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.

关键词： 复杂网络   标签传播算法   种子节点   中介中心性   社团检测  

摘要： 随着互联网的快速发展,对复杂网络的研究显得越发重要。复杂网络中的一个重要特征是社团结构,即社团内部连接紧密,而社团之间连接稀疏。挖掘复杂网络中潜在的社团结构成为了许多学者研究的重点,此项研究在现实生活中具有重要意义。它可以帮助用户在蛋白质互作网络中识别蛋白质的相互作用模式,在信息网络中分析流量的分布情况,还可以用于文献推荐和产品推广等领域。基于上述分析,论文将在复杂网络上开展以下研究。 (1)提出一种基于种子节点影响的标签传播算法,用于检测复杂网络中的非重叠社团结构。为了降低标签传播的随机性,论文提出了一种新的种子节点选择策略。该策略不仅考虑了复杂网络的拓扑结构,也考虑了节点的属性特征。然后结合特征信息和节点间的最短路径选出网络中的种子节点。最后,通过种子节点生长策略挖掘复杂网络中的社团结构。将算法在属性数据集和无属性数据集上分别进行了验证,与其他算法相比,该算法在属性数据集上具有明显的优势,更适用于检测带有属性特征的网络结构。 (2)提出一种基于中介中心性的重叠结构检测算法。该方法不仅可以检测社团结构,还可以挖掘网络中的重叠节点。该算法主要包括社团的基础划分和识别重叠节点两部分。首先,按照中介中心性降序顺序,节点轮流担任主节点。主节点接收来自从节点的标签并更新自身的标签集合,然后从新的标签集合中选择权重最大的标签将其记录,重复此过程直到循环结束。最后,遍历节点的记录列表,从中选择出现次数最多的标签作为节点的最终标签。社团基础划分完成后,通过算法提出的判别函数识别网络中的重叠节点。将该算法在真实数据集和人工数据集上分别进行验证,结果表明该算法能够有效的挖掘网络中的重叠节点。 (3)设计并实现基于标签传播的文献推荐系统。该系统由用户子模块,推荐子模块和查询子模块构成,用户可以通过系统查找相关文献。系统也会根据用户的历史浏览记录和文章信息为其推荐相关内容。本系统不仅可以加快读者查找文献的效率,还可以为读者提供个性化推荐服务。因此,该系统在现实生活中具有很重要的意义。

关键词： 社团检测   标签传播   三节点模体   密度峰值  

摘要： 复杂网络是对现实世界中复杂系统进行建模得到的一种网络结构,在城市交通网络、社交网络、生物学网络等领域中广泛存在。随着数字化时代的到来,这些复杂网络已成为研究信息传播和揭示网络结构的重要工具。通过识别网络中的社团结构,能够探知网络的拓扑特征,从而帮助优化网络布局和资源分配,社团检测为深入理解复杂网络的功能结构及动态行为提供了有力工具,成为当下研究的热点。 标签传播算法是一种简单高效的社团检测算法,无需先验知识且适用于大规模网络,同时时间复杂度近似线性。但其在节点更新顺序的选择和标签选择上存在随机性,导致算法划分的结果不稳定且准确性较低。针对以上问题,本文提出了两种改进算法,主要研究内容如下: (1)为了解决原始标签传播算法的随机性强这一问题,本文提出了一种基于三节点模体挖掘的标签传播算法。通过挖掘三节点模体来获取网络的高阶拓扑结构,并为避免高阶连接模式下出现孤立节点的情况,与原始低阶拓扑结构合并来重建网络。本文基于三节点模体定义了节点和连边权重的计算方式,并计算出节点间的连接强度。为克服标签选择阶段的随机性,该算法设计了新的标签更新规则,该规则结合了连边权重、节点连接强度以及邻居节点中标签出现的频率,并引入平衡因子以加大标签传播力度的差异性。同时在节点更新顺序的选择上,算法根据计算出的节点权重进行升序排列,解决了多次运行结果不一致的问题,提高了算法的稳定性。 (2)为了进一步识别出具体的社团中心,针对已知社团数量的网络,本文提出了一种基于密度峰值和最短路径的标签传播算法。本文结合密度峰值聚类思想,计算出节点的局部密度和相对距离,并利用切比雪夫不等式来选择出合适数量的社团中心节点。同时根据节点间的重叠相似度来计算节点间距离,从而使原始网络转化为加权网络,剩余节点根据其到不同社团中心节点的最短路径长度来进行标签传播。若出现多个候选标签,则选取其邻居节点中出现次数最多的标签。确定社团中心节点后,剩余节点只需迭代一次即可完成标签更新,提高了算法的效率,并且划分结果的准确性也得到了保障。 本文将基于三节点模体挖掘的标签传播算法以及基于密度峰值和最短路径的标签传播算法在9个真实网络数据集和42个不同规模不同复杂度的人工合成网络数据集上进行大量实验,并与其他六种经典社团检测算法进行对比,实验结果显示,本文算法能够准确地识别出复杂网络中的社团结构,尤其在大规模网络上表现出色,证明了算法改进策略的可行性和有效性,验证了算法的高效性和稳定性。