机会网络动态社团的预测

由于人们之间社会关系相对稳定并且存在一定的依赖性,由人携带设备组成的机会网络中会出现节点的聚集现象,从而表现出很好的社团特性.提出一种应用贝叶斯-蒙特卡洛(Bayesian-MCMC)预测机会网络节点社团分配的新方法,并在两个不同地点的机会网络数据集上对该方法进行了评估,实验结果显示,此方法能对机会网络中的社团演变进行预测,达到了很高的准确率,且具有良好的鲁棒性.对机会网络社团快速准确的预测有利于机会网络中节点的管理,消息的传输,资源的分配,并可以为探索由人携带设备组成的机会网络这类场景的移动模型的数学分析提供理论依据.

基础研究动态社团演化规律研究

从社团演化入手,构建基础研究动态社团演化分析框架,揭示基础研究科技人才队伍发展规律。首先,构建基础研究动态科研合作网络,运用派系过滤算法提取静态社团,基于社会分层理论与帕累托原则改进即时最优法,揭示关键学者在动态社团识别中的作用;其次,改进动态社团生命周期模型,增加稳定事件以更好地描述动态社团演化活跃度;再次,基于系统理论与竞合理论,从结构、演化和产出3个方面提取16个动态社团演化特征要素,并将其划分为规模与数量、产出与速度、竞合与活跃性、发展与延续性4部分,分析动态社团演化规律。基于以上研究,以集成电路领域为案例,比较中美前沿领域基础研究动态社团发展现状,并给出我国基础研究管理与人才培养的对策建议。

基于Spark的并行增量动态社团发现算法

动态社团发现是研究网络演化的关键步骤。在数据量迅猛增长的情况下,社团发现的单机算法效率较低。该文提出了一种基于Spark的并行增量动态社团发现算法(parallel incremental dynamic community detection algorithm based on Spark,PIDCDS),为了在GraphX并行图计算平台上通过最大化持久力发现社团,该算法对节点的持久力计算公式进行了有效修正。PIDCDS计算每个时间片中增量节点的持久力指标,更新其社团归属,在保证一定的社团划分准确性的基础上减少计算量。通过与FacetNet动态社团发现算法做比较,该算法能够获得更好的稳定性,同时能发现更真实的社团划分。对比不同规模网络在PIDCDS上的运行时间,发现该时间随着网络节点和边数的增加缓慢增长,性能较高,并且增加执行器核数将在一定程度上加速算法的执行。

时序网络中的社团探测及演化分析方法

在传统的动态社团探测方法中,由于每个时间片网络之间相互独立,无法高效地探测社团并分析社团的演化事件。针对传统方法的不足,提出一种利用时序网络的历史信息,解决上述两个问题。对于每个时间片网络,仅计算连边发生改变的节点;根据社团的定义及上一时刻的社团信息,探测当前时刻的社团并分析它们的演化事件。在人工网络上的实验结果表明,相对传统方法,该方法能够保证社团划分的质量并分析社团的演化事件,提升了探测效率。

异源在线网络话题早发现及演化特征研究

从海量新闻标题、微博等短文本异源数据及早、准确地发现舆情话题及其演化规律,以期为政府和企业监管舆情态势提供参考。以大规模异源在线社会网络数据为研究源,以文本关键词共现为建模依据点构建时变话题网络模型,将异源在线网络话题早发现及演化追踪问题转变为时变话题网络的动态社团发现与社团演化规律研究问题。进一步,提出以Louvain算法为迭代核心且以模块度增益和网络局部增量为算法量化对象的时变网络动态Louvain社团发现方法,通过与静态Louvain社团发现算法在大量计算机仿真和真实异源社会媒体数据下实验对比分析,证明所建话题网络和动态Louvain社团算法可在较少时空代价下快速、有效地实现对异源在线社会网络隐匿话题的早发现和演化规律追踪。

事件驱动的在线社交群体演化行为预测

[目的/意义]研究在线社交群体的行为规律,预测群体行为演化趋势,是当前社会计算领域一个重要研究问题。这对于事件传播动向掌控、用户群体异常行为检测、公共事件舆论场管控等有重要意义。[方法/过程]面向在线社交群体,以复杂网络理论为基础,构建融合多维特征的社交群体行为模式分析框架,挖掘网络的社团动态演化模式,对比分析事件驱动下社交群体的行为规律,进行社团演化行为预测。[结果/结论]在合成和真实网络中的大量实验结果表明,社团演化行为预测模型具有较高的精度与较强的鲁棒性;在微博网络中,不同类型事件驱动的群体演化行为特性具有明显差异,其中突发事件驱动的在线社交群体演化行为具有更高的可预测性。