关键词： 社团检测   图神经网络   图嵌入   聚类   标签传播  

摘要： 图神经网络与图嵌入是近年来兴起的深度学习模型,凭借自身强大的归纳能力在复杂网络的各种任务中展现出巨大优势。图神经网络能够归纳网络内容,发掘网络结构中的隐藏信息。图嵌入方法将网络中的节点转化为具有节点信息的表示向量,方便一些深度学习模型处理图数据。为了更好地解决社团检测问题,本文提出了两种基于图嵌入与深度学习的社团检测算法,用以在无属性或有属性信息的网络上分别解决非重叠与重叠社团检测问题。本文的主要内容如下: (1)基于空域卷积网络的社团检测算法CDSCN。算法首先利用图嵌入方法得到网络中节点的向量表示,再利用空域图卷积网络GraphSAGE调整节点表示向量,以局部模块度为依据重新定义了GraphSAGE的二次采样过程,使分属不同社团的节点的表示向量相互区分,同时保证了相邻节点表示向量的相似性,最后使用Birch聚类算法对节点进行聚类,聚类结果即为社团划分结果。 (2)基于直推式传播网络的重叠社团检测算法OCDTPN。算法采用了小样本学习的思想,利用图嵌入结果或网络自带的属性信息建立传播模型,解决重叠社团检测问题。算法首先选择一些在原始网络当中具有局部最大度的节点作为社团核心,在传播网络中作为传播源头。随后分批次建立以节点向量高斯相似性为传播依据的标签传播网络。接着通过社团核心节点的原始标签与预测标签的误差修正传播模型,算法通过分批传播预测归属概率的方法找到网络中所有节点的重叠社团归属。 与对比算法在真实网络和人工网络上进行实验,结果表明了本文提出的算法具有良好的社团划分性能。本文还将两种算法应用于世界中亚研究英文文献的信息发掘任务中,在文献分类和学术社群划分任务中取得不错效果,为课题研究提供了重要参考。

关键词： 社团检测   k核   加权图   紧密子图   贪婪策略  

摘要： 紧密子图查询作为图查询的研究热点之一,在很多领域都有着重要的应用。现有的研究中已有许多紧密子图查询方法,如基于模块度优化的算法、谱方法、非负矩阵分解等。对于紧密子图的定义也有多种,常见的有k架（k-truss）、k团（k-clique）、k核（k-core）等。其中k核的定义要求图中每个节点至少有k个邻接节点,即每个节点的度至少为k。根据该定义,k核可以在线性时间复杂度内计算得到,具有较好的应用基础,已在许多方面有所研究与应用。由于k核只考虑图中节点和边的关系,据此得到的仅是一个边稠密的子图。但在很多场景下的图数据还会包括更多其它属性,若在查询紧密子图时不考虑这些属性则所得到的结果缺乏实际意义。在现有的k核研究中,已有部分文献开始结合图中的其它属性,如:图的关键词属性、图的空间位置属性、图的节点影响力属性等。但目前对于k核紧密子图的查询中,结合图中边权值的研究还较少,而在很多场景下,图中边的权值往往具有很强的语义关系。考虑到这一点,本文提出了一个新的紧密k核子图查询问题。目前对于紧密子图的查询,主要有两个研究方向:社团搜索和社团检测。本文所提出的问题属于紧密子图查询中的社团检测问题,其查询得到所有符合要求的连通子图。并且,本文考虑到查询最紧密子图往往会消耗较多的时间,在一些应用场景下也并不需要查询子图权重的最值。为此,本文所提的问题不局限于社团检测中最值的查询,子图只需满足给定的节点平均权值即可,而该值可以根据实际应用需求给出,具有更高的灵活性,能适应更多的查询场景。本文主要完成的工作如下:（1）提出了在加权图中查询联系紧密的连通k核子图问题,简记为紧密k核子图查询（Query Closely Relatedk-Core Subgraph,QCRKS）问题,其描述如下:给定核值k、节点平均权值,在加权图中查询紧密连通k核子图,该子图节点平均权值大于等于。随后通过多项式规约的方法,证明了QCRKS问题是一个NP-难问题。（2）由于无法为QCRKS问题找到一个在多项式时间复杂度内的最优算法,故本文为该问题设计了启发式算法CRK-G,其先在原图中查询一个最大连通k核作为候选子图,然后采用贪心策略通过在候选子图中不断迭代删除权值最小的节点,从而得到满足条件的紧密k核子图。（3）为提高CRK-G算法的效率,本文在其基础上进行改进,设计了CRK-C和CRK-F算法。CRK-C算法使用图压缩策略,在迭代之前先将权值相近节点进行合并,从而降低候选子图的规模。CRK-F算法使用单次多节点删除策略,每次迭代从候选子图中删除多个节点,从而减少迭代次数。两个算法分别从降低图规模和减少迭代次数两个方面出发,提高了查询效率,其查询速度明显高于CRK-G算法。（4）通过在真实数据集上的实验,对比了3种算法在不同查询场景下的查询效率,验证了算法的误差,分析了图压缩算法的有效性,以及最后通过与传统k核方法的对比和一个实例分析验证了本文所提模型的有效性。

关键词： 复杂网络   LPANNI算法   圈比   重叠社团检测   网络舆情分析  

摘要： 随着互联网的不断发展,人类在网络空间的交互越发频繁,进而形成了各种社会网络。复杂网络能够借助抽象的网络关系分析复杂系统,网络社团结构是复杂网络中最普遍的特性之一,通常对应于内部连接紧密而外部连接稀疏的网络子结构。网络社团结构可以刻画复杂系统的自组织成团涌现现象,检测网络社团有利于理解网络拓扑功能并预测网络结构演变。在实际网络中网络社团常常呈现重叠现象,网络社团间的重叠节点影响网络信息的传递和融合,跨多个社团的重叠节点还可能影响网络结构的演化,如何有效进行重叠社团检测具有特殊意义。 多标签传播算法是重叠社团检测算法之一,具有简单快速的优点,有利于检测一定规模的网络结构。本文对多标签传播算法LPANNI进行了优化,基于最小圈结构提出CLPANNI算法。该算法运用圈比指标刻画节点的重要程度,对节点的利他性进行衡量并按升序更新节点标签,再根据邻居节点的影响力传播标签。经实验验证,该算法与4种基准算法相比在NMI＿LFK、NMI＿MGH、Mov指标下性能较优,提高了社团检测精度。 考虑到CLPANNI算法中圈比的计算比较复杂,且一般网络中数量最多的最小圈为三角形,为了进一步提升社团间重叠节点的挖掘效能,本文提出考虑节点位置信息的重叠社团检测算法KLPANNI。该算法运用K-shell算法粗粒度划分网络层级,将其融入到标签传播过程并进行迭代,融合节点网络位置信息和节点所在的三角形数量计算邻居节点的影响力。在社团结构已知的3个现实世界网络中,KLPANNI算法检测网络社团间重叠节点的性能相对LPANNI算法更好,可以检测到更多的重叠节点,有助于更好地研究分析网络拓扑结构和网络功能。 网络舆情具有一定集聚现象,本文将改进的LPANNI重叠社团检测算法应用到网络舆情的结构分析中,快速发掘舆情网络中的重叠节点,深度分析重叠节点在舆情网络结构中的作用。首先,运用Cite Space知识图谱工具构建“舆情演化”主题文献共被引网络,通过KLPANNI算法挖掘重要重叠节点,研究发现该网络中的重叠节点是综述和方法论书籍,它们在文献共被引网络中起着桥接和融合作用。其次,以“2020东京奥运”舆情事件为例,爬取豆瓣小组的舆情交互数据构造网络,分析复杂交互行为。根据交互时间和具体内容分析了静态与动态网络的社团结构及关键节点,发现参与不同话题的小组成员是重叠节点,对重叠节点重点关注有利于控制网络舆情的传播。最后,基于Weibo-COV数据建立微博转发网络,对其进行社团结构分析。发现KLPANNI算法具有良好的重叠节点挖掘能力,从网络社团结构角度对网络舆情进行应用分析,提升了网络舆情社团结构量化分析层次,为网络舆情治理提供一定支持。

关键词： 社交网络   结点相似度   模块度   音乐偏好分析  

摘要： 随着信息技术的高速发展,各种各样的社交网络数据也随之出现,同时,社交网络的规模也变得越来越庞大,使得社交网络拓扑结构变得越来越复杂。在如此的大数据时代背景下,传统的社团检测算法从全局特征出发,算法复杂度随着社交网络规模的大型化而变得极其庞大,显然不再适用于现阶段的大部分社交网络。因此,本文考虑从局部特征出发,去探索社交网络中比较显著的社团结构。 本文在基于相似度的社团检测算法基础上,对传统相似度度量提出了调整,并引入了新的定义——结点质量,用以探索社交网络中的关键结点。然后参考K-means++的改进思想,基于结点质量与结点相似度矩阵,以模块度为优化目标,对社团检测数量与社团划分进行探索,探索得出的社团应尽可能显著,并且社团间的距离应尽可能远。同时,本文基于一个简单社交网络,通过与GN算法对比,验证了本文算法在社团检测方面的可行性。 本文数据为罗马尼亚(RO)社交网络数据集,基于数据特点,对实验数据分别进行零处理与加权处理,再分别对处理后的社交网络进行社团检测,最后基于社团检测结果,对社团进行描述性统计,发现各社团成员对Pop音乐的偏好最为显著,其次为Alternative、Rock、Dance和Rap/Hip Hop,且各社团的偏好表现有所差异。同时,实验表明,对社交网络的边基于兴趣偏好进行适当加权后,社团检测结果会更接近期望效果。

关键词： 社团结构   社团特征   静态社团检测   局部社团检测   动态社团检测  

摘要： 生产生活中存在大量的复杂系统,人们常用复杂网络来表示这些系统,通常可将复杂系统抽象为一个静态的网络来表示其信息,而复杂系统经常随着时间和空间的变迁而演化,从而生成动态网络。随着信息技术的高速发展,人们迫切需要更深入地挖掘这些网络内部潜在的结构特征,从而对复杂系统的功能进行探索。从这些复杂网络中挖掘有用的信息,已成为推动相关领域技术发展的重要任务。社团结构挖掘就是以静态或动态网络为研究对象,从其中检测特定的模块,这些模块内部链接相对稠密,而模块之间链接相对稀疏。系统的功能与其结构关系密切,检测网络中的社团结构对系统的功能分析有着重要的指导意义。因此,近年来,社团检测引起了众多学者的关注,针对大规模网络的社团检测和随时间演化的动态网络中的社团检测更是目前的研究热点。已有的社团结构检测方法从不同的视角对社团检测问题进行了研究,社团检测技术有了长足的进展,已有大量的文献报道了不同的检测算法。有些算法具有较好的性能,但同时存在诸多不足,尤其是针对大规模网络及动态网络,其检测效果仍然不尽人意,有待进一步深入研究。基于社团的特征,本文开展了静态网络、动态网络和局部网络上的社团检测技术研究。具体而言,本文的主要研究内容及创新包括以下三方面:1.针对静态网络,提出了两种社团检测算法:1)基于社团内在特征的检测算法Intrinsic-prop,该算法不仅考虑了每个结点和其直接邻居的关系,而且同时考虑了结点与其二阶邻居的关系,从这些邻居中选择与其联系紧密的结点共同组成社团中心,并提出了加入社团的成员必须满足的条件,进而对社团进行扩张与合并,得到最终的社团结构;2)基于结点相似性和社团链接强度的检测算法NSCLS,该算法首先提出了一种结点相似性的计算方法,基于结点相似性进行社团初始化,而后提出计算社团间链接强度的方法,根据链接强度合并某些社团,得到最终的社团结构。算法Intrinsic-prop的检测结果中,两个互为邻居且具有较多共同邻居的结点位于同一社团,每个结点都与其较多的邻居拥有相同的社团归属。在NSCLS的结果中,每个结点都和自身最相似的邻居结点归属于同一社团。这些特征保证了社团结构的质量,这两种算法在人工合成网络和实际网络上都取得了较好的结果,验证了算法的有效性。2.基于局部簇及局部模块度的局部社团检测算法3L。该算法提出了一种局部社团检测框架,仅使用网络的局部信息进行单个社团的检测。该算法首先获得包含给定结点的核心簇,然后确定围绕核心簇的一系列外围簇,确定局部社团所在的大致范围,进而考虑簇和簇之间的关系,得到最终的局部社团。该算法对起始结点的选取并不敏感,缓解了起始结点位于社团边界时一些算法无法有效地检测目标社团的问题,该算法适用于规模较大或全局信息无法获取的网络。通过实验表明,3L算法能够得到较好的局部社团检测结果。3.模拟蛛网演化的动态社团检测算法Spiderweb。该算法以增量方式进行动态社团检测,首先使用Intrinsic-prop算法检测第一个快照上的社团结构,然后通过模拟蛛网变化过程对结点和边的增加及删除事件进行处理,以增量方式确定后续快照上的社团结构。该算法不仅得到了每个快照上高质量的社团结构,而且保持了相邻快照上社团结构的平滑过渡。通过在大量的人工合成网络及实际网络上进行充分的实验,证实该算法检测效果稳定,其适用性及检测结果的质量均明显优于对比算法。综上所述,本文提出的Intrinsic-prop、NSCLS、3L及Spiderweb算法可以分别从静态网络、动态网络上检测出高质量的社团结构,它们为复杂网络中的社团检测问题提供了可行的解决方案,也为复杂网络的其它链接挖掘任务提供了研究基础。

关键词： 复杂网络   社团检测   密度峰值聚类模型   多属性决策  

摘要： 对复杂网络的研究是数据挖掘的主要方向之一,而社团检测是复杂网络研究的重要组成部分。社团结构揭示了网络各个组成部分的内部组织信息和不同部分的外部连接关系,不仅可以帮助研究人员更好地理解复杂网络,也进一步促进了复杂网络其它方面的研究。在复杂网络中检测社团的过程可以理解为一个聚类过程,社团可以看作节点在网络上紧密连接的簇,而且社团中存在着“簇中心”这样的特殊节点,使得密度峰值模型适用于社团检测问题。本文在以往相关研究的基础上提出了基于密度峰聚类模型和多属性决策算法TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)的社团检测算法,其中包括适用于普通复杂网络的DPCT算法(Density Peak Clustering and TOPSIS-based community detection algorithm)和适用于多重网络的MDPCT算法(Density Peak Clustering and TOPSIS-based community detection algorithm in Multiplex networks)。(1)适用于普通网络的DPCT算法。DPCT首先将网络中的节点集根据其连接情况,转化为密度峰值聚类模型中与节点密度和距离有关的二维数据集,并用DBSCAN在该二维数据集中聚类,将无法聚在类中的离群点看作“簇中心”,即关键节点。之后,DPCT在关键节点的基础上形成初始的社团框架,通过逐步添加与社团最相似的节点进行社团扩张,形成初始社团。在这个过程中,DPCT使用多属性决策算法TOPSIS综合四种不同相似度的优势,计算出一种更为准确且适应性更强的新相似度T–similarity,使用T–similarity筛选出与社团最相似的节点。然后,DPCT依据T–similarity分配初始社团未覆盖到的非关键节点。最后,通过两种方式,对之前过程中得到的部分规模较小的社团进行合并,得到最终稳定的社团结构。(2)适用于多重网络的MDPCT算法。本文将DPCT算法的基本思想运用在多重网络的社团检测问题中,并进行适应性改进,提出可以在多重网络中检测出高质量社团结构的MDPCT算法。该方法的具体流程与DPCT类似,首先通过多重网络的特性,将节点以密度和距离作为属性转化在密度峰值聚类模型的二维数据集中,同样通过DBSCAN识别其中的离群点作为关键节点。在转化节点信息的过程中,MDPCT使用熵函数充分考虑多重网络中各层的拓扑信息,得到更合理的关键节点。然后,所得关键节点被用于构建多重社团框架,并通过依次添加与社团框架最相似的节点进行扩张,在这一过程中,TOPSIS综合各层网络中的多种节点相似度,计算出可以在多重网络中衡量节点间相似关系的新相似度MT–similarity。多重网络中,扩张后的社团同样无法覆盖到所有节点,因此,M T–similarity也被用以处理扩张结束后未被划分到社团中的非关键节点。在这个过程中,同样会产生一些规模较小且缺乏内部连接的社团,MDPCT将通过聚合多重网络为一层加权网络,并在该网络中分别使用两种针对加权网络改进后的方法对部分小社团进行合并处理,得到高质量的多重网络社团结构。本文在多个真实网络和多组人工合成网络上分别对DPCT和MDPCT进行了实验,并将实验结果与其它优秀的社团检测算法进行对比。实验结果证明,DPCT和MDPCT相对于其它社团检测算法更为准确且适应性更强。

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： 社团检测   随机游走   MCL算法   R-MCL算法   “一带一路”  

摘要： 社团检测旨在揭示复杂网络内部拓扑属性以及节点之间的关联信息,可广泛地应用于计算机科学、生物科学、政治经济学等领域。社团检测算法主要包括模块度优化算法、层次聚类算法、标签传播算法和随机游走算法等,基于随机游走的社团检测方法对各种类型的网络有较强的适用性,近年来得到了广泛的关注及应用,但其存在无效计算和社团结果划分零散等问题。本文详细分析了基于随机游走的MCL算法和R-MCL算法的不足,提出对应的改进策略,并结合新的策略提出两种新的随机游走社团检测算法,最后应用于实际项目中。本文主要的研究内容如下:1、针对MCL算法存在无效计算并且社团划分结果比较零散的问题,提出基于节点相似性的随机游走社团检测算法JMCL。该算法采用改进的Jaccard相似性系数对节点中的连边进行预加权,设置变化量矩阵以加速迭代过程中的矩阵使其收敛,并且增加边界重检和小社团合并操作提高算法精确度,通过人工网络和真实网络实验验证,该算法具有更稳定和更优的社团划分性能。2、针对R-MCL算法存在的随机状态转移矩阵不收敛问题,提出基于标准化R-MCL的随机游走社团检测算法NR-MCL。该算法采取在迭代过程中的膨胀和剪枝操作之间增加标准化操作的策略加速概率矩阵的收敛,防止矩阵不收敛的极端情况出现。在公开数据集上的实验结果表明,该算法在众多类型的网络中社团划分表现较优。3、将本文提出的NR-MCL社团检测算法应用于“一带一路”沿线国家贸易网络项目中,运用复杂网络理论构建“一带一路”沿线国家贸易关系网络,采用NR-MCL算法进行社团结构划分,结合相关统计数据分析各国之间的贸易关系以及整体贸易格局,为国际贸易关系相关研究提供参考。

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。