关键词： 社团检测   社团结构   自组织映射网络   引力搜索算法  

摘要： 复杂网络是对复杂系统的一种抽象描述。复杂系统中包含大量的实体,实体可抽象为节点,实体之间的相互关系可抽象为边。例如通过社交系统中的用户及用户间的关系可抽象出社交网络,通过城市道路系统中的路段及路段之间的关系可抽象出城市道路网络。通过研究发现,社团结构是这些网络的主要特征之一。社团由其内部连接紧密、社团间稀疏互连的节点组成,它往往与实际系统中的功能模块相对应。因而,提取网络中的社团可以为理解网络的功能和结构关系提供一种有效的方式。然而某些网络中的社团结构未知,需要通过合适的社团检测算法进行检测,进而对系统的组成部分与系统的功能进行深入的理解。研究人员利用不同的方法提取社团结构,本文也分别基于SOM(Self-Organizing Map,自组织映射网络)和GSA(Gravitational Search Algorithm,引力搜索算法)提出两种社团检测方法。(1)基于SOM的社团检测方法SOMCD。该方法首先移除度为一的节点;然后利用节点间的邻接关系和相似关系构造属性矩阵,随机选择属性矩阵的若干列作为SOM训练的输入向量;本文接着利用竞争学习的方式获取竞争层中与输入向量最相似的获胜神经元,然后采用不同的方式调整获胜神经元和其它神经元的权重向量。多次迭代后,具有相同获胜神经元的输入向量被映射到同一社团。此外,本文将社团检测过程嵌入上述训练过程,每次训练结束后,计算对应的社团结构的模块度,记录最大模块度对应的社团结构。训练过程结束后,最大的模块度对应的社团结构即为最优的结果;最后用一个后处理过程将移除的节点加入到其邻居所属的社团中,并对一些过小的社团进行合并,从而获得高质量的社团结构。(2)基于GSA的社团检测方法GSACD。该方法首先通过移除对社团结构形成贡献很小的节点进行预处理操作;然后通过多次运行LPA(Label Propagation Algorithm,标签传播算法)以及LPA的改进算法得到多个搜索解,并使用离散化编码方式,将每个搜索解表示为离散的向量,向量中每个维度的值代表搜索解中每个节点对应社团的编号,进而获得初始种群。其中,种群中的每个粒子表示一个社团结构。考虑到社团间和节点间的相似性都对社团结构具有一定的影响,本文据此改写引力计算公式。随着粒子间的引力变化,本文不断更新粒子的质量、加速度及速度,并通过社团结构中每一维对应节点的大多数邻居所属的标签改写粒子的位置更新公式,即更新社团结构中节点所属社团的编号;同时,本文采用模块度作为适应度函数,利用模块度计算粒子的质量;多次迭代后,质量最大的粒子对应的位置为最优的社团结构;最后,该方法通过后处理过程将预处理过程中移除的节点划分到其直接邻居所属的社团中,获得最终的社团结构。本文提出的两种方法都可以自动检测社团数量,并且GSACD方法无需设置任何参数。此外,为了验证SOMCD方法和GSACD方法的有效性,本文分别在不同规模的实际网络及合成网络上进行了实验,并与一些影响力较大的算法获取的结果进行了对比,然后使用模块度和标准化互信息量评价社团结构的优劣。实验结果表明,SOMCD方法和GSACD方法都能检测到高质量的社团结构。

关键词： 社团检测   动态网络   动态社团   增量聚类   weak-clique  

摘要： 随着数据的大规模增长,对于社团检测算法的研究日益成为复杂网络学科中的一个热点和挑战。在网络中检测社团可以分析网络结构,了解网络结构中隐藏的关键信息。在过去的十几年中,静态网络的社团检测算法得到了长足的发展,但是,现实生活中网络都是动态网络,网络随着时间不断发生缓慢的变化。对动态网络进行社团检测、分析,能够帮助人们认识网络的结构、分析网络的发展趋势,对于现实生活意义非凡。然而传统的静态社团检测算法会忽视网络之间的时间演化关系,得到的社团难以解释和进一步分析;进化聚类算法需要平衡前一时刻和当前时刻网络上的可能存在矛盾的指标,导致算法效率不高;一些增量聚类算法在更新社团时存在一定的损失。如何高效且准确的在动态网络中检测社团,成为了动态网络分析中的一个难题。大多数已有的动态社团检测算法,在运行时间和算法准确度上不能同时满足需求。本文提出了一种基于weak-clique和增量聚类的动态社团检测算法DWCI,首先改进了W-CPM静态社团检测算法的weak-clique识别方法和weak-clique的合并方法,提高W-CPM算法准确率;然后基于增量聚类算法,定义了weak-clique的核和受扰动节点集合,并且通过验证当前时刻weak-clique的核以及计算增量节点和weak-clique的核之间的关系,确定受扰动节点集合;最后对受扰动节点集合重新计算社团。通过时间复杂度分析发现,DWCI算法具有增量聚类的高效性。本文在合成数据和真实网络上进行实验,将DWCI算法与经典的进化聚类算法Facetnet、增量聚类算法IC、d Louvain-ΔS,从准确性与运行时间两方面进行对比。在DBLP网络中,本文算法运行时间低于其他算法,比d Louvain-ΔS算法缩短6倍左右,比IC算法缩短30%左右,Facetnet算法由于运行时间过长不具有可比较性;社团模块度指标显著高于IC算法,和d Louvain-ΔS算法处于相同水平。在CELLPHONE网络中,本文算法运行时间比d Louvain-ΔS算法缩短1-2倍,比Facetnet算法缩短100倍;社团模块度指标略低于Facetnet算法,但是高于IC算法和ΔS＿louvain算法。在1万节点、5万节点和10万节的合成网络中,本文算法运行时间和IC算法相当,比d Louvain-ΔS算法缩短3-4倍,此时Facetnet算法运行时间过长不具有可比较性。通过实验验证发现,DWCI算法时间效率明显高于Facetnet算法和d Louvain-ΔS算法,和IC算法时间效率相当,具有增量聚类的高效性;在准确性方面,DWCI算法明显高于IC算法,大部分情况下高于d Louvain-ΔS。总而言之,本文提出的算法DWCI是一个时间效率高,准确性也相对较好的动态社团检测算法。

关键词： 非重叠社团检测   重叠社团检测   连接模式   等价类  

摘要： 社团结构是复杂网络的重要特征之一,在同一个社团内的顶点之间连接紧密,而不同社团之间连接相对稀疏。社团结构通常与网络中潜在的功能和组织特征联系在一起,例如新陈代谢网络中的生化过程,科学家合著网络中科学家的研究领域,WWW网络中具有相同主题的网页组或社交网络中真实的社会群体等等。社团检测对于理解与改善不同类型的复杂系统具有重要意义。此外,社团结构可以从结构层面展示网络的不同性质,并描述网络的结构和功能或组织结构之间的关系。因此,社团检测具有重要的理论意义和实践应用价值,受到研究人员的广泛关注,并提出了大量的社团检测算法。本文在对现有的社团检测算法进行了深入研究的基础上,提出了一种基于等价类的非重叠社团检测方法DEC(Disjoint community detection via Equivalence Classes)和一种基于等价类的重叠社团检测方法OEC(Overlapping community detection via Equivalence Classes)。(1)基于等价类的非重叠社团检测方法DEC:该方法是基于顶点的等价类而提出的确定性的非重叠社团检测方法。DEC方法首先为网络中的每一个顶点构建一个连接模式向量,从而构造出整个网络中顶点所对应的连接模式矩阵;然后通过指定约束条件,选择出网络中所有满足约束条件的顶点对,紧接着利用这个顶点对集合构造出网络中满足约束条件的顶点的一个等价类划分,即网络的一个初始社团结构;最后通过对其中一些顶点和小社团进行微调以获得网络最终的非重叠社团结构划分。(2)基于等价类的重叠社团检测方法OEC:该方法首先为网络中的每一个顶点构建一个连接模式向量,然后通过顶点的连接模式矩阵为网络中的每条连边构造一个边连接模式向量;进而通过约束条件选择出网络中所有满足约束条件的边对,并利用边对集合构建满足约束条件的边对所构成的一个等价类划分,再将该划分转化为网络中顶点所构成的一个初始覆盖,即一个初始的重叠社团结构;最后通过对其中一些顶点进行微调获得最终的重叠社团结构。为了验证本文所提社团检测方法的有效性,本文在人工合成网络与实际网络数据集上进行了实验,并与多个算法的实验结果进行对比分析。实验结果表明,本文中所提出的算法能够有效且稳定地从网络中提取高质量的社团结构。

关键词： 大数据   社交网络分析系统   分布式爬虫   关键节点挖掘   社团检测  

摘要： 随着网络的发展,社交软件的不断升级完善,人们越来越愿意把日常生活迁移到网络中去,人与人之间的交流互动也越来越依赖社交媒体。Facebook、Twitter和Linked In等社交媒体不断扩大用户群体,已然成为人们生活不可或缺的一部分。社交网络中每时每刻都在产生海量的数据,传统的单机模式无法满足当今对数据处理能力的要求。面向大规模社交网络数据的挖掘和分析具有极其重大的意义,因此对社交网络的分析和研究成为各界关注的热点。本论文针对网络空间安全领域中社交网络的数据难获取性、大数据组件难管理性、数据分析挖掘算法的缺乏针对性等难题,基于大数据技术设计并实现了包括数据采集、数据存储、数据计算、数据挖掘分析和数据可视化功能在内的社交网络分析系统,具有良好的扩展性和实用性。本论文的研究内容如下:系统开发:本系统以Facebook、Twitter和Linked In作为数据源,设计并实现相关的反爬虫措施,持续性通过分布式智能爬虫进行数据采集,作为上层应用的数据基础。使用大数据技术作为数据存储、计算和分析挖掘的基础,构建以HDP(Hortonworks Data Platform)大数据平台架构为基础,包括分布式文件系统、Spark分布式计算框架以及多种分布式数据库和其他大数据组件的大数据平台,为社交网络分析系统提供数据存储、计算和分析挖掘的工具。使用Spark的Graph X和ML(Machine Learning)库实现社交网络基本特征分析包括度分布、关联性分析,最短路径分析和用户聚类等。算法改进:综合分析传统的Page Rank算法和各种社团检测算法的缺陷后,将传统算法与社交网络实际数据相结合,提出基于不同社交网络的关键节点挖掘算法tw Rank算法和fb Rank算法,设计实验对比验证表明新算法较之传统算法能更好地利用采集到的数据达到精准挖掘关键节点的效果。针对传统Louvain社团检测算法的缺点提出改进的基于分布式的Louvain社团检测算法,并通过实验验证其处理大量数据的优势。系统可视化:本系统最终将上述模块功能使用Django框架和可视化技术实现数据管理和数据分析挖掘结果的可视化展示。

关键词： 社团检测   相似性   增量   模块度  

摘要： 复杂网络是对现实中很多实际系统的抽象,它可以反映出网络中个体之间的相互关系。社团结构作为其中重要的结构特征,通常对应系统中的功能模块,对其进行提取可以探索网络的内部规律、挖掘节点间的潜在关系。因此,在复杂网络中进行社团检测具有十分重要的理论意义与应用价值,这项研究也受到各领域的广泛关注,从而有很多社团检测算法被提出。在充分研究这些算法后,本文通过探索网络中节点的相似性特征,分别设计了静态复杂网络中基于节点相似性的局部社团检测算法,以及动态网络中基于节点相似性的增量式社团检测算法。(1)基于节点相似性的局部社团检测算法。该算法充分利用网络的度信息与拓扑结构,计算节点之间的相似性,以高效的局部方式构建社团结构;并设计一个定量衡量社团稀疏程度与规模的指标,解决了社团检测过程中分辨率受限的问题。算法分为两步,第一步,利用度信息对节点影响力的反映,每次从未分配社团归属的节点中选取度最大的节点,为该节点与其最相似的邻居节点构建初始社团,重复该过程至所有节点均有初始社团归属;第二步,由于部分初始社团规模过小或太过稀疏,该步骤利用所设计的衡量社团规模和稀疏程度的指标,将不符合标准的初始社团合并到其最相似的邻居社团中,以获得最终的社团结构。(2)基于节点相似性的增量式社团检测算法。该算法在得到第一时刻网络快照的社团结构之后,在演化过程中,仅对当前时刻网络中发生变化的增量部分进行社团划分,未发生变化的稳定社团继承即可。同时,该算法仅从节点演化的角度出发,通过定义活跃节点简化了复杂的边演化事件。算法分为三步,第一步,继承前一时刻网络的社团结构并从中移除由于演化在当前时刻消失的节点,选出从前一时刻到当前时刻的演化中社团归属可能发生变化的节点,将其与新增节点一同定义为活跃节点;第二步,利用度信息与节点相似性,为活跃节点构建初始社团;第三步,对初始社团进行基于模块度增量的合并以优化最终结果,进而在每个网络快照上依次获得社团结构。为了验证所提算法的性能,本文在多个实际网络与人工合成网络数据集上进行了充分实验,并对所得实验结果与相关算法进行了深入比较。实验结果表明,本文所提的两个算法均能在不同网络中有效提取出高质量的社团结构。

关键词： 动态复杂网络   社团检测   特征建模   非负矩阵分解  

摘要： 数据建模是机器学习和人工智能领域的重要研究问题,聚类分析可以有效地挖掘数据内在的模式和规律。复杂网络(图数据)作为新的研究热点,对理解社会复杂系统有着重要的作用,可以有效地用于推荐系统、恐怖组织挖掘等问题。近年来,网络结构的动态演变给社团检测建模提出了新的挑战,如何采用高效的学习模型挖掘动态复杂网络内在的规律,实现社团检测和演化分析,成为动态复杂网络研究的重点。从动态复杂网络中节点重要性、社团结构、特征表示、高阶相似性等角度研究面向动态复杂网络社团检测的特征建模与分析,采用统一的非负矩阵分解架构,实现动态网络中节点特征、网络特征、社团特征的联合建模,具体工作包括:针对节点重要性和社团结构相互影响的挑战,提出了联合建模节点重要性变化和社团结构变化的联合模型。具体地,基于动态非负矩阵分解模型,引入一个演变矩阵来建模节点重要性的演变过程。同时引入另一个演变矩阵来建模社团结构的演变过程,提出了动态网络多结构特征联合模型,进一步基于梯度下降的方法提出了该模型的优化方法。实验结果表明该模型在时变社团检测和关键节点识别任务上均具有较好的性能。针对节点局部特征的动态变化多样性问题,提出了基于网络表示学习的社团结构建模统一框架。具体地,基于对称非负矩阵分解以融入网络当前时刻的拓扑信息,并基于演化聚类引入演变矩阵以融入网络历史社团结构信息。同时,利用网络表示学习方法刻画节点的动态局部特征,并以正则的形式融入动态网络特征模型。继而形成基于网络表示学习的社团结构建模统一框架,并给出了其对应的优化算法。实验结果证明了该动态社团结构模型框架的鲁棒性与有效性。针对网络稀疏性和高阶表示的有效性,提出了融合动态网络高阶特征、一阶相似性正则的社团演变模型。具体地,针对真实网络的稀疏性问题,引入动态网络高阶表示策略,同时考虑到网络数据的流形结构,结合动态网络多结构特征建模优势,引入一阶相似性正则,提出了融合动态网络高阶特征的社团演变模型。实验结果验证了该模型在时变社团检测与关键节点识别方面均具有较好的性能。针对动态复杂网络挖掘中的重要问题,提出了一套用以社团检测、网络演化、节点重要性分析的理论方法,提升了动态复杂网络的应用场景和理论方法。

关键词： 社团检测   重叠社团   有向网络   有向领导度   从属度  

摘要： 通过社团检测和社团分析可以获取复杂网络中的重要信息,帮助控制网络、预测网络演化。最初的社团检测研究集中在无向网络和非重叠社团上,但由于现实世界存在大量有向网络,以及网络中普遍存在的重叠性,重叠社团检测和有向网络社团检测逐渐成为社团检测研究的重点和热点。重叠社团检测一直是复杂网络研究领域的重点和难点之一。由于真实网络普遍存在层次结构,结合层次性的重叠社团检测方法将更适用于现实世界复杂网络的研究分析。本文基于领导度和从属度概念,并对计算领导度的条件做了适合本文重叠社团检测模型的改动。在此基础上结合网络层次性建立了一种基于领导度和从属度的重叠社团检测算法模型——从属度树算法模型。模型根据从属度值将网络重新组织为树结构,通过划分树来发现重叠节点和重叠社团。实验表明从属度树算法模型可以结合层次性检测重叠社团,并且能找到其他算法不能找到的重叠节点。划分社团的扩展模块度值大于对比算法,社团划分结果更接近实际社团结构。相比于无向网络社团检测,有向网络社团检测要考虑网络的方向信息,社团检测更加复杂困难,要将无向网络社团检测算法改进以适用于有向网络,关键在于将网络的方向性融入算法模型中。本文利用包含网络方向信息的节点出入度设计了一种节点有向领导度的计算方法,并基于节点有向领导度和从属度构建了一种节点有向领导度的社团检测算法模型。模型中通过节点有向领导度和从属度值重构网络,并对重构后的网络进行社团划分,实现有向网络社团检测。实验表明节点有向领导度的算法模型能通过从属度值更清晰地简化表示原网络,在计算机有向人工网络上与其他两个有向检测算法和一个无向检测算法进行了对比,本文算法的检测效果均比较好。节点有向领导度算法模型在较稀疏网络和较稠密网络上的表现都较好,也适用于不同社团规模的网络,在引文网络中也能准确检测社团结构。

关键词： 复杂网络   社团结构   社团鲁棒性   级联故障传播   流行病传播动力学  

摘要： 大量现实世界的复杂系统由多个相互作用的单元构成,单元及其之间的关系可以抽象成复杂网络进行描述,研究者发现它们具有无标度、小世界、同(异)配性、层次结构和社团结构等部分或全部特性。经典传播模型只关注节点不同状态或类型之间的变化过程,而不考虑网络结构的影响。然而复杂网络传播动力学的研究更加关注网络结构、载体的行为模式、传播特征以及演化过程等因素影响。网络结构的研究从节点逐步拓展到簇、社团和层次结构,从不同角度对复杂系统的内在关系进行了更加精准的刻画。社团结构的特点是网络中的节点按照某种性质或者特征被划分成若干个模块,每一个模块内边是相对稠密的,但模块间边是稀疏的。人是病毒的载体,人们的行为形成的传播链通常具有社团结构特征。然而,社团结构和传播动力学之间存在哪些因素相互影响尚不完全明确;现有复杂网络模型的创建大多基于规则模型,与人类流行病的传播过程中所形成的网络并不相符。本文对社团结构、社团鲁棒性以及基于流行病的传播特征和人们行为模式建立贴近现实生活的传播模型和设计有效的预防控制策略进行了研究。全文主要工作如下:(1)提出一个基于二分网络资源分配的社团结构检测算法(Enhancing Community structure Detecting algorithm,ECD)。针对两性疾病的传播特征具有二分性和社团结构,研究了在二分网络中如何识别社团之间的边界来提高社团结构检测质量。二分网络节点分为两类,同类节点无交集,异类节点之间相互联系。本文扩展了二分网络资源分配投影方法,分别找到同类节点之间,节点和它的邻居社团的权重,根据权重大小判断冗余边。利用ECD算法检测二分网络社团结构的同时重叠节点被识别。通过人工和真实网络的实验结果对比,ECD算法具有良好的性能。另外,边是传播动力学中主要“媒介”,重叠节点促进社团间病毒的传播。删除冗余边和对重叠节点采取积极的防控措施可以抑制该类病毒向其它社团传播。(2)提出一个同配邻居优先连接耦合算法(Assortative Neighbors classification Priority Link,ANPL)。针对大部分真实网络之间存在各种各样的耦合关系,而不是孤立存在的。研究了如何在保持子网结构不变的基础上提高相依网络社团鲁棒性。从社团结构、子网间节点度相关性和相依网络上故障传播机理角度分析,在生成的网络上模拟级联失效过程,改变失效节点比例、位置和社团结构强度分析无标度网络耦合而成的双层相依网络的社团鲁棒性和相似性。通过与经典的耦合算法对比,实验结果验证了 ANPL算法的有效性。该结论为进一步研究具有社团鲁棒性强的多层相依网络模型提供指导。(3)提出一个双隔离策略的易感-感染-隔离-易感(Susceptible-Infect-Quarantine-Susceptible,SIQS)流行病传播动力学模型并建立了该模型的演化方程。针对在重叠社团结构的人群中流感、冠状等病毒的传播,不但考虑易感个体在社团内面临不同的感染风险,而且分析感染该类病毒的个体特征。将感染者的状态分为潜伏期和爆发期,潜伏期同样具有传染性,隔离率应该随个体感染的不同阶段动态变化。通过改变模型中的参数值调整隔离策略,在具有重叠社团结构的无标度网络中模拟SIQS流行病传播过程。当局部或全局爆发疫情系统进入稳态时,执行双隔离策略不但比单一对感染者实施隔离策略的隔离密度小,而且减弱流行病从局部向全局传播速度。双隔离策略的效果与疾病的潜伏期、传染率和初始感染密度均有关。实验验证了该模型的有效性并为进一步设计合理的防控策略提供了理论依据。(4)研究了复杂网络流行病分布的均匀性。针对复杂网络流行病传播动力学研究中,通常基于均匀混合假设得到解析解,即疾病均匀分布在网络中。然而在真实的社交网络中个体之间的局部接触方式导致疾病就近传播。通过分析典型染病簇尺寸的不足,定义染病簇尺寸熵δ*测量流行病传播中所有染病簇分布的变化情况。在具有长程和局部随机行走的动态网络上模拟易感-感染-易感(Susceptible-Infect-Susceptible,SIS)流行病传播模型,对比动态网络和均匀模式的染病簇尺寸熵。实验结果表明移动速度、感染密度、长程运动概率、感染率和活动半径的改变影响疾病分布的均匀性变化。综上所述,不同网络结构研究的侧重点不同,在进行传播动力学的研究中要充分考虑网络结构、疾病传播特征、病毒载体行为模式之间的相互影响,才能建立更加符合现实世界的传播模型和设计合理有效的预防控制策略。

关键词： 本地化差分隐私   社交网络   关系数据   层次结构   社团检测  

摘要： 随着社交网络服务的普及,各类社交媒体可以从用户端获取大量个人数据和相关信息以进行数据挖掘和分析,但同时也带来隐私泄露风险,因此个人隐私保护问题变得越来越重要。当前,差分隐私作为一种经过严格理论验证和数学证明的隐私保护模型,在许多领域都引起了人们的关注和研究。但是,针对社交网络中关系数据的隐私保护仍处于初级阶段,且现有的差分隐私发布技术主要集中在中心化模型上,即数据收集者默认可信,然而这样的假设已不符合现实情况。为了解决上述问题,本文提出以下两部分研究内容:(1)本文提出使用满足本地化差分隐私的分层随机图模型进行隐私保护。首先,为了达到保护隐私同时不失去效用性的目的,本文通过将原始网络转换为分层随机图模型来保留统计特征,将原有评价指标结合指数机制形成新的模型选择方案,择优选择最终的模型结构;然后,将获得的模型与添加拉普拉斯噪声的连接概率结合,以获得一个噪声网络以供发布,模型的迭代选择过程中借鉴蒙特卡洛马尔可夫链方法提高了效率和准确性;此外,还提出应用预测模型来补充丢失连接。本文对所提出算法进行了理论证明和实验验证。(2)本文提出了一种基于Louvain算法的本地化差分隐私社团检测算法。在Louvain算法的第一阶段,本文引入了指数机制,并结合了模块度增益来确定节点所属的社团;当获得社团时,社团内的边连接关系更加紧密,因此需要提供进一步的隐私保护,本文采用分层随机图模型来根据边连接概率对图的结构信息进行编码,从而将每个社团转换为分层随机图模型;然后将生成的分层随机图模型与添加拉普拉斯噪声的边连接概率相结合获得加入噪声的网络结构。本文在不同规模的数据集上对所提出的算法进行验证,结果表明本文提出的算法在满足差分隐私条件的同时保留了一定的效用。

关键词： 复杂网络   社团检测   网络嵌入   社团嵌入   模块度  

摘要： 近年来,随着互联网技术的飞速发展,不断产生具有相互关系的海量数据。作为对现实复杂系统的抽象,复杂网络利用网络科学来分析个体之间的关联及系统结构。社团结构作为复杂网络的重要特征之一,旨在发现网络中连接紧密的节点集合,从而更加清楚地了解网络中存在的拓扑结构。基于网络嵌入方法可以获得节点的低维向量表示,能够降低算法的空间代价。在此基础上引入网络的高阶信息或社团嵌入,则可以进一步提高社团检测算法的性能。现有检测算法中,在使用网络的多阶信息时,存在着各阶关系重要性的量化问题;将社团嵌入作为“监督信息”指导节点嵌入时,未使用网络的同质性。本文针对这些问题,围绕各阶关系重要性量化、网络同质性的使用展开了研究,主要研究内容与成果如下:针对网络中多阶信息重要性的量化问题,引入注意力机制学习各阶信息的权重,设计了基于网络高阶关系矩阵的社团检测算法。利用不同路径长度节点间的路径数量,设计了网络的各阶关系矩阵;基于注意力机制学习与网络拓扑结构相符的上下文分布作为权重组合,使用加权求和构建出网络的高阶关系矩阵;在目标函数中引入社团嵌入和模块度,使用乘法更新规则,交替迭代更新参数。通过三个数据集获得最优参数组合后,该算法比基础算法最优的Deep Walk性能提高了5.51%。针对未使用网络同质性情况,在节点嵌入与社团嵌入联合优化中引入同质性,设计了基于节点嵌入与社团嵌入的自聚类算法。将社团看作潜在变量引入节点-社团分布和社团-节点分布,采用变分界限与Monte Carlo优化得到节点在社团上的分布关系,从而基于Gumbel Softmax得到节点的具体分区;为了满足网络的同质性,采用链路预测中度量节点的相似度关系作为连边权重,加入以平滑网络中存在连边节点之间嵌入表达的正则项;基于节点嵌入聚类得到社团中心,引入节点与对应类别中心距离均值的Center Loss,以实现算法的自聚类过程。经过计算对比,该算法比基础算法最优的Deep Walk性能提高了3.21%。为了验证上述算法在网络中社团检测的能力,本文分别选取六个数据集和八个基础算法进行评估。基于模块度定义了指标Louvain’s Rate,并使用Deep Walk算法验证使用网络高阶信息对检测性能的必要性。实验结果表明,基于网络高阶关系矩阵的社团检测算法和基于节点嵌入和社团嵌入的自聚类算法在数据集上相对于基础算法整体都有着显著优势。