基于复杂网络社区发现算法的2型糖尿病证候组成及时序演变规律研究

目的分析2型糖尿病(type 2 diabetes mellitus,T2DM)证候组成及时序演变规律,为指导T2DM临床实践提供参考。方法基于2826名T2DM患者的门诊电子病例数据,利用复杂网络社区发现算法、有向加权复杂网络、桑基图对证候组成、证候时序演变规律进行数据挖掘。结果通过对T2DM证候复杂网络进行社区划分,最终得到7个核心证候社区。其中证候社区A(气虚血瘀并阴阳两虚证类)为T2DM复杂网络中节点占比最高(26.84%);在T2DM疗前疗后两阶段证候时序演变规律当中,T2DM证候存在复杂的演变关系,有5类证候社区都首先转化为气虚血瘀并阴阳两虚(A类),其中"肝肾阴虚并心脾两虚为主(F类)→气虚血瘀并阴阳两虚(A类)"和"阴虚火旺并痰热互结(C类)→气虚血瘀并阴阳两虚(A类)"两类证候转化率都超过20%;在长期证候演变规律中,T2DM证候之间仍然呈现复杂演变,其中脾虚胃热并肝气瘀滞(B类)、阴虚火旺并痰热互结(C类)在长期趋势中均有相当的比例会演化为气虚血瘀并阴阳两虚(A类);无论两阶段证候演变还是长期证候演变规律均显示,存在51-67%证候经过治疗后不发生演变。结论 T2DM证候组成以虚实结合为主;T2DM的证候有着复杂的时序演变过程,整体沿着由实到虚的方向演变,气虚血瘀和阴阳两虚类证为T2DM证候演变过程中的关键证候。

基于深度编码器的复杂网络社区发现算法

复杂网络是复杂系统的典型表现形式,社区结构是复杂网络最重要的结构特征之一。针对目前社区发现算法精确度低以及不适合大规模网络的问题,提出一种新的算法DA-EF和用于度量节点之间相似度的影响力扩散指标。DA-EF利用多层自动编码器与森林编码器构成二级级联模型,相似度矩阵进行降维和表征学习处理,转化成低维高阶特征矩阵,最终使用K-means得到准确的社区划分结果。级联结构在保持算法同等深度的情况下,大幅降低了算法时间复杂度。在人工合成数据集和真实数据集上的实验表明,DA-EF与同类算法K-means、DA-EML和CoDDA相比,其标准互信息NMI和模块度Q值高,而且聚类运行时间最少,具有精确度高和效率快的优势。在算法性能实验中,验证了算法的级联结构、自动编码器的深度以及影响力扩散指标的合理性和有效性。

复杂网络社区发现算法综述

研究复杂网络社区发现算法对分析复杂网络节点的传播性质、网络的层级结构以及社区的形成、挖掘其内部的网络特征均有重要的意义。综合当前社区发现算法的研究现状，将社区划分方法分为传统的社区划分算法与新型社区划分算法。从划分思想的角度，传统方法主要基于图分割理论、标签、层次聚类、随机游走，新型方法主要基于统计推断、重叠社区、密度、动态距离。本文较全面地综述了社区发现的各类算法、评价指标以及应用，并对算法的复杂度及准确度进行了比较，以期望对该领域的研究工作提供帮助和参考。

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。

大规模复杂网络社区并行发现算法

随着网络规模的不断扩大,传统社区发现算法已无法有效和高效地处理大规模网络数据.基于Spark分布式图计算模型,提出大规模复杂网络社区并行发现算法DBCS(Discovering Big Community on Spark).算法利用基于模块度的聚类思想,首先计算出节点对之间的模块度增量,然后迭代查找出所有模块度增量最大的节点对,对所有节点对进行合并操作,并更新节点对之间的模块度增量,进而实现大规模复杂网络社区识别.大量真实复杂网络与仿真网络数据集上的实验结果表明:DBCS算法能有效地解决传统社区发现算法无法处理的大规模复杂网络社区划分问题,百万级以上节点处理时间约为4min,是Hadoop平台下并行发现算法运行时间的1/20,社区识别准确率比传统社区发现算法提高了7.4%.

一种基于边界节点识别的复杂网络局部社区发现算法

在网络日益巨大化和复杂化的背景下,挖掘全局网络的社区结构代价较高。因此,基于给定节点的局部社区发现对研究复杂网络社区结构有重要的应用意义。现有算法往往存在着稳定性和准确性不高,预设定阈值难以获取等问题。该文提出一种基于边界节点识别的复杂网络局部社区发现算法,全面比较待合并节点的连接相似性进行节点聚类;并通过边界节点识别控制局部社区的规模和范围,从而获取给定节点所属社区的完整信息。在计算机生成网络和真实网络上的实验和分析证明,该算法能够自主挖掘给定节点所属的局部社区结构,有效地提升局部社区发现稳定性和准确率。

基于免疫遗传算法的复杂网络社区发现

针对大部分基于智能优化算法的社区发现方法存在的种群退化、寻优能力不强、计算过程复杂、需要先验知识等问题,提出了一种基于免疫遗传算法(GA)的复杂网络社区发现方法。算法将改进的字符编码和相应的遗传算子相结合,在不需要先验知识的情况下可自动获得最优社区数和社区划分方案;将免疫原理引入遗传算法的选择操作中,保持了群体多样性,改善了遗传算法所固有的退化现象;在初始化种群及交叉和变异算子中利用网络拓扑结构的局部信息,有效缩小了搜索空间,增强了寻优能力。计算机生成网络和真实网络上的仿真实验结果表明算法可自动获取最优社区数和社区划分方案并具有较高的精度,说明算法具有可行性和有效性。

复杂网络社区发现视角下慢性阻塞性肺疾病患者的共病特征分析

目的探讨不同性别慢性阻塞性肺疾病患者的共病模式,为慢性阻塞性肺疾病患者分层管理提供理论依据。方法选取山西医科大学第二医院2011年12月至2020年5月慢性阻塞性肺疾病患者作为研究对象,横断面收集患者诊断信息建立共病网络,采用Louvain法对共病网络进行社区划分,并分析比较不同性别患者共病类型、组合及患病率。结果研究表明不同性别患者单个慢性病和共病对的患病率存在差异;各患者群体对应的共病网络和社区结构也不同。结论男性患者共病网络较女性患者共病网络更聚集和复杂,男性患者的共病模式比女性患者更复杂多样,疾病间联系更为紧密,在慢性阻塞性肺疾病患者中更应多关注男性患者,以期减少共病的发生。

复杂社会网络的两阶段社区发现算法

社区发现是当前复杂系统研究的前沿热点.本文提出了用于描述网络节点间依赖程度的关联度指标,能够有效描述社区节点向社区的聚集,提出了利用关联度进行社区挖掘的两阶段算法CDCDA.该算法首先采用局部扩张方法挖掘初始节点社区,对于初始社区外的独立结构(边缘稀疏结构、边缘聚集结构、中间稀疏结构和中间聚集结构),分别采用合并、分割合并的方式进行社区调整.真实网络的实验结果表明,算法不仅有较好的社区划分效果,而且能够发现社区中的微结构,并能够对社区给出更细致的分析.

基于DNA遗传算法的复杂网络社区结构发现

复杂网络社区结构划分日益成为近年来复杂网络的研究热点,到目前为止,已经提出了很多分析复杂网络社区结构的算法。但是大部分算法还存在一定的缺陷,而且有些算法由于其时间复杂度的过高导致其不合适应用于对大型网络的分析。提出了一种基于DNA遗传算法的复杂网络社区结构分析的方法。该方法无须预先知道社区内结点的数量以及任何门限值。该算法的可行性用Zachary Karate Club和College Football Network模型进行验证。

基于多种群遗传算法的复杂网络社区结构发现

提出了一种基于多种群遗传算法的复杂网络社区结构发现新算法,该算法无须预先知道社区内节点的数量以及任何门限值,同时引入并行遗传算法的思想,进一步提高了算法的运行效率。实验结果表明,与传统算法相比,在无先验信息的条件下,使用该算法对不同规模的网络图Zachary和Dophins网络结构进行验证时,能够以较低的时间复杂度、高效并准确地完成对网络社区的有效划分。

基于PSO微粒群算法的复杂网络社区结构发现

复杂网络社区结构划分日益成为近年来复杂网络的研究热点,到目前为止,已经提出了很多分析复杂网络社区结构的算法。但是大部分算法还存在一定的缺陷,而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。提出了一种基于PSO微粒群算法的复杂网络社区结构分析方法。此方法无需预先知道组成该复杂网络的社区数量、社区内的节点数以及任何门限值。该算法的可行性用Zachary Karate Club和College Football Network模型进行验证。

自适应进化蝙蝠算法下的复杂网络社区发现

针对现有智能优化算法解决复杂网络社区发现问题存在求解适应度函数精度低、算法收敛速度慢等不足,在基本蝙蝠算法框架下,结合遗传算法的思想,提出一种自适应进化蝙蝠算法。首先,算法以模块度函数作为适应度函数,采用基于字符的编码方式,利用标签传播方法初始化种群;然后,将蝙蝠个体的速度转化为变异概率,使用交叉变异算子更新位置,从而实现蝙蝠的自适应进化;最后,在计算机生成网络和真实网络环境下进行仿真实验。研究结果表明:与用于社区发现的其他智能算法相比,该算法具有收敛速度快、求解精度高的优点,更适合大规模网络下的社区发现。

复杂网络的重叠社区发现并行算法

随着网络规模的快速增长,传统社区发现算法难以处理大规模网络数据和满足复杂网络的可扩展分析需求.本文提出一种适用于大规模复杂网络的重叠社区发现算法PHLink.该算法根据复杂网络的无标度特性将节点建立连边的原因进行分析和归类,用以识别网络中具有重叠性的社区结构,并采用MapReduce计算框架对网络进行分割和冗余存储,减弱了图计算的耦合性,解决了社区发现算法的分布式计算问题.通过真实网络测试,PHLink算法可以大幅度降低边计算的复杂度,对于无标度特性明显的复杂网络提取0.1%的枢纽节点即可节省94%以上的计算量,较传统算法具有较高的稳定性和准确性,并且在Hadoop平台有良好的加速性和伸缩性,可以处理千万级连边规模的大规模复杂网络.

基于复杂网络的社区发现算法

针对现有社区发现算法准确度较低的问题,该文提出了1种基于中心节点的社区发现算法。通过各节点度数及节点间相似度寻找社区的中心节点,然后利用局部模块度对各个社区进行优化,并根据节点吸引力将孤立节点和重叠社区节点尽量归入其社区,从而获得整个网络的社区划分。将该文算法分别与3种局部社区发现算法、4种全局社区发现算法相比较,实验结果表明,该算法可以提高社区发现的准确度,具有可行性。

基于节点相似度的网络社区发现算法

现实生活和自然界系统中都存在着各种各样的联系,这些系统都可以类比为不同的复杂网络,近年来,由于技术的快速发展,社区结构作为复杂网络重要的拓扑性质,被广泛应用于推荐系统、智能广告、定向市场营销、公共卫生系统等,具有强烈的现实意义,引起了国内外大量学者的广泛研究,由此产生了大量社区发现算法。基于节点离心率定义新的节点相似度,针对现有大多数社区发现算法划分社区的质量较低、社区数量较多的问题,改进了一种基于节点相似度的社区发现算法,该方法用于未加权的网络检测社区结构,充分利用了网络的局部与全局信息,最终得到较好的社区结构,具有重要的现实意义。

复杂网络重叠社区结构发现的演化算法研究

复杂网络重叠社区结构的划分已成为复杂网络研究的一个热点,目前已提出了很多关于社区结构发现的算法。提出了一种基于个体从众的演化算法ICEA,基本思想是由节点邻居组成的个体依概率进行从众和变异操作,用较短时间找到最优(或拟最优)模块度的社区划分,社区结构确定后利用邻居投票机制NV发现网络的重叠节点,完成重叠社区的划分。在真实网络的实验结果表明,此算法的使用时间和划分结果都优于典型算法。

复杂网络社区发现的多目标五行环优化算法

社区结构作为复杂网络的重要特性,对理解网络的功能和结构具有重要意义。为了解决复杂网络的社区发现问题,提出了一种多目标五行环优化算法(Multi-Objective Five-Elements Cycle Optimization,MOFECO)。首先,将社区发现问题建模为多目标优化问题,选取反比率关联(Inverse Ratio Association,IRA)和比例缩减(Ratio Cut,RC)这两个互相对立的目标作为目标函数;然后,基于五行环模型(Five-Elements Cycle Model,FECM),通过局部最优解和全局最优解实现元素的更新,并引入交叉和变异算子对更新策略进行改进;最后,使用快速非支配排序的方法获得Pareto最优社区划分集合,有助于揭示复杂网络的层次结构。在人工合成网络和真实社会网络上进行实验,与单目标算法(GA-Net,Meme-Net)以及多目标算法(MOGA-Net,MOCD,MOEA/D-Net,DMOPSO,DIM-MOEA/D,MOCD-ACO)进行对比得出,MOFECO算法弥补了传统单目标优化社区结构划分单一的缺陷,在社区发现的准确度上有所提高。

基于社区发现算法的复杂网络关键反应路线提取

在分子自由基尺寸上对化工过程建立准确的机理过程模型,是目前世界“分子炼油”发展的重要方向。分子炼油过程体系的复杂性主要来源于化学反应网络的耦合性和多尺度性,这对深入了解化工生产过程提出了挑战。对复杂化学反应网络进行关键信息挖掘与表达,有助于工程师深入理解化学反应过程机理,实现机理透明化。由于炼油炼化过程的复杂反应网络存在以关键反应物质为中心的模块化、社区化特征,本文采用Leiden社区发现算法,从介尺度上对蒸汽热裂解制乙烯的反应网络进行反应社区划分,并基于分子自由基尺度从简化后的反应社区提取出对应的关键反应路线,为宏观反应网络到微观物质的相互作用提供一种可解释性的桥梁,助力揭示物质转化过程的知识传递机制。

复杂网络的社区发现算法研究

复杂网络是对于复杂系统的高度抽象,其中许多性质如小世界性质、无标度性质以及聚集性质等等已经得到了充分的研究。大量文献表明,复杂网络呈现出的社区结构特性。如何在大型网络中高效地发现社区问题是近年来复杂网络的研究热点。文章讨论了一些关于社区发现方面的概念、理论、算法及应用等,并简述了其发展趋势。