关键词： 社交网络   社团检测   社团安全   社团隐藏   链路扰动  

摘要： 现实生活中频繁的信息交互依赖于社交系统的快速发展,这些复杂的社交系统在科学界被抽象化表示为具有特殊含义的社交网络;同时,这些社交网络又为网络科学的兴起和发展提供了原生动力。社团是社交网络的一个重要的结构属性,对网络中的社团结构的挖掘有助于科学家更好的理解社交系统的组成原理和功能,有利于挖掘网络中蕴藏的潜在信息,以及有助于对整个社交系统的发展趋势进行合理的预测。然而,人们频繁地参与社交活动必然会导致泛社交化现象,并且参与社交活动的用户总是在有意识或者无意识的情况下被现代复杂的社交系统所绑架。通常情况下,用户以个人隐私信息作为前提条件来获得参与社交活动的权利,这会给网络用户或与用户有关联的其他人带来隐私泄露的风险。例如,攻击者通过对用户所参与活动的社团进行深度挖掘能够掌握某些用户的生活习惯、家庭背景等隐私信息。基于上述问题,本文首先研究了社交网络中的社团检测问题,并提出一种基于种子用户的局部的自底向上的社团检测方法。其次,本文对社团检测的相关理论进行逆向研究,提出了基于链路扰动的目标社团隐藏算法。本文的主要研究如下:1.提出了一种基于种子用户的局部的自底向上的社团检测方案LBPCD。LBPCD主要研究基于物体的轨迹数据的社团检测方法的相关问题。具体地,本文首先通过研究2018年国际足联世界杯的足球比赛发现在球类比赛中都具有相同的特性,即比赛都是由相互独立的两支队伍对某个目标物体(例如足球、篮球等)进行传递完成的,而这种物体的传递可能发生在同一个队伍之内,也可能发生在不同的队伍之间。因此,每场比赛都会产生许多复杂的目标物体的轨迹数据集,通过对轨迹数据进行预处理,本文构建了目标物体的加权传输社交网络,网络中的链路权重表示目标物体从一个节点到另一个节点的转移传递次数。然后,本文引入了加权社交网络中的网络模块度的概念,在网络模块度的指导下,通过对种子用户进行迭代扩展,从而找出轨迹网络中的社团结构。最后,本文在人工收集的20场足球比赛的轨迹数据中进行了社团检测实验。实验结果表明LBPCD检测算法对于解决类似特定轨迹数据的社团划分问题具有较高的应用价值。2.提出了一种基于链路扰动的目标社团隐藏算法H。为了保护网络中的目标社团免受社区检测算法的攻击,本文提出一种通过对社交网络的链路进行扰动的方法来实现隐藏目标社团的目的。首先,本文对目标社团隐藏问题进行了形式化的描述,并设计了一个评估社团安全性变化的增益函数。基于该增益函数,本文分别证明了在网络中删除旧的链路和增加新的链路对目标社团隐藏所产生的不同影响。然后,在增益函数的指导下,算法H对网络进行有限次数的链路扰动操作,得到一个目标社团被隐藏后的社交网络。最后,本文在不同规模的社交网络中进行了大量的实验,并与其它社团隐藏算法进行比较。实验结果表明,本文所提出的目标社团隐藏算法H相比较于其它的社团欺骗方法而言能够获得更好的隐藏效果。

关键词： 电商用户   字符串相似度   复杂网络   社团检测   个性化推荐  

摘要： 互联网经过不断地发展,现已进入繁荣时期,来到了大数据时代,大量的信息随之而来。随着电子商务应用的不断发展,如何在用户情境日趋复杂的情况下精准识别出电商用户的不同类型,以满足用户的个性化需求己成为个性化推荐领域新的研究趋势。为了帮助电子商务平台解决电子商务用户的类型划分问题,在阅读了大量电阻距离以及复杂网络的相关文献后,本文提出了一种基于电阻距离的复杂网络社团检测算法（RD算法）,并基于社团结构划分质量评估指标模块度值和标准化互信息NMI,分别在四个真实世界网络（空手道俱乐部网络、海豚网络、美国足球队网络、爵士音乐家网络）和计算机生成网络（GN网络）上对本文提出的算法进行了评估。通过与其他五种社团检测算法进行对比,发现本文提出的RD算法在精度上有更好的表现。其次,本文在阿里云天池数据集获取的淘宝用户数据的基础上,以收集的用户访问记录数据作为研究对象,根据收集到的用户访问记录数据计算出用户序列节点间的距离,再通过已有的字符串相似度算法,选取合适的阈值,得到用户访问序列相似度以及距离。基于上述的用户距离矩阵,构建出电商用户行为网络,再从节点的度、平均路径长度、聚类系数、节点中心性等方面分析了该网络的统计特征,并判断了用户行为网络的无标度性和小世界特性。最后,利用复杂网络社团检测技术对构造出的电商用户行为网络进行社团结构划分,由于本文构造出的电商用户行为网络属于未知真实社团结构的网络,所以本文选择通过比较模块度值的大小来对本文提出的算法进行质量评估,通过与其他五种社团检测算法进行对比,发现本文提出的基于电阻距离的社团检测算法对电商用户行为网络的划分结果所得的模块度值最大。因此,本文提出的RD算法应用于真实网络的社团划分也有较好的表现,可以较好的解决电商用户的类型识别问题。根据本文对电商用户行为网络的社团结构所得的类型识别结果,将有助于帮助现有平台精准营销,为个性化推荐提供量化依据。

关键词： 复杂网络   社团检测   分块矩阵   投资组合  

摘要： 复杂网络理论应用于股票市场的已有文献大多研究股票网络拓扑结构,较少与投资组合理论结合.从复杂网络理论视角,利用两种网络社团检测算法将股票网络进行社团划分,用分块矩阵刻画网络社团结构,据此构建新的投资组合模型.基于上证180指数成分股的实证研究发现,在给定的期望收益下,新投资组合风险比皮尔逊相关投资组合低,且有效前沿位于皮尔逊相关投资组合有效前沿的左侧.实证结果验证了新投资组合模型的有效性.

关键词： 动态网络   社团检测   时序平滑  

摘要： 针对动态网络相邻网络快照社团检测结果差异较大、准确性不足的问题,文章在基于角色的标签扩散算法(role-based label propagation algorithm,RLPA)基础上,结合前一时刻社团结构信息以提高时序平滑性,根据时序结构差异性调整前序信息对当前社团结构的贡献权重,提出了一种基于角色的演化标签扩散算法(role-based evolutionary label propagation algorithm,RELPA)。在两类真实数据集上进行了对比实验,结果表明,该文算法能够准确有效地检测出动态网络中的社团结构。

关键词： 矿石   矿物成分   关联规则   社团检测   大数据   数据挖掘  

摘要： 近年来,借助于大数据技术的发展,地质学迎来了新的发展机遇,但目前利用大数据技术来分析矿物之间关系的研究还比较少。矿物是岩石、矿石的基本组成要素,通常都是以共存集合体的形式产出。矿物的产出不是随机的,而是按照一定的规律共生、伴生在一起。通过大数据技术挖掘出这种矿物的共伴生规律,能够更好地认识矿物之间的关系,对于指导找矿实践有积极作用。本文利用频繁模式挖掘、关联规则、网络分析以及社团检测这些常用的大数据挖掘方法进行了矿石主要组成矿物的大数据分析。所使用的矿石矿物组成数据来自于美国地质调查局的全球矿产资源数据系统(MRDS),该数据集收集了来自于全球的大量矿床中矿石的矿物组成数据。研究结果显示,通过关联规则可以挖掘出隐藏在矿石矿物成分大数据集中的频繁矿物组合,对于找矿勘查和认识矿物之间的关系有积极作用;关联规则挖掘出的规则是一种量化的推理规则,通过兴趣度度量指标能够定量地表征规则的强弱,这种规则相比于经验总结的规律更加定量化和精细化;通过网络分析能够对矿石中主要矿物之间的关系和共伴生规律进行动态、多维、定量的可视化;再结合社团检测可以从矿石矿物数据集中发现隐藏在其中的矿物之间的关系。

关键词： 复杂网络   社团结构   节点相似性   不确定度   合并信息熵  

摘要： 为解决目前社团划分存在的复杂度高及划分精度低等问题,从信息熵理论角度出发提出一种新的社团结构检测算法.针对节点划分概率系统事件发生的不确定性,采用相似性指标计算各节点合并所提供的信息量,结合全局重要度进一步构造节点合并信息熵模型,通过熵函数的值判断具有最小不确定度的合并方案,运用层次聚类的思想实现最终社团划分.通过对真实网络数据集的对比分析,验证了该算法的有效性,且划分社团具有较高的模块度.

关键词： 相异性   社团检测算法   模块度   标准化互信息  

摘要： 受三元闭包原理的启发,基于节点邻居的差异性定义了3种相异性指标即单层邻居相异性、2-邻居相异性和全局2-邻居相异性。由于节点相异性越大越可能出现在不同的社团中,故通过逐步移除网络中相异性最高的两节点之间边的方式,设计一种高效的社团检测算法——基于节点相异性指标的网络社团检测算法。算法中,模块度最大时对应于网络的最佳社团结构,并采用标准化互信息衡量检测结果的准确度。选用LFR基准网络、Zachary网络和Football网络作为测试数据,与GN算法和Fast Newman算法的检测结果进行对比发现:基于节点相异性指标的网络社团检测算法能更准确地检测出网络社团结构。

关键词： 重叠社团与节点检测   改进蚁群算法   启发式信息重定义   标签列表迭代更新  

摘要： 针对重叠社团检测准确率提升问题,提出了一种基于改进蚁群算法的新型重叠社团检测算法。该算法包含位置初始化、运动和后处理三个阶段,分别通过初始位置识别与标签列表存储、基于节点间相似度的启发式信息重定义、合作保持标签列表等方式,使算法在合成数据集与现实世界数据集中的重叠社团与节点检测方面具有更好的性能。实验结果表明,在合成网络与现实世界网络平台上使用不同检测算法,提出方法对重叠社团与重叠节点的检测准确率较传统检测方法更高,因而对重叠社区检测问题求解与理解网络功能结构具有重要的参考与借鉴意义。

关键词： 种子选择   知识扩散   科研合作网络   知识吸收能力   社团检测  

摘要： [目的/意义]面向科研合作网络中的学术社群,提出基于合作者吸收能力的知识扩散种子选择方法,以提升社群知识扩散效率,促进社群成员知识吸收。[方法/过程]运用R软件完成仿真实验。基于斯坦福大型网络数据集(SNAP)的真实科研合作网络数据,运用社团检测算法“WalkTrap”检测出学术社群。将各学术社群中合作对象吸收能力总和最大的节点作为各社群的知识扩散种子,基于此,在各社群内部实施知识扩散仿真实验,并用其余4种基于网络中心性的方法与本文方法作对比。[结果/结论]基于合作者吸收能力的种子选择方法,在网络整体知识水平、知识水平分布均匀性与扩散初期的知识增长速度等方面均优于其它4种方法,且节点吸收能力差异越大,这种优势就越突出。节点平均吸收能力越强或网络中节点平均度越大,知识扩散效率受种子选择方法的影响越小。

关键词： 深度学习   社区预测   深度自编码   动态网络   聚类  

摘要： 随着互联网的不断发展,人们之间的联系更加紧密,导致个体意识的弱化,团队能力的增强,逐渐形成以不同属性为的社区为基础组成庞大的社交网络。社交网络中往往表现为社区内部关系非常的密切,而社区与社区之间的关系非常的稀疏。社区检测是逆化社区形成的过程,从复杂的社交网络中识别出内部联系紧密的社区结构。然而,现实社会中社交网络的结构不是固定不变的,它是随着时间而不断的改变。基于动态网络的社区检测,以及预测社区的演化预测,在研究社交网络结构上具有重要的意义。传统社区检测方法中,大部分涉及到网络的静态快照,没有反映出社区在多个快照上的动态变化。本文的研究主要内容是将社区中的动态变化纳入分析可以预测网络演变的趋势,将动态网络中节点的拓扑结构、文本信息等等相结合,基于表征学习来提高社区检测的效果,以及增加时间分析增强社区演化预测的效果。首先,我们研究了在动态网络中的社区检测问题,并提出了一种新的基于图卷积网络的多元表征学习算法DGAE（Dynamic graph Auto-encoder）。在连续时间序列中,将动态网络中多个时间戳下的用户关系以及文本内容嵌入到时间共享矩阵（Temporal Shared feature matrix）中,并通过使用图卷积网络来学习通过文本信息相关联的用户之间的潜在表征。结合用户的多种信息,来提高社区检测的准确度,最后通过聚类来获得所需时间戳动态网络的社区网络结构。其次,我们研究动态网络中的社区预测问题,提出了一种加入时间分析的深度自编码网络TDAE（Temple deep Auto-encoder）。将动态网络中的多个时间戳下共享矩阵重新嵌入到时间共享矩阵（Temporal Shared feature matrix）中。通过重构的深度自编码学习,从而获得含有社区演化信息的潜在表征,获得的潜在表征中学习了网络的特征以及连续变化网络的时间演化特征,则解码后的网络可以作为社区演化的预测,最后通过聚类最终获得对未来社区结构的预测结果。本文通过两个Synthetic dataset和一个ar Xiv dataset作为数据集来验证算法效果,通过Jaccard相似系数和Purity纯度系数两个指标对DGAE和TDAE算法评估。实验表明,本文提出的DGAE算法与社区检测基准算法相比较,DGAE算法具有较高的准确性和较少的时间消耗。本文提出的TDAE算法与社区检测基准算法比较,TDAE算法具有有效的社区演化预测,与社区预测基准算法比较,具有较好的准确性。