基于矩阵分解的属性网络嵌入和社区发现算法

属性网络不但包含节点之间复杂的拓扑结构,还包含拥有丰富属性信息的节点,其可以比传统网络更有效地建模现代信息系统,属性网络的社区划分对于分析复杂系统的层次结构、控制信息在网络中的传播和预测网络用户的群体行为等方面具有重要的研究价值。为了更好地利用拓扑结构信息和属性信息进行社区发现,提出了一种基于矩阵分解的属性网络嵌入和社区发现算法(CDEMF)。首先提出基于矩阵分解的属性网络嵌入方法,基于网络局部链接信息计算相邻节点的相似性,将其与属性接近度联合建模,通过矩阵分解的分布式算法得到每个节点对应的低维嵌入向量,即把网络节点映射为低维向量表示的数据点集合。接着提出基于曲率和模块度的社区划分方法,自动确定数据点集合中蕴含的社区数量,并通过对数据点集合聚类完成属性网络社区划分。在真实网络数据集上,将CDEMF方法与其他8种知名算法进行比较,实验结果表明CDEMF具有良好的性能。

基于复合关系图卷积的属性网络嵌入方法

网络嵌入的目的是学习网络中每个节点的低维稠密向量,该问题吸引了研究者的广泛关注.现有方法大多侧重于对图结构的建模,而忽略了属性信息.属性化网络嵌入方法虽然考虑了节点属性,但节点与属性之间的信息关系尚未得到充分的利用.提出了一种利用丰富的关系信息进行属性网络嵌入的新框架.为此,我们首先为属性网络构造节点及其属性之间的复合关系,随后提出一个复合关系图卷积网络(composite relation graph convolution network, CRGCN)模型对这2种网络中的复合关系进行编码.在真实世界的数据集上进行了广泛的实验,结果证明了该模型在多种社交网络分析的有效性.

基于PPMI的异质属性网络嵌入

属性网络嵌入旨在映射网络中的节点和链接关系到低维空间,同时保留其固有的结构和属性特征.异质属性网络中多种类型的节点和链接关系给网络嵌入学习提供了丰富的辅助信息,同时也带来了新的挑战.提出异质属性网络嵌入模型(heterogeneous attribute network embedding based on the PPMI,HANEP),旨在将网络中多种类型的节点和(或)多种类型的链接关系映射到低维、紧凑的空间,同时保护节点的属性特征和不同类型对象之间的异质链接承载的复杂、多样且丰富的语义信息.HANEP模型首先基于样本属性的相似性构建属性图、依据元路径抽取异质属性网络的拓扑结构,然后通过随机冲浪获得属性和拓扑概率共现(probabilistic co-occurrence,PCO)矩阵,并计算其正点对互信息(positive point-wise mutual information,PPMI),进而采用多个自编码器(auto-encoder,AE)捕捉节点属性和异质链接的本质信息.元路径可以捕捉异质网络中多种类型节点间的链接关系,构建属性图可以清晰描述节点属性的非线性流行结构,属性和拓扑的局部成对约束和图表示有助于整合节点属性和网络拓扑的一致性和互补性关系,PPMI表示可以捕捉属性和拓扑的高阶近邻信息及潜在的复杂非线性关系.在3个真实数据集上的实验结果验证了HANEP算法的有效性.

重要特征选择和局部网络拓扑嵌入的社区发现算法

寻找网络中连接紧密的、稳定的社区,对网络大数据的挖掘和分析具有重要的意义和价值.节点属性和网络拓扑对社区发现都有重要的影响,由于真实网络中的节点属性维度大,找寻重要属性困难,而且和深层次的结构信息又不易进行高效整合以进行社区划分.为了有效地提取节点的重要属性信息,并和局部链接拓扑信息深入融合,根据矩阵分解,提出了基于特征选择和属性网络嵌入的社区发现算法.首先采用节点的联合相似度潜在表征指导特征选择,筛选出重要的属性后与原拓扑组成新网络,然后将新网络通过融合邻居信息的属性网络表征学习映射成节点低维向量,最后对该嵌入向量进行聚类从而实现社区划分.在真实网络数据集上与其他代表性算法进行比较,实验结果表明所提算法具有良好的特征选择性能和社团划分性能.

一种细粒度的机场群航线网络差异性计算方法

针对机场群航线网络分析存在的粒度不够精细且网络信息挖掘不充分等问题,提出一种细粒度的机场群航线网络差异性计算方法.首先,以机场群机场和通航机场为顶点、直通航线为边构建机场群航线网络;其次,根据通航机场所属城市综合发展水平,将机场群航线网络划分为若干个不同航线子网;再次,提取航线子网加权邻接矩阵和机场群机场节点属性矩阵,采用深度属性网络嵌入(Deep Attribute Network Embedding,DANE)学习航线子网特征表示,利用余弦相似度计算航线子网差异;最后,以京津冀机场群航线网络为例进行实证研究.结果表明:细粒度的机场群航线网络差异性计算方法可以更有效识别机场群航线网络的差异,机场群节点属性有助于改善航线网络差异性分析.