唯一的单因素必要条件,市场机制基本缺失;(2)政府兜底是互助型养老的前提,党建引领的组织化社会力量起到补足作用;(3)居家养老的主要逻辑是共同体互助而不完全是家庭反哺,机构养老的逻辑是政府主导资源协同。在新时代新征程,农村养老体系改革要立足中华民族优秀传统文化和制度优势,实现有中心的多元协同。

基于二阶共同邻节点的链路预测算法

针对链路预测共同邻居算法(CN算法)预测精确度偏低且不适用于多类型网络的缺点,在CN算法的基础上,提出一种将共同邻居的概念扩展到二阶的链路预测算法,算法将待预测节点的邻节点分为3种类型,不同类型的邻居点被赋予不同的权重,建立基于二阶共同邻节点的链路预测算法(CN2算法)。以7个真实网络为例,通过计算分析AUC值(ROC曲线下的面积)测试算法预测精确度,将测试集数据划分为5%~50%的不同比例以测试算法的鲁棒性。综合得出CN2算法的链路预测准确性较CN算法在7个网络中平均提升9.9%左右,并且鲁棒性更优。

基于稀疏嵌入的多分类脑电信号分类方法研究

为解决运动想象脑电(electroencephalogram, EEG)信号多分类传输速率慢、准确率低的问题,本研究利用“一对多”滤波组共空间模式(one vs rest filter bank common spatial pattern, OVR-FBCSP)和稀疏嵌入(sparse embeddings, SE)提出了一种基于SE的多分类EEG信号分类方法。为降低多类任务特征提取的复杂度,提高分类效率,本方法首先采用OVR-FBCSP进行EEG信号特征提取;然后对其相应的标签矩阵进行低维嵌入,构建稀疏嵌入模型,分别计算训练和测试数据的嵌入矩阵;最后在嵌入空间中对训练和测试数据执行k最近邻(k-nearest neighbor, kNN)分类。本研究在BCI Competition IV-2a公开数据集进行了实验测试,并与其他分类方法进行了对比。实验结果表明,本研究方法拥有较高的分类准确率和较短的分析时间。

二分图中高效计算top-n maximalα-biclique的方法研究

针对当二分图中一类节点的数量固定时,如何搜索另一类型节点数量排序为前n的maximalα-biclique的问题,提出了一种基础搜索算法和一种基于共同邻居概念的改进搜索算法。在使用(1,α)-core剪枝方法加快搜索的算法基础上,基于共同邻居搜索算法使用共同邻居的概念对算法进行了改进,该算法只遍历节点的二跳邻居,并利用节点顺序和最小阈值提高搜索效率。实验结果表明,两种算法都可以有效且高效地搜索节点数量排名为前n的maximalα-biclique。与基础搜索算法相比,基于共同邻居搜索算法的搜索效率提升了80%,在实际应用场景中更具优势。

基于共同邻居数的重要节点发现算法

识别重要节点一直是复杂网络下的热点问题之一,因为识别出的重要节点能够在人群中的信息传播或疾病免疫中起到重要作用。目前大量的方法研究基本上是从节点的邻居信息、网络中的最短路径和节点删除这3个角度出发。现有的基于节点邻居信息的方法并没有对邻居节点的作用做出具体的说明,也没有对邻居节点的贡献在不同维度上进行区分。本文提出一种SCCN方法,该方法将邻居节点的贡献分为加强该节点所在的连接紧密的本地区域内的传播效果和扩展该节点所携带的信息至网络其他区域2个部分。通过标准SIR模型来评价SCCN的表现,并在8个真实网络上与度中心性、K-shell、介数中心性和PageRank比较。实验结果表明,SCCN具有更高的准确性和稳定性以及较低的时间复杂度,能够应用于大规模网络中。

基于复杂网络节点重要性的链路预测算法

提升链路预测精度是复杂网络研究的基础问题之一,现有的基于节点相似的链路预测指标没有充分利用网络节点的重要性,即节点在网络中的影响力。针对以上问题提出基于节点重要性的链路预测算法。该算法在基于局部相似性链路预测算法的共同邻居(CN)、Adamic-Adar(AA)、Resource Allocation(RA)相似性指标的基础上,充分利用了节点度中心性、接近中心性及介数中心性的信息,提出考虑节点重要性的CN、AA、RA链路预测相似性指标。在4个真实数据集上进行仿真实验,以AUC值作为链路预测精度评价指标,实验结果表明,改进的算法在4个数据集上的链路预测精度均高于共同邻居等对比算法,能够对复杂网络结构产生更精确的分析预测。

应用相关近邻局部线性嵌入算法的高光谱遥感影像分类

传统的局部线性嵌入（LLE）算法需用欧氏距离度量近邻,但欧氏距离只表示两点间的直线距离,在高维空间中不一定能反映数据间的真实空间分布,导致近邻选取不稳定.针对此问题,本文提出了相关近邻（CN）LIE（CN-LLE）和相关最近邻分类（CNN）算法.提出的算法首先利用相关系数度量数据间的近邻,实现更准确的局部重构,提取鉴别特征;然后用CNN对低维嵌入特征进行分类.在KSC和Indian Pine高光谱遥感数据集上的地物分类实验结果表明：本文提出的CN-LLE＋ CNN算法比LLE、LLE＋CNN和CN-LLE等算法的总分类精度提升了2.11％～11.55％,Kappa系数提升了0.026～0.143.由于该算法增加了近邻为同类的概率,便于更有效地提取同类数据的鉴别特征,且有更好的稳定性,故能更有效地实现高光谱遥感数据的地物分类.

基于树状朴素贝叶斯模型的社会网络关系预测

在社会网络关系预测研究领域,把基于拓扑结构信息的共邻节点属性作为相似性度量的预测模型应用比较广泛,但是该类算法具有较强的假设独立性,不能完全反映社会网络的"链接"结构。引入树状朴素贝叶斯(TAN)分类模型,采用信息熵度量节点对的角色,赋予共邻节点集合差异化的贡献权重进行社会关系预测,同时把模型推广到CN,AA和RA等3种基于相似度的链接预测算法中。对5个真实社会网络采用AUC和ROC曲线进行实验评价后证明,该模型能够在深入挖掘共邻节点对贡献及解决共邻节点角色独立性的基础上提高预测精确度,同时为该类模型的研究提供一种新的方案。

一种结合共同邻居和用户评分信息的相似度算法

随着互联网的发展,推荐系统逐步得到广泛应用,协同过滤(CF)是其中运用得最早、最成功的技术之一。CF首先根据用户间的相似度,找出每个用户的近邻;然后根据目标用户近邻的评分预测目标用户的评分;最后把预测评分较高的项目推荐给目标用户。因此相似度计算方法直接关系到预测结果的准确性,对推荐起着至关重要的作用。目前,学者们已从不同的角度提出了各种各样的相似度计算方法,其中共同邻居算法(common-neighbors)是一种简单有效的方法。但此法仅考虑了两用户间的共同邻居数,忽略了用户的具体评分信息。针对这个问题对共同邻居算法进行了改进,同时考虑了共同邻居数和用户的评分信息。实验结果表明,改进的共同邻居算法在一定程度上可提高评分预测的准确性。

基于共同邻居有效性的复杂网络链路预测算法（英文）

链路预测旨在预测网络中的缺失连边,对于实际网络演化机制的了解具有重要意义。虽然现有研究已经提出了很多相似性指标,但它们都忽视了不同网络结构下共同邻居的有效性,而局部拓扑结构信息尤其是共同邻居结构在计算节点间相似性中发挥重要作用。考虑到共同邻居周围局部拓扑信息,该文提出了一种高效共同邻居指标。该指标首先分析了共同邻居所有连边的有效性,分别从端点两侧量化了节点的有效性;然后,通过分析共同邻居节点拓扑有效性对两侧资源分配过程的影响刻画节点间相似性。15个实际网络数据实验表明,相比现有经典的9种方法,所提方法具有较高的预测精度。

多类运动想象任务脑电信号的KNN分类研究

针对基于多类任务的运动想象脑电信号的特点,使用共空间模式特征提取方法分别在"一对一"和"一对多"2种特征提取方法下提取了4类任务(想象左右手、双足以及舌头)运动想象脑电信号的特征。设计了基于多类任务模式的k最近邻分类器,针对多类任务分类过程中会出现不同类别的样本点数相等的情况,通过判断距离的方法改进了分类器,对2种特征提取方法下的共空间模式特征进行分类,分类结果的平均最大Kappa系数分别达到了0.55和0.59,说明了该特征提取及分类方法对该数据集的有效性。

基于共邻节点相似度的加权网络社区发现方法

为实现加权网络的准确划分,发现真实的社区结构,提出一种基于模块度和共邻节点相似性的层次聚类社区划分方法IEM.首先,定义两节点间基于共邻节点的相似度.之后,基于该度量快速聚合当前节点和与其关联紧密度最强的邻居节点以形成初始社区,并进行社区扩展.最后,以最大化网络模块度为目标进行社区合并以优化划分结果.算法通过形成初始社区、扩展社区、合并社区三步,实现了加权网络合理有效的社区划分.以加权模块度作为社区划分质量的评价标准,在多个数据集上的实验结果表明,IEM算法优于加权CN、加权AA、加权RA.同时,与CRMA算法相比,IEM算法对加权网络社区划分的有效性和正确性更高.

一种基于加权共同邻居相似度的局部社区发现算法

传统的社区发现算法能够找出网络中所有的社区,其时间复杂度取决于网络的规模.挖掘大网络中的全局社区结构因为时间复杂度高而难以实现,局部社区发现作为一种不需要知道网络的整体结构,从给定的节点逐步向外扩展,寻找该节点所在社区的方法,在大网络时代具有重要的应用意义.目前这方面的研究已经获得广泛关注,并提出了很多局部社区发现算法.针对已有局部社区发现算法需要人工设置参数、准确率低的问题,提出一种新的局部社区发现算法.首先,提出一种加权邻居节点的共同邻居相似度指标,用于计算网络中两个节点间的相似度;然后,基于该相似度指标,给出一种新的局部社区质量度量指标,在保证社区度量指标不下降的前提下,不断选择与当前局部社区嵌入度最大的节点加入到局部社区,逐步找出给定节点所在的社区;最后,在真实网络和仿真网络数据集上进行了实验.实验结果表明,该算法能有效地挖掘出给定节点所在的局部社区,相比具有代表性的Clauset,LWP,GMAC等局部社区发现算法有更高的准确率.

基于共同邻居的点权有限BBV模型研究

具有相似的小世界和无标度全局结构特征的网络却可能具有不同的局部结构特征。特定实际网络的局部结构特征对网络演化具有重要的影响。在集团度和点权有限网络模型的基础上,基于节点共同邻居驱动的思想,构造了一种新的符合实际加权网络演化的模型CNL。电子邮件网络实证研究显示,该模型生成的网络规模与实际吻合,且能够重现实证研究所观察到的幂律集团度分布,CNL揭示了大量真实网络演化生长的重要机理,可以广泛用于真实网络演化分析。

移动社交网络中基于共同邻居网络中心度的链路预测方法

移动社交网络中的链路预测是指通过已知的网络节点以及移动社交网络结构等信息预测网络中尚未产生连边的两个节点之间产生链接的可能性。基于网络中心度的思想,提出一种适用于移动社交网络的链路预测算法。该算法利用节点网络中心度和共同邻居数来计算两个节点的相似性指标,两个节点的共同邻居数越多、共同邻居的网络中心度越高,则两个节点的相似度越高。另外,由于移动社交网络的动态性特征,还将考虑时间因素对预测结果的影响。将该方法与其他四种常用的链路预测方法进行比较,实验结果显示所提方法要优于其他方法。

常用震级在湖北及其周边的适用性分析

2007-01~2014-12湖北及其周边300km范围内共发生ML≥3.0地震306次,对其中180个地震波形的近震震级、体波震级和面波震级进行测定。通过对各种震级偏差分布分析发现,近震震级更适合作为湖北省的速报震级。

基于共空间模式和K近邻分类器的脑-机接口信号分类方法

脑-机接口是指在人脑和计算机之间建立的直接的交流和控制通道,它以脑电信号的形式反映人的意识,并转换成控制信号.针对两类运动想象脑电信号的分类问题,提出共空间模式和小波包分解相结合的脑电信号特征提取方法.利用不同小波包对训练集的多路脑电信号进行分解,再用共空间模式算法对不同分解层子带的脑电信号进行特征提取,并采用K近邻分类器对提取到的不同特征进行分类,得到最优小波包函数和小波包子带参数.将结果应用于测试集数据的分类.仿真实验结果表明,选择db4小波包函数和4层小波包分解层,对8个特征点进行分类,可以得到高达96%的正确率.

一种时序有向社会网络中的链路预测算法

针对现有多数链路预测算法准确度较低的问题,在网络全局与局部特征相结合基础上,提出一种基于归一化共同邻居与局部聚类(NCNLC)相似性指标的链路预测算法。通过分析节点NCNLC属性的相似性指标,为节点间的连边分配累积影响因子。仿真结果表明,与LAS指标相似性算法相比,该算法具有较高的预测准确度,能够有效地进行时序有向社会网络中的链路预测。