关键词： 复杂网络   社团检测   图卷积神经网络   马尔科夫稳定性   强化学习   深度Q网络  

摘要： 社团检测作为复杂网络中的一项基本课题已经在很多领域得到了广泛的应用。社团检测旨在于通过分析网络的拓扑结构以及其他信息挖掘出网络的社团结构,这对于了解网络结构、分析网络特性具有极为重要的意义。在早期,一系列基于不同思想的社团检测算法被提了出来,例如标签传播、模块度优化等等。这些算法的本质都是从统计学的角度出发,通过对网络的拓扑结构进行分析,从而挖掘出网络的社团结构。近年来,随着机器学习的快速发展,社团检测算法也从当初的基于统计学的算法转向了基于机器学习的算法,很多神经网络模型例如前馈神经网络模型、卷积神经网络模型、对抗神经网络模型等都被应用在了社团检测中,并取得了显著的效果。与传统的算法相比,基于机器学习的算法能够凭据大量的数据以及神经网络强大的拟合能力挖掘出网络中节点之间的关系,进而准确地检测出网络的社团结构。近年来,研究人员将卷积神经网络扩展到了复杂网络上,并提出了一系列图卷积神经网络模型。其中图卷积神经网络(Graph Convolutional Network,GCN)模型一经提出,便由于其简洁和高效得到了研究人员广泛的关注,并被应用在了许多领域,其中就包括社团检测。与其他基于深度学习的社团检测算法相比,基于图卷积神经网络的社团检测算法能够更好地拟合网络中节点之间的拓扑关系。但是现有的基于图卷积神经网络的社团检测算法在社团挖掘的准确性上仍然面临着一些限制,这主要是因为这些算法的优化目标不能够更好表征社团结构。针对这一问题,本文从增强社团结构的马尔科夫稳定性的角度出发,提出了一种基于图卷积神经网络的重叠社团检测方法,旨在于通过图卷积神经网络模型强大的邻域信息聚合能力生成具有最高稳定性的社团结构。与现有的基于图卷积神经网络的社团检测算法相比,本文提出的算法所使用的马尔科夫稳定性更能够表征网络的社团结构。为了验证我们提出的算法的有效性,我们选取了两种衡量社团挖掘效果的评价指标,同时在一系列尺度不同的网络上进行了对比测试实验,包括小规模的真实网络、中等规模的真实网络、中等规模的属性网络以及人工生成的网络。实验结果表明,与其他的基线算法相比,我们的算法在绝大多数的网络上具有最高的准确性,同时,由于马尔科夫稳定性依赖于一个时间参数,马尔科夫时间,在实验的过程中,我们发现可以通过优化马尔科夫时间来进一步提升我们算法社团挖掘的准确性。实验结果表明在给定最优的马尔科夫时间的情况下,我们算法社团挖掘的准确性可以得到显著的提升。另一方面,一些基于模块度优化的社团检测算法由于贪心思想存在局部最优的问题。本文提出使用图卷积神经网络和强化学习来解决这一问题。其中我们使用图卷神经网络来提取网络的状态信息,使用强化学习算法深度Q网络来解决模块度优化中存在的局部最优问题。本文在一些真实网络上与一些基于模块度优化的社团检测算法进行了对比实验,实验结果表明,本文提出的算法可以避免模块度局部最优的问题,相应的社团检测准确性更高。

关键词： 社团检测   托攻击检测   协同过滤   矩阵分解   自适应损失函数  

摘要： 在数据和信息爆炸式增长的时代,协同过滤推荐系统被广泛用于提供个性化推荐、解决信息过载问题等,给人们的生产生活带来了许多便利。提升推荐算法的鲁棒性,使推荐系统能够长期提供稳定可靠的高质量推荐具有较高的应用价值,成为当下的一个研究热点。由于推荐系统的开放性,恶意用户可以发动托攻击来达到其特定意图,这将使系统的推荐结果产生偏差。此外,推荐算法普遍使用平方损失函数,计算过程中所有用户对推荐结果的影响是均等的,未能充分考虑用户评分数量不平衡问题和托用户虚假评分的影响,往往难以同时保证算法的推荐精度和鲁棒性。因此,本文的主要工作包括: (1)针对现有的无监督托攻击检测算法普遍存在将真实用户错误标识为托用户或者将托用户错误标识为真实用户的问题,本文提出了一种基于社团检测的托攻击检测算法。首先,初步检测可疑托用户并为其构建复杂网络。其次,分别对复杂网络进行边增强和剪枝操作,以强化复杂网络中的社团结构。最后,检测复杂网络中的各个社团并确定托用户所在的社团。该方法对可疑托用户进行二次检测,可以有效减少误检情况的发生。在Movie Lens-100k数据集和Netflix数据集上的实验结果表明,本文提出的方法相较于几种无监督的托攻击检测算法具有更高的检测精度。 (2)针对平方损失函数没有充分考虑用户评分数量不平衡的问题以及托攻击降低推荐算法鲁棒性的问题,本文提出了一种基于自适应损失函数的鲁棒推荐算法。首先,检测出托用户并根据这些用户的评分率和评分项的值来调整具体评分项的损失函数幂次,避免托攻击检测算法误检和托用户的虚假评分使推荐结果产生偏差。其次,对于真实用户则根据其评分率的差异来调整损失函数幂次,降低用户评分数量不平衡的影响。本文在经过不平衡处理的Movie Lens-1m等数据集上进行了多组实验,结果表明本文算法对稀疏和用户评分数量不平衡的数据集具有较高的推荐精度和鲁棒性。

关键词： 重叠社团检测   标签传播算法   有向网络   相似性度量   复杂网络   节点引力  

摘要： 近年来,随着信息的飞速发展,网络变得愈发复杂,社团检测问题已经成为复杂网络研究领域中学者们普遍关心的热点话题。复杂网络的网络结构是多种多样的,它可以是无向的也可以是有向的,可以是有环的也可以是无环的,可以是加权的也可以是无权的,其社团结构可以是重叠的也可以是非重叠的,社团会发生出生、扩张、缩小、分解等形态变化,社团成员的归属会发生变化不再单一。简单的非重叠社团检测无法满足复杂网络的发展需求,大量优秀的重叠社团检测算法被陆续提出。然而它们却大都无法高效准确地应用于大规模复杂网络,且大都无法应用于有向网络的社团检测中。因此,本文分析了无向网络中重叠社团检测存在的准确性低和算法效率不高的问题,提出新的重叠社团检测算法,并将该算法有效的应用于有向无环网络的社团检测工作中。本文主要内容如下: 提出了节点引力和鱼记忆的社团检测算法(Community Detection Algorithm Based on Node Gravity and Fish Memory,CDA-GM)。该算法使用节点质量计算节点信息熵,并将信息熵融入k-shell算法中进行节点排序;同时,根据节点与标签间的引力和鱼记忆节点标签存储策略进行标签更新。通过上述方法,解决标签传播随机性造成的社团划分不稳定性,提高社团检测的准确性。 提出了分层相似和标签传播地社团检测算法(Community Detection Algorithm Based on Hierarchical Similarity and Label Propagation,CDA-SP)并将其用于有向无环网络的实际应用中。该算法利用反链的概念提出了一种基于高度和深度的分层策略,并在此基础上提出了一种分层相似性度量方法,该方法能够获取边缘信息,在高效的保持节点之间的相似性和节点之间的边信息的同时,将有向网络转化为无向加权网络。将使用第三章所提出的CDA-GM算法进行改进,使其能够应用于无向加权网络。实验结果表明所提算法能显著提高社团检测质量,获得准确的社团结构。 将本文所提的CDA-SP算法应用于问卷调查本校论文引用网络中,并进行学生研究方向的社团划分。

关键词： 社团检测   量子进化   密度峰值   进化聚类   投资组合  

摘要： 复杂网络是复杂系统的抽象表示,是分析复杂系统中个体间联系以及系统整体结构的强有力工具。从小型图的分析,到大规模网络的处理,复杂网络作为新兴的跨学科研究,已经引起了诸多领域学者们的关注。社团结构普遍存在于各类复杂网络,探究复杂网络的社团结构有助于我们理解网络中的各种现象,有效的社团结构分析能够显著提高复杂系统的性能。在分析相关工作的基础上,本文从网络拓扑结构的角度出发,围绕静态网络社团检测、动态网络社团检测,以及社团检测在股票网络上的应用展开研究,主要研究内容及贡献如下:(1)提出了两种基于量子进化的静态网络社团检测算法模块度是目前广泛使用的衡量社团划分质量的度量标准,在此前提下,社团检测问题可以转化为以模块度为目标函数的寻优问题。本文将量子进化算法引入到社团检测,使用量子比特的概率幅编码方式,用量子染色体代表静态网络可能存在的社团划分,通过对量子比特的概率幅测量和坍缩的方法产生新的社团划分,在进化过程中搜索最优模块度对应的社团结构。为解决随网络规模增大产生的算法收敛速度减慢的问题,本文在前一个基于量子进化的检测算法基础上,创新性地引入一个向导量子染色体,在迭代过程中指导整个种群进化,达到快速收敛的同时,搜索更优的社团划分。两个基于量子进化的静态网络社团检测算法都能在寻优过程中自动确定社团数量,并有效发现社团结构。(2)提出一种基于扩展密度峰值聚类的静态网络社团检测算法真实的复杂网络结构中,往往存在社团尺度的显著差异,这种差异会带来社团划分中的分辨率限制问题。因此,本文定义了节点间连接强度和节点的相对连接系数,连接强度用来描述节点间的紧密度,相对连接系数用来描述节点的局部密度,连接强度和相对连接系数的定义,充分考虑节点相似度、节点间的连边、节点的度以及节点与其邻居节点各自连接强度的对比,使结构紧密的小型社团中的中心节点也能具有比较突出的相对连接系数,在社团检测的过程中更容易被发现。在基于密度峰值聚类思想选取候选中心节点的基础上,分析候选中心节点间的连接强度,剔除部分连接强度过高的候选中心节点,非中心节点则根据与已知划分的近邻节点的连接强度判断社团归属。基准网络和真实网络的实验证明,这种方法探测到的社团数目和社团结构更接近真实划分。(3)提出了一种基于连接强度和进化聚类框架的动态网络社团检测算法在动态网络中,许多基于进化聚类框架的社团检测算法都面临着平衡因子的选择问题,平衡因子的合理取值能体现出在满足时间平滑性的前提下,当前时间片与前一个时间片的社团划分存在多大程度上的关联。但目前大多数的检测算法是根据经验或者实验结果来确定这个参数,这忽略了网络拓扑结构变化所隐含的有效信息。为此,本文创新性的将节点间连接强度引入到进化聚类框架,把成本函数从社团结构的视角下推到节点间连接强度矩阵的变化,表示为相邻时间片连接强度矩阵的线性组合,并根据相邻时间片连接强度矩阵的变化幅度,动态确定平衡因子,修正当前时间片的连接强度矩阵,在此基础上使用谱方法进行划分。(4)将提出的社团检测方法应用于股票网络划分及投资组合分析金融领域中,投资的分散化可以减小投资风险,但如何选择合理的投资组合是投资者面临的重要问题。为此,本文将提出的社团检测算法应用到股票网络分析,用Pearson相关系数表示股票间的相关性,分别从中长期和短期两个角度,构建股票网络。在中长期股票网络中,通过社团划分结果和网络的拓扑结构确定投资组合,从整体上把握投资组合的方向。在短期股票网络中,对各周期的网络进行分析,及时探测网络的波动,并对投资组合方案做短期灵活调整。基于上证50指数股票网络分别进行了实证分析,证明提出的社团检测方法对投资策略及股市行业监管的有效性。

关键词： 社团检测   种子扩展   节点影响力   信息熵   节点相似性  

摘要： 社团检测目的在于发现网络中关联紧密、具有共同特性的节点集合,挖掘网络拓扑结构和功能模块间的相互影响关系。现有的社团检测算法可以分为标签传播算法、目标函数优化算法和种子扩展算法等类型,基于种子扩展的社团检测算法因其具备较高的执行效率,受到该研究领域的广泛关注。但此类算法往往存在稳定性差、准确率低和需要用到真实网络大量先验信息等问题。针对这些不足,本文将节点影响力和信息熵的思想相结合,进行社团结构划分,主要内容如下: 1.针对非重叠社团检测问题,提出一种基于节点影响力和信息熵的种子扩展算法。现有的大量基于种子扩展的社团检测算法随机选择节点作为社团扩张的起始子图,造成社团划分结果缺乏稳定性,为避免该问题,该算法通过考虑四种不同的节点重要性指标,充分利用节点局部信息和网络全局信息,基于信息熵理论分别为节点重要性指标赋予相应权重并计算节点影响力,根据节点影响力大小获取高质量种子节点集合;在社团扩张阶段,结合节点相似性和社团隶属度,分两步将未分配节点划分进相应的社团中,提高了网络其余节点的划分准确率,进一步提高了算法的准确率;在社团合并阶段,利用社团相似性和模块度优化策略合并相似社团,进一步提高社团划分质量,并且本章算法无需提前获知任何网络先验信息,算法适应性强,可以应用于不同类型网络的社团检测。 2.针对重叠社团检测问题,提出一种基于种子扩展的重叠社团检测算法。该算法种子节点选择阶段继承第三章算法的种子节点选择策略,能够选取网络中高质量、多样化和分布范围广的种子节点;社团扩张阶段,基于优化适应度函数策略对种子节点进行初步扩张,在扩张过程中一个节点可以属于多个社团,然后利用社团隶属度将未分配节点划分给与其最相似的社团;最后引入社团重叠度合并过度重叠的小社团,提高社团划分质量。本章算法可以准确、稳定地发现网络中的重叠社团结构。 在多组人工网络和真实网络数据集上进行实验验证和比对分析,实验结果表明,与对比算法相比,本文提出的两种社团检测算法具有较好的性能表现。

关键词： 复杂网络   社团检测   重叠社团   标签传播   K-shell分解  

摘要： 复杂网络是由真实世界中的复杂系统抽象而成的,挖掘复杂网络的特征对理解复杂系统有重要意义。重叠社团普遍存在于复杂网络中,检测重叠社团对分析网络的特征和发掘节点的隐藏属性有很大帮助。近年来,多种检测重叠社团的算法被提出,其中基于多标签传播方法的算法因其原理简单、易于实现以及其近似线性的时间复杂度受到广泛关注,但是这种算法存在稳定性差和精度不足的问题。因此,本文对节点的拓扑结构以及多标签传播算法的标签传播过程进行研究,提出了两方面的改进措施,以进一步提高多标签传播算法的精度和稳定性:（1）提出一种基于双层过滤策略的节点标签更新算法。本文对多标签传播算法中节点更新标签这一行为进行分析,设计了一种双层过滤策略,该策略的第一层用于帮助节点过滤接收标签,第二层用于帮助节点选择传播标签。然后基于双层过滤策略提出一种节点标签更新算法,以提高多标签传播算法的精度。（2）生成两种不同的节点更新顺序。本文对K-shell分解算法进行研究,提出了改进的K-shell分解算法。然后基于节点邻居关系和改进的K-shell分解算法提出两种节点社团中心性NC和NCK,并根据NC和NCK分别生成两种不同的节点更新顺序,以提高多标签传播算法的稳定性和精度。基于上述的两项措施,本文提出MLPA-DF和DFKS这两种改进的多标签传播算法。使用人造网络数据集和真实世界网络数据集对这两种算法进行实验,并用NMI指标和Q指标对实验结果进行评估。实验结果表明,MLPA-DF算法和DFKS算法有良好的稳定性。并且MLPA-DF算法在部分人造网络上的NMI指标比经典的多标签传播算法（COPRA算法、SLPA算法和LPANNI算法）提升5%到10%,在部分真实世界网络上的Q指标比经典算法提升1%到3%。而DFKS算法的NMI指标和Q指标比MLPA-DF算法有进一步提升,但是需要更长的运行时间。

关键词： 社团结构   中心性度量   谱聚类   非负张量分解   同步模型  

摘要： 复杂网络是分析各类复杂系统的重要工具。各类复杂系统可以被转化成网络模型进行研究,系统中的基本组件转化成网络中的节点,组件之间的联系或相互作用转化成网络中的边。随着复杂网络的不断发展,复杂网络的研究热点逐渐从网络的宏观(Macroscale)结构特征转向网络的中观(Mescocale)结构特征和微观(Microscale)结构特征。社团结构作为复杂网络的一种中观结构特征,它通常对应于网络的基本结构单元或系统的功能模块。检测复杂网络的社团结构,可以在网络的中观结构层面分析网络的结构单元与系统的功能模块之间的对应关系。复杂网络的中心性度量是从微观个体的角度出发,评估网络中每个节点的相对重要程度。通过分析网络中各个节点的相对重要程度,可以从微观层面分析节点对网络的拓扑结构以及动力学过程的影响。因此,复杂网络的社团结构检测算法和中心性度量是复杂网络研究的重要课题。本文主要研究内容是复杂网络的社团结构检测及其节点的中心性度量。本文主要研究工作如下:1.基于网络的电阻距离给出一种新的相似性度量,并将其用于复杂网络的社团结构检测。电阻距离(Resistance Distance)作为网络节点之间的一种距离度量,可将其作为分析复杂网络社团结构的相似度。该方法首先计算网络中任意节点之间的电阻距离;然后,将电阻距离的高斯核函数作为网络中边的权值;接着在Cheeger常数的约束下,使用谱二分法将加权网络划分为两个子网络;最后,在子网络中重复上述过程,得到最终的社团结构。该方法在空手道俱乐部网络、海豚社会网络和足球队网络中进行测试,验证了该方法的准确性和有效性。2.基于网络中节点的二元关系和三角形关系,给出一种检测复杂网络社团结构的方法。网络的三角形结构能够反应网络节点的聚类特性。因此,可以使用节点之间的三角形结构分析复杂网络的社团结构。首先,使用3一致超图描述网络的三角形关系;然后,设计了融合二元关系和三角形关系的矩阵,并结合谱方法分析了复杂网络的社团结构;最后,在随机网络,人工基准网络和真实网络中进行了实验分析。实验结果显示该方法具有更高的有效性和准确性。3.基于非负张量分解评估了多层复杂网络的重要节点和关键网络层。首先,根据非负矩阵分解评估了单层网络的重要节点,并说明了该方法与类度中心性、特征向量中心性之间的等价关系;然后,分析了单层复杂网络模型的局限性,并引出了多层复杂网络模型;最后,基于非负张量分解,提出一种研究多层网络的中心性度量,并将该中心性与现有多层网络特征向量中心性进行了对比分析。4.基于复杂网络的同步过程评估了网络节点的重要程度。该中心性度量不仅考虑了网络的拓扑结构,而且还考虑了网络的同步动力学过程。首先,将网络中的节点看做一个振子,并且使得网络中所有的振子处于同步状态;然后,扰动网络中的每个节点,通过受扰动节点与同步状态之间的相位差随时间的演化过程揭示受扰动节点的重要程度。最后,将该中心性与经典的特征向量中心性度量进行了比较,实验结果验证了该方法的有效性。

关键词： 复杂网络   社团检测   特征矩阵   平均向量   加权特征距离  

摘要： 随着互联网技术的快速发展,复杂网络研究已遍及到人类社会的方方面面。社团检测作为复杂网络研究中的一个热门领域,通过社团检测算法划分网络的社团结构,为理解网络的结构和功能特征,解决网络社会的问题提供了重要的理论依据。近年来,专家们也从不同的角度陆续提出了大量优秀的社团检测算法,谱聚类算法就是其中比较经典的一个,该算法具有收敛于全局最优,可对任意形状样本空间进行聚类等优点而被广泛应用于社团检测中,但现有的谱聚类的算法仍然存在着不同程度的问题,对此,本文通过结合网络的层次化结构特征设计了以下两种算法:(1)针对无权网络中谱聚类算法存在需要预先输入聚类数目,准确性受初始节点选取影响较大的问题,提出了一种基于平均向量层次优化的谱聚类无权网络社团检测算法eh-SC算法。由于不同的特征向量对节点全局拓扑的影响力不同,算法首先提出了度量网络矩阵不同特征向量对社团聚合影响力大小的疏密加权函数;然后结合网络中的节点属性和网络拓扑属性来构建平均向量模型,从而提高了算法选择初始节点的准确性;最后以节点之间特征距离最小为依据使用层次划分算法对平均向量进行层次优化,结合模块度函数检测社团结构,避免了谱聚类算法需要预先选择聚类数目的缺点。(2)针对加权网络,当前加权网络社团检测算法主要通过考虑网络的边权进行社团检测,而未能考虑加权网络中节点本身的影响力。由于在谱聚类算法中,可以方便地将权重引入到网络矩阵中,基于此,本章改进了 eh-SC算法,提出了基于加权特征距离的谱聚类加权网络社团检测算法Weh-SC算法。首先引入权重信息构造出了网络正规加权矩阵,计算出具有权重属性的初始向量,使其具有节点在网络中的全局属性和边的权重属性;然后提出加权特征距离用以度量加权网络中节点的相似性;最后对初始向量进行层次优化结合加权模块度检测出加权网络社团结构。为验证eh-SC算法和Weh-SC算法的有效性,在人工合成数据集和真实社交网络数据集上进行了实验,以模块度与标准化互信息作为评价指标,与多种算法进行对比分析,研究结果表明,上述两种算法均可以划分出高质量的社团结构。

关键词： 复杂网络   社团检测   GN算法   FN算法   矩阵   公共安全  

摘要： 复杂网络是由节点和边构成的反映个体间复杂关系的网络结构,是对现实世界中各种复杂系统的抽象,可用来挖掘和分析错综复杂关系中个体间的关联信息和社团倾向,近年在社交网络、神经网络、互联网和电力传输网络等方面被应用甚广。区分社团并反映与现实世界更为接近的社团结构是复杂网络中重要的研究方向,社团检测技术可根据网络拓扑结构性质实现网络的聚类,进而发现个体之间的共性和群体之间的差异,具有重要的研究价值。GN算法是社团检测算法中的典型代表,具有高准确度的优点,但时间复杂度较高、效率较低。本文在GN算法的基础上提出两种改进算法,并将其应用到公共安全领域。本文的主要研究内容和成果如下: (1)针对GN算法时间复杂度较高的问题,本文提出基于层次聚类的社团检测算法TNGN,该算法分为分裂和凝聚两个步骤。分裂阶段使用双层邻域重合度TN代替边介数的计算,大幅降低计算时间并更深层考虑多层节点的重要性;凝聚阶段使用改进的FN算法将小型社团融合以提升模块度。通过多组网络实验证明,TNGN算法在降低耗时的同时提升了社团划分的准确度和模块度。 (2)针对TNGN算法的实验效果,本文分析了TNGN算法存在的不足及原因并进一步提出CM-TNGN社团检测算法。该算法引入矩阵存储,并选择性地更新矩阵信息,解决迭代过程中存在大量重复无用计算的问题,进一步降低算法的时间复杂度,同时解决TN系数相等时随机删边的问题,降低算法的随机性。通过实验证明,CM-TNGN算法进一步缩短了算法运行时间并小幅度提升了社团划分的准确度,可应用性更高。 (3)为了检验算法的实用性,本文将CM-TNGN算法应用于某市公安局的“公共安全大数据分析”实战项目中。通过对涉案数据分析和整理并以其为基础构建嫌疑人资金流动网络,结合社团检测算法描绘嫌疑人所在团伙的社团结构和人物关联,为案件提供更多价值线索,助力案件侦破。

关键词： 社团检测   评分推荐算法   属性网络   稀疏性   图卷积  

摘要： 随着4G技术的普及和5G技术的飞速发展,线上文字、语音、视频数据呈指数级增长,推荐算法通过分析用户的历史行为为用户兴趣建模,主动推荐能够满足用户兴趣的信息,为互联网用户推送个性化信息。不仅可以降低用户获取需求信息的困难,还可以了解到用户的个人倾向,分析行业趋势,具有十分高的商业价值。设计高效准确地推荐算法成为众多学者的研究热点。 经典的推荐算法如基于协同过滤、基于内容的评分推荐算法通过分析用户的浏览、购买等历史行为获取用户偏好进行评分预测,但是对于历史数据偏少的冷启动用户往往无法准确获取其偏好信息。近年来一些基于社团检测的评分推荐算法被提出,通过直接引入社团检测算法对用户社交网络进行社团划分,使得相似度高的用户划分到一个社团,将同一社团内的其它用户作为服务用户的直接好友,然后根据好友关系定义自身偏好信息进行推荐可以有效缓解冷启动问题。但是用户社交网络具有稀疏性,而且传统的社团检测算法只考虑用户的低阶结构关联,这些因素会导致部分用户在社团检测时被错误划分,给目标用户添加噪声邻居,降低推荐精度。此外,目前基于社团检测的评分推荐算法中邻居之间的信任关系都是二进制的,无法表现用户之间的信任程度。针对用户社交网络具有稀疏性、只考虑用户低阶结构关联、二进制信赖值无法表现用户之间信任程度问题,本文提出一种属性网络社团检测算法(KGCN),并研究基于KGCN社团检测的评分推荐算法。 本文的主要工作包括以下内容: 1.针对用户社交网络稀疏性和只考虑低阶结构关联导致用户被错误划分问题,提出K阶图卷积属性网络社团检测算法(KGCN)。该方法可以有效地缓解原始网络的稀疏性并利用节点的高阶结构进行社团检测。首先根据节点的属性信息对原始网络进行重构,得到重构网络,缓解原始网络结构的稀疏性;其次,针对不同的属性网络考虑到高阶结构关联,采用K阶图卷积编码器对节点进行编码,获得节点的特征表示;最后使用k-means算法进行社团检测得到社团结构。实验对比表明,在Cora、Citeseer、Pubmed和Wiki 4个真实数据集上,相比现有算法KGCN方法取得更好的社团检测结果。 2.针对传统社团检测算法增加噪声邻居和二进制信赖值无法表达用户之间的信任程度问题,提出基于KGCN属性网络社团检测模型的评分推荐算法(KGCN-R)。该方法应用KGCN模型对用户社交网络进行划分,获取用户社团结构计算用户之间的的细粒度信赖值,并重新定义用户的偏好进行评分预测。首先根据用户的历史评级信息定义用户的属性信息,构建用户属性社交网络;接着使用属性网络社团检测算法(KGCN)对用户进行社团划分,得到用户的社团结构;然后使用网络表示学习模型分别对社交抽象网络和每个社团进行嵌入,得到用户的全局特征向量和局部特征向量,计算用户显性信赖值,根据历史评级信息计算用户之间的皮尔逊系数作为隐性信赖值,并融合用户隐性和显性的信赖值作为用户的细粒度信赖值;最后根据细粒度信赖值添加邻居,使用信任传播矩阵分解方法预测评分。实验对比表明,在Filmtrust和Ciao两个真实数据集上,相比现有算法KGCN-R算法可以有效提高推荐精度。