卷积神经网络的top-k相似节点搜索方法

针对复杂网络环境下搜索与目标节点文本和结构均相似的top-k节点问题,本文提出了一种基于卷积神经网络的top-k相似节点搜索算法LRE-CNN.对于一个无向带权复杂网络,首先为网络中每个节点构造基于度和权重的最近邻网络模型,利用最近邻网络相对加权熵计算度和权重对节点结构的影响.然后,通过KL散度比较节点对的差异生成节点结构相似度,从而筛选出目标节点的候选相似节点.最后,利用卷积神经网络(CNN)抽取目标节点和候选相似节点的文本特征间的潜在关系,从而预测出与目标节点文本结构均相似的top-k节点.通过在不同规模的复杂网络上进行实验,并与现有主流相似节点搜索方法进行对比,实验结果表明所提方法具有较高的检索准确率,同时具有较高的执行效率,能够有效适用于大规模复杂网络环境下的相似节点top-k搜索.

负载相似节点分布解决传感器网络能量洞问题

基于多跳路由的传感器网络,靠近sink的节点由于要转发更多的数据,其能量消耗较快.能量消耗的不平衡导致了sink周围产生能量洞(energy hole),造成能量浪费,远离sink的节点还有大量的能量,但产生的数据不能传送到sink.研究了传感器网络的能量洞问题.在网络的连续空间状态下分析节点的负载分布特性,并研究空闲侦听(idle listening)对能量消耗的影响.基于分析结果,提出负载相似节点分布(load-similar node distribution)策略,即根据负载分布特性配置节点,负载重的区域配置较多的节点,以平衡各区域节点的能量消耗,解决能量洞问题.仿真结果显示,在不考虑空闲侦听能量消耗的情况下,与已有的一种非均匀节点分布和均匀节点分布相比,负载相似节点分布策略对网络寿命有显著改善;当考虑空闲侦听时,由于空闲侦听的能量消耗在总能量消耗中占较大比重,影响了网络寿命,但与其他两种节点分布策略相比,负载相似节点分布对网络寿命仍然有所改善.该分析模型和提出的负载相似节点分布策略可适用于其他多跳传感器网络.

基于快照的大规模动态图相似节点查询算法

动态图拓扑结构演进过程中,为了量化在一定时间域内节点间联系的变化情况,定义了一种泛相似节点的概念,通过衡量其与当前节点的联系是否频繁、分布是否均匀来确定与当前节点的泛相似程度,并提出了一种基于快照的大规模动态图泛相似节点查询处理算法。具体包括:图动态演进过程的快照集表示,即演进动态图;图动态演进过程中的节点泛相似的语义及其形式化表示方式,从联系的频繁程度与分布的均匀程度对节点的相似程度进行了刻画;节点泛相似语义的矩阵表示及处理方式;针对这种语义的泛相似节点查询处理算法。真实数据集和合成数据集上的实验结果均表明算法能够处理大规模动态图上泛相似节点的查询问题,并在实际应用中运用实现。

基于语义分析的大规模动态图形相似节点查询算法

随着动态图形在网络应用领域的发展与扩展,针对当前相似节点查询算法存在运行响应速度慢、查询占用的存储空间较大、容易受到外界因素干扰而导致查询精确度不佳等问题,提出基于语义分析的大规模动态图形相似节点查询算法。首先,依据语义分析的方法,对动态图形相似节点数据进行预处理,获取节点相似性函数;其次,针对当前节点在不同时刻的相似性函数,设计相应的矩阵以增强计算效率;最后,将求出的节点相似程度值按照升序顺序进行排列,将相似程度值最高的节点看作相似节点,实现相似节点的查询。实验结果表明,所提算法查询速度快,查询精确度较高。

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。

基于节点相似性的并行启发式网络拓扑结构发现算法

针对网络社区发现算法的低精确度与高复杂度问题,在节点相似性的基础上提出了一种适用于复杂网络的社区发现算法。利用邻接矩阵和经典决策规则,制定具有较高可靠性和准确性的相似性判定准则,实现网络拓扑中相邻节点之间关系的量化与计算。通过引入具有较少冲突的哈希表,提出具有并行运算结构的启发式社区发现算法,完成对复杂网络拓扑结构的高质量检测。仿真测试结果表明,与经典的Jaccard准则发现算法相比,基于节点相似性的发现算法具有更高的发现精确度及时间效率。

基于网络节点相似性的髋关节点云配准算法

针对基于聚类和距离的点云去除异常值算法在髋关节点云上容易去除正常值,导致点云结构发生改变等问题,本文提出一种随机抽样一致性(random sample consensus,RANSAC)拟合圆算法与包围球去除离群值算法,利用RANSAC算法提出距离点云主体较远的异常值,使用包围球算法去除髋臼窝中悬浮的异常值.同时,针对迭代最邻近点算法(iterative closest point,ICP)在选取初始点对时偏离真实值较大,容易导致迭代次数过多,陷入局部最优解的情况,本文提出一种基于网络节点相似性筛选初始点对方法,通过选取最接近真实值的点对进行迭代优化.结果表明,改进算法能够有效剔除髋关节表面点云中的异常值,选取准确的初始点对,实现任意位姿下两组点云的快速、精确配准.

基于节点相似度和标签传播的加权网络社团划分方法

社团是复杂网络中连接紧密的节点所构成的群体,社团划分是理解网络结构和挖掘网络所蕴含的信息的有效途径,加权网络能比无权网络反映更深层次的信息,对其进行社团划分具有重要的现实意义。为了提高加权网络社团划分的准确性和效率,设计了一种基于节点相似度和标签传播的加权网络社团划分方法SLWCD。该方法用改进的Jaccard相似系数计算加权网络的节点相似度,并基于节点相似度将节点分组,再按组分配初始标签;在标签传播过程中,对目标节点的邻居节点按标签分组,将目标节点的标签更新为与其边权之和最大的组所对应的标签;当标签不再变化时,将具有相同标签的节点归于同一个社团,产生最终的社团划分结果。在Zachary空手道俱乐部网络和Lesmis网络上的实验结果表明,SLWCD方法不仅能够准确地划分加权网络的社团,而且具有较高的稳定性和较低的时间复杂度。

基于节点相似性的图注意力网络表示学习模型

图注意力网络(GAT)通过注意力机制聚合节点的邻居信息以提取节点的结构特征,然而并没有考虑网络中潜在的节点相似性特征。针对以上问题,提出了一种考虑网络中相似节点的网络表示学习方法NSGAN。首先,在节点层面上,通过图注意力机制分别学习相似网络和原始网络的结构特征;其次,在图层面上,将两个网络对应的节点嵌入通过基于图层面的注意力机制聚合在一起,生成节点最终的嵌入表示。在三个数据集上进行节点分类实验,NSGAN比传统的图注意力网络方法的准确率提高了约2%。

基于节点影响值的社区网络稳定标签传播算法

针对社区网络标签传播准确性差的问题,提出基于节点影响值的社区网络稳定标签传播算法。该算法重设社区网络相邻节点相似度,结合链路加权思想将其变换为链路无向带权图;利用节点K-shell分解值判断节点影响力,计算种子节点的中心性度量值,升序排列节点更新顺序;根据越重要节点标签影响越大的规则,修正高频数标签,获取最佳社区网络划分结果。结果表明:该算法模块度在0.320以上,准确率达到99%,因此,经该方法划分后的网络结构清晰、准确,稳定性高。

基于共邻节点相似度改进的DPoS共识算法

针对委托权益证明(delegated proof of stake,DPoS)中节点投票不积极和恶意节点操纵选举结果的问题,提出一种基于共邻节点相似度改进的DPoS(DPoS based on similarity of common neighbor nodes,S-DPoS)共识算法。首先,引入共邻节点相似度模型实现社区划分,缩短投票周期,提高共识效率。其次,计算节点的信誉度,各社区选出一个信誉度最高的节点作为见证节点且负责生产区块,通过节点身份转换机制及时更新节点类别。最后,通过奖惩机制对节点进行奖惩,快速剔除错误节点。仿真实验结果表明,S-DPoS共识算法的节点参与度比DPoS算法提高30%~40%,并且能够有效降低恶意节点操纵选举结果的可能性,增强了系统的安全性。

基于节点相似性的复杂网络聚类特征层次布局算法

针对当前现有布局算法在实际应用中存在布局耗时时间长的问题,引入节点相似性理论,开展对复杂网络聚类特征层次布局算法的设计研究。结合个性化PageRank,对节点相似度计算,完成对复杂网络的粗化处理。在此基础上,利用复杂网络中提取的节点,实现聚类特征多层次分布。通过对比实验证明,新的布局算法在实际应用中完成布局的耗时时间更短,有效促进特征层次布局的效率提升。

基于节点相似度与影响力的CCN社区划分方案

内容中心网络(CCN)的内容检索过程存在低效冗余问题,为提升其性能,提出一种基于节点相似度和影响力的CCN社区划分方案(SI-LPA)。首先提出基于特征向量中心性和改进标签传播算法的社区划分方案,以帮助内容检索;随后利用节点与邻居节点间相似性和影响力提出一种更新标签值的方法;最后在每一个划分好的社区上选择竞争力最大的节点部署SDN控制器,以帮助实现更好的管理社区功能以及进行社区间路由。实验表明,引入SDN控制器和社区划分可以加快内容检索和路由分发的速度,从而提高CCN路由的性能。

基于节点相似性的链接预测

链接预测是图数据挖掘中的一个重要问题。它是通过已知的网络结构等信息预测和估计尚未链接的两个节点存在链接的可能性。目前大部分基于节点相似性的链接预测算法只考虑共同邻居节点的个体特征,针对目前预测算法对共同邻居节点间相互关系的考虑不足,提出了一种新算法:节点引力指数算法。该算法在保持低时间复杂度的同时,提高了预测的准确率。通过多个现实网络实验证实了算法的预测效果。

基于节点相似度的网络社团检测算法研究

社团结构是众多复杂网络的统计特性之一,挖掘网络中存在的社团结构日益受到人们的普遍关注。网络中的社团结构检测本质上类似于传统机器学习领域的聚类分析,其关键问题在于如何定义网络中节点间的相似度。首先提出了基于节点相似度的节点分裂算法SGN,相比传统的基于边界数(betweenness)的节点分裂算法GN,SGN在速度和精度上都有明显改善;接着,在利用各种节点相似度计算方法得到节点间的相似度之后,采用几种经典的聚类分析算法对网络进行社团划分,在模拟数据和真实数据上的实验表明:基于网络拓扑结构信息的signal和regular方法优于基于网络节点局部信息的Jaccard方法,而且对于复杂网络社团划分问题,如果选择好的网络节点相似度构造方法,已有的基于相似度矩阵的聚类分析算法都能快速有效地对网络社团进行划分。

基于多层节点相似度的社区发现方法

社区发现是复杂网络研究中的一项重要研究内容,基于节点相似度的凝聚方法是一种典型的社区发现方法。针对现有节点相似度计算方法中存在的不足,提出一种基于多层节点的节点相似度计算方法,该方法既可以有效地计算节点之间的相似度,又可以解决节点相似度相同时的节点合并选择问题。进一步基于这种改进的节点相似度计算方法和团体之间的连接紧密度度量准则构建社区发现模型,并在真实世界的网络上进行社区发现实验。与GN算法、Fast Newman算法和改进的标签传播算法的实验结果相比,该模型可以更加准确地找到各个社区的成员。

基于节点相似度的容错网格作业调度算法研究

为提高网格作业运行的成功率,研究了提高作业调度的可靠性的方法。研究表明,现有容错的网格作业调度算法多通过作业复制来降低节点的软硬件故障造成的作业失败的概率,它们既没有考虑作业的多个副本因共处的网络环境故障造成的同时失败,也没有考虑作业的多个副本由于所在节点缺乏相同的资源而同时失败。针对这一问题,提出了节点相似度的概念和计算方法,并将其应用到容错的网格调度算法中。提出的容错的调度算法将作业的多个副本分配到具有不同相似度的节点上运行,充分利用网格环境的分布性和异构性进一步减小作业失败的概率。

基于节点相似性和网络嵌入的复杂网络社区发现算法

社区发现算法对分析复杂网络的拓扑和层次结构、预测复杂网络的演化趋势等具有十分重要的意义。传统的社区发现算法划分精度不高,忽略了网络嵌入的重要性。针对这样的问题,提出了基于节点相似性和网络嵌入Node2Vec方法的无参数社区发现算法。首先,使用网络嵌入Node2Vec方法将网络节点映射成欧氏空间中低维向量表示的数据点,计算低维向量表示的数据点之间的余弦相似性,根据相应节点间的最大相似性构建偏好网络,得到初始社区划分,把每个初始社区的最大度节点作为备选节点;然后根据网络平均度和平均最短路径找出备选节点中的中心节点;最后将中心节点对应的数据点及其数量作为初始质心和聚类数,用K-Means算法对低维向量表示的数据点进行聚类,从而对相应的网络节点完成社区划分。该算法为无参数社区划分方法,可以自主地从网络中提取参数,无须根据网络的不同设定不同的超参数,从而可以自动地快速识别复杂网络的社区结构。在8个真实网络和人工网络上,将其与其他5个知名社区发现算法相比较,数值仿真实验表明所提算法具有很好的社区发现效果。

一种节点相似度和参与度符号网络社区发现算法

基于节点相似度的层次聚类算法被广泛应用于无符号网络的社区发现研究中,但不适用于符号网络,而典型符号网络社区发现算法存在从不同节点出发社区划分准确率低的问题.本文从节点相似度出发提出一种适用于符号网络的算法CDSNNSP(Community Detection in Signed Netw orks Based on Node Similarity and Node Participation Degree).算法首先提出适合符号网络的节点影响力和聚集系数,并根据其选取初始节点,依据节点相似度计算公式从邻居节点中选取与初始节点相似度最大的节点形成初始社区,通过邻居节点的参与度和相对贡献增量确定节点划分到社区的顺序以及是否划分到社区.最后,通过模拟和真实社会网络数据集的实验证明了CD-SNNSP算法的正确性和有效性.

基于无线网络节点相似度的室内定位算法

针对RSSI测距定位技术在室内环境中受到的随机干扰大,干扰变化情况不确定,定位结果误差较大的问题,提出了一种基于无线传感器网络节点相似度的室内定位算法。首先通过无线传感器网络的连通特性确定位于网络盲节点周围的几个信标节点,利用数据拟合的方法确定节点工作电压对RSSI距离测量的影响,然后根据拟合结果对不同工作电压下测得的RSSI值进行修正,利用修正后得到的RSSI值计算得到网络节点之间的相似度值,并利用该相似度值作为距离测量和定位结果的自校正系数,对定位结果进行修正,从而获得精度较高的定位效果。实验结果表明该定位算法具有较高的定位精度。