关键词： 复杂网络   节点特性   节点虚拟引力和   标签传播算法   社团结构检测  

摘要： 为了解决标签传播算法(LPA)在社团检测过程中的不确定性而导致算法性能不稳定的问题,在万有引力思想的启发下,本文在原始的标签传播算法基础上通过引入万有引力的相关理论,改进了基本标签传播算法的标签更新顺序以及算法迭代中选择当前更新标签的方法,据此得到了本文的基于节点引力的标签传播社团检测算法(NGLPA)。首先,选择基于网络全局特征的LeaderRank算法获得网络中所有节点的重要性值,将该值按由小到大的顺序排列作为节点更新顺序。其次,类比万有引力公式的形式,考虑将节点的重要性和相似性分别抽象为节点的质量和其之间的距离,从而定义了网络中节点之间的虚拟引力。最后,选取节点中具有最大引力和的标签更新算法迭代中的当前标签,当节点的受力达到平衡时,算法停止迭代,此时便可获得网络的社团划分。通过选取文献中的比较流行的6种对比算法在人工网络和4种已知真实结构的网络上做实验分析对比后发现,本文提出的NGLPA算法较其他算法具有较高的性能。

关键词： 社团检测   社团隐匿   梯度优化   进化计算   扰动子结构  

摘要： 社团检测是一种用来揭示网络聚集行为的技术，能够精准识别网络中的社团结构，帮助更好地理解复杂网络的内部组织和功能。然而，随着社团检测算法的快速发展，其中信息泄露和过度挖掘等诸多隐私问题也备受关注。因此，社团隐匿算法被广泛研究，它通过构建扰动子结构来模糊网络中的社团结构，从而有效降低社团检测算法的识别能力，实现隐私保护。在现有的扰动子结构优化方法中，基于遗传算法的方法表现较为突出，但这些方法在搜索解的过程中缺少方向性的指导，因此在构建扰动子结构的效果和效率上仍有提升空间。通过将梯度引导信息引入遗传算法搜索，可以优化扰动子结构的构建过程，从而提高社团隐匿的效果和效率。实验结果表明，在社团隐匿问题中，加入梯度引导信息的遗传算法在搜索扰动子结构方面显著优于其他基线方法，证明了其有效性。

关键词： 多层网络   社团检测   图神经网络   自编码器   自监督学习  

摘要： 基于图神经网络的多层网络社团检测方法面临以下两个挑战。一是如何有效利用多层网络的节点内容信息,二是如何有效利用多层网络的层间关系。因此,提出多层网络社团检测模型AGCFN(autoencoder-enhanced graph convolutional fusion network)。首先通过自编码器独立提取每个网络层的节点内容信息,通过传递算子将提取到的节点内容信息传递给图自编码器进行当前网络层节点内容信息与拓扑结构信息的融合,从而得到当前网络层每个节点的表示,这种方法充分利用了网络的节点内容信息与拓扑结构信息。对于得到的节点表示,通过模块度最大化模块和图解码器对其进行优化。其次,通过多层信息融合模块将每个网络层提取到的节点表示进行融合,得到每个节点的综合表示。最后,通过自训练机制训练模型并得到社团检测结果。与6个模型在三个数据集上进行对比,ACC与NMI评价指标有所提升,验证了AGCFN的有效性。

关键词： 重叠社团结构   局部随机游走   密度峰值   三支聚类  

摘要： 自然界和社会中的许多复杂系统都可以用网络来描述,重叠社团检测是研究这些网络的关键任务之一。文章提出一种新的基于密度峰值聚类法和三支聚类法的重叠社团检测算法(3W-DPC算法),主要思想是利用密度峰值法确定网络中心节点,进一步进行三支聚类,确定每个社团的核心域和边界域。通过使用3W-DPC算法分析人工网络和真实网络的社团结构,研究发现重叠的社团自然且频繁,特别是对于最大的群落。与其他检测方法进行的基准测试比较,表明3W-DPC能够有效地检测网络的重叠社团结构。

关键词： 复杂网络   重叠社团检测   标签传播算法   局部结构熵   SLPA  

摘要： 标签传播算法(Speaker-Listener Label Propagation Algorithm,SLPA)在重叠社团检测任务上具有线性时间复杂度和优良的检测效果,但作为一种随机算法其多次的随机选择策略致使算法的精度受限且算法结果不稳定;此外,算法在选取的阈值较低时容易出现大量相互嵌套的小型社团和重叠节点。针对上述问题,提出一种精度更高、稳定性更好的改进算法。算法初始化阶段,使用节点局部结构熵(Local Structure Entropy,LE)计算的节点重要性排序升序作为节点更新序列;标签传播阶段,使用资源分配指标(Resource Allocation,RA)作为节点进一步选择的依据,引导标签传播的方向;后处理阶段,新增两两对比待选社团集以去除嵌套包含的社团。在真实网络与人工网络上验证算法的有效性,使用重叠标准互信息(Overlapping Normalized Mutual Information,NMIov)和扩展模块度(Extended Modularity,EQ)与5个经典算法进行对比。实验证明,改进算法在精度与经典算法相比具有优势,在真实网络和人工网络中均具备较好的鲁棒性;改进算法与原算法相比,算法的结果精度分布更为集中,算法的稳定性有提升。

关键词： 复杂网络   社团检测   极大团   模块度矩阵  

摘要： 社团结构检测有助于揭示复杂网络的结构-功能特性,目前已有的社团检测算法在其研究过程中存在着分辨率限制、节点不确定性以及需要先验参数等问题.为了解决此类问题,提出了一种基于网络节点极大团的社团检测算法(BMC).BMC算法将网络中的节点极大团设为初始节点群组,依据提出的极大团局部相似度和局部团组关系对节点群组进行分级聚类合并,以此挖掘出网络中的社团结构.针对在社团结构挖掘过程中出现的节点不确定性问题,通过模块度矩阵提出了模块隶属度对网络中的单邻居节点和重叠节点进行优化.为了验证BMC算法对网络社团结构挖掘的准确性,在5个真实网络数据集上与5种算法进行实验对比.通过3种衡量指标得到的实验结果表明,BMC算法能够准确地检测出网络中的社团结构.

关键词： 复杂网络   社团检测   中心性指标   标签传播算法  

摘要： 在复杂网络的探索过程中,关键节点的识别和社区结构的检测受到广泛关注,有助于人们更好地理解和利用复杂网络的结构特征,揭示节点之间的关系。提出库仑力中心性(CFC),并将其应用到标签传播算法(LPA)中设计了社团检测算法(CFCLPA),消除了LPA中的随机性,具有较高的社团结构识别能力。在真实网络和LFR基准网络下进行了一系列测试和比较,实验结果表明,该算法具有更优秀的社团检测性能。

关键词： MOEA-AT算法   社团结构   模块度   NMI   精度  

摘要： 随着社会的不断进步和网络技术的发展,新闻传播模型中网络社团的规模不断加大,网络结构更加复杂。本研究探讨了多目标进化算法原理,分析了网络社团的结构,提出了基于社团结构节点属性信息的多目标进化社团自动检测算法(Automatic detection algorithm of multi-objective evolutionary community MOEA-AT)。测试结果表明,MOEA-AT算法的NMI,AC和Q的平均值分别为0.95、0.92、0.89,各指标的均值较高,在实际网络中表现较好。应用于真实网络时,MOEA-AT算法将网络划分成2~5个社团,且社团之间界限较为清楚。由此可知,MOEA-AT算法对网络社团的自动检测有更高的精度且稳定性更高,并且在新闻传播领域有一定的现实意义和经济价值。

关键词： 异常检测   话题热度   时间序列   社团检测   在线社交平台  

摘要： 【目的】研究发现信息话题并找到激发公众讨论的现实事件。【方法】构建共词网络检测社团表示话题,基于文档词与话题社团词的重合度计算文档话题向量并依据文档时间计算话题热度时间序列,借助STL分解时间序列并利用3σ原则检测异常,结合异常时点话题的高频词与高相关文档发现激发讨论的现实事件。【结果】以新浪微博河南暴雨的相关发帖为例,发现涉及灾情态势、应急管理以及社会响应等方面的话题。异常检测与分析表明,灾情态势类话题的公众关注度最高,雨情预警及相应防汛行动等是热点事件;应急管理中的抢险救援工作与事故调查情况能够激发讨论;在社会响应方面,受灾者互救事迹、公益捐赠事迹易引发关注。【局限】数据集较小,因而在异常时点检测的阈值判断中使用人工观察设定阈值的方式,在面对较大数据集时需要使用自动阈值确定方法。【结论】话题热度时间序列的异常检测能够发现社平台的热点事件,且在舆情响应中,管理部门需要从救援、预防和恢复三方面出发,及时发布预警信息,公开救灾情况及事故调查情况等回应公众关切,并通过救援、互助、捐赠等事迹的宣传引导积极健康的舆论走向。

关键词： 复杂网络   社团检测   Louvain算法   节点相异度   网络安全  

摘要： [目的/意义]社团检测作为复杂网络分析的一个主要研究方向,能够探究复杂网络的社团结构特性,挖掘潜藏在背后的关联信息,可用于网络安全治理,识别和划分潜在的危险分子,维持网络的安全现状.[方法/过程]在Louvain算法步骤的合并过程中,存在着合并社团时选择局部最优解而并非全局最优解的问题.为了缓解这个问题,使用K-means的中心初始化思路改进,提出了基于节点相异度初始化社团的Louvain改进算法(简称LBNDC算法).[结果/结论]经过仿真实验和经典算法对比,LBNDC算法表现优秀,为网络安全中复杂网络的社团检测提供了新的算法设计思路.