关键词： 位置社交网络   社团检测   分辨率极限   网络嵌入   模块度优化  

摘要： 移动互联网络和定位技术的广泛普及给人们的生产和生活带来极大便利,同时也促进了位置社交网络的发展,和传统社交网络只包含用户拓扑信息不同,位置社交网络是一种既有用户信息又有位置信息的复杂异构网络,检测出其中的社团结构对于深入分析位置社交网络具有重要意义。模块度优化是传统社交网络的社团检测方法,由于其时间性能和检测效果俱佳,因此考虑将其推广到位置社交网络。而分辨率极限却是模块度定义中固有的一个问题,因此避免分辨率极限问题的产生并将模块度优化方法与位置信息相结合,是研究位置社交网络中社团检测的基础。针对上述问题,本文在分析了位置社交网络的特点和分辨率极限问题产生原因的基础上,提出一种网络权重预处理方案,该方案可以使预处理后的网络使用模块度优化方法进行社团划分时既避免分辨率极限问题,又适用于位置社交网络。本文研究工作主要分为两方面:一方面,由于网络嵌入在节点特征学习方面表现出的优异性能,本文在分析了一种针对位置社交网络的网络嵌入方法walk2friends的过程和优势后,将其节点相似度生成过程的工作与一种利用随机游走挖掘网络结构的方法相结合,进而提出本文的预处理方案。预处理方案将无向无权图转换成无向有权图来完成社团检测,该方案利用walk2friends结合位置社交网络特征得到的学习相似度使节点更内聚,利用随机游走方法得到的结构相似度可以探测网络结构,区分出不同社团的节点,最后利用K近邻算法使关联度低的节点间边权值趋于0,从而破坏分辨率极限的产生条件。相比于现有的一些位置社交网络社团检测方法只以用户签到信息作为输入,该方案还考虑了用户的社交关系。实验结果表明,本文预处理方案可有效解决模块度优化方法的分辨率极限问题,walk2friends考虑位置信息的特性使得该方案适用于位置社交网络。另一方面,由于目前walk2friends方案缺乏对用户社交关系的考虑,本文提出一种基于社交关系的协同过滤方法进行改进。该方法不仅给walk2friends过程加入用户社交关系,还可以避免协同过滤中的数据稀疏问题,并将改进后的walk2friends用于网络预处理方案的改进。最后实验结果表明,改进后的walk2friends在链路预测性能方面较之前有了很大的提升,应用于预处理方案的改进后,不仅可以有效解决分辨率极限问题,而且从模块度密度、收缩率和社团间连边等评价指标来看改进后方案比未改进方案得到的社团结构更合理,且和其他典型的社团检测方法对比结果显示,改进后的网络预处理方案更适用于位置社交网络。

关键词： 社团检测   连接模式   成对约束   随机游走   信号传播  

摘要： 复杂网络是从大量现实存在的复杂系统中抽象得到的,网络的整体功能体现在网络中节点间的相互作用上,社团结构是其关键性结构特征。社团对应于系统的功能模块,提取网络的这些模块,有助于深层探究复杂网络内部规律,从复杂网络中检测社团结构具有重要的理论研究意义和实用价值。因此,社团检测受到很多研究者的广泛关注,进而提出了很多社团检测算法,如基于模块度优化的社团检测算法、基于标签传播的社团检测算法、基于随机游走的社团检测算法等。在对这些算法进行充分研究的基础上,本文通过顶点的连接模式之间的相关性分析以及模拟带偏置的随机游走过程,提出了两种社团检测算法:(1)基于连接模式的相关分析的社团检测算法。该算法首先获得顶点间的连接模式,计算相关系数得到连接模式间的相关性,获得must-link与cannot-link成对约束,并根据must-link关系的传递性,对must-link及cannot-link关系集合进行扩展。然后将扩展后的cannot-link集合作为种子节点,结合must-link关系构造社团结构的框架。最后用最小生成树方法,将其余节点划分到相应社团,得到最终的社团结构。(2)基于带偏置的信号传播机制的随机游走算法。该算法从网络中选取一个节点作为信号源,随机选择与其相邻的节点作为下一跳节点,将衰减后的信号量传递到该节点,依次迭代并传递信号。考虑信号的衰减,为每条边增加了衰减因子,对信号传播过程进行限定。通过模拟信号的传播,将网络每个顶点均作为信号源重复这一过程,得到传播矩阵。然后,为每个顶点添加自环,并结合邻接矩阵以及顶点间的相似性,形成具有新属性的相似性矩阵。根据新属性矩阵和传播矩阵为每个顶点构造属性。最后,使用k-means算法进行聚类,得到高质量的社团结构。为了验证本文所提出方法的性能,本文在多个实际网络数据集以及人工合成网络数据集上进行了实验,并与相关算法的检测结果进行对比检测,实验结果表明,本文提出的算法能够从网络中提取出高质量的社团结构。

关键词： 情报分析   属性网络   生成模型   社团检测   语义识别  

摘要： 利用复杂网络分析方法,对复杂系统中的关系结构及属性进行分析,识别网络中社团结构具有重要研究意义。课题组构建了基于复杂网络算法进行人、物、组织及相互关系的感知、理解、预测的情报分析框架IAF,从基于社会/物理/网络空间中人类电子足迹的大规模社交关联网络（复杂网络）中进行社团检测,是智能情报分析框架中理解模块中的关键功能。本文提出融合网络结构和节点属性的社团检测方法,并进行了实证。首先,提出了结合属性网络无标度特性的社团检测方法（PLAC）。该方法基于联合生成模型,通过编码所有节点变化的度分布,保持网络中节点度的异质性,同时融合网络的结构和属性信息进行社团检测和语义识别。其次,提出了属性网络中的广义社团检测和语义识别的方法（GSC）。该方法基于联合贝叶斯生成模型,同时建模了网络的结构和属性,采用有效的吉布斯采样进行求解。在网络拓扑结构部分利用贝叶斯混合模型来检测网络中的广义社团,采用一个概率转移矩阵揭示结构社团和属性主题的潜在联系,通过分析社团中节点的内容信息解释社团语义。最后,本文利用论文数据集进行实证分析。根据生物领域论文的引用关系构建属性复杂网络,然后划分社团。又围绕领域研究现状分析的情报任务展开实证,构建了物理学不同领域作者合作网络,解释社团语义,分析不同领域研究内容,为各领域以后开展研究活动做指导。本文基于情报分析框架IAF理解模块中社团检测的功能,提出了两个属性网络中的社团检测生成模型,并且在真实的数据集上完成了验证,利用节点的内容信息,分析社团与主题之间的关系,描述社团的语义。论文最后在Aminer数据集上进行实证分析,可以发现特定社团并且揭示社团的特征,分析得出有关各领域研究内容的情报,具有重要的研究价值。

关键词： 复杂网络   社团检测   重叠社团   谱聚类   聚类集成   边划分  

摘要： 在许多现实世界系统中,对象与对象之间的关系都能够建模成复杂网络进行分析。其中社团结构是复杂网络的重要属性,通常能够解释复杂网络系统的拓扑结构与功能模块。复杂网络社团检测旨在挖掘这种具有复杂网络结构的系统中的模块化结构,研究这种模块化结构有助于更好了解并挖掘网络系统的潜藏功能。近年来,多个领域的研究者们提出了众多社团挖掘算法,在不同学科领域上对复杂网络社团检测进行了深入研究,随着重叠社团结构这一概念提出,这些算法在重叠社团检测领域值得进一步研究。因此,针对传统的基于谱聚类的社团检测算法无法很好地挖掘重叠社团结构的问题,本文提出了一种基于边划分的谱聚类重叠社团检测算法。此外,复杂网络的社团结构不尽相同,为了使算法在不同结构的网络上都有着较好的鲁棒性,本文进一步提出了一种基于谱聚类思想的集成重叠社团检测算法。这两种算法均是以谱聚类算法思想为基础对重叠社团检测算法进行研究的。本文的主要研究工作如下:(1)提出了一种基于边划分的谱聚类重叠社团检测算法。当前基于谱聚类思想的社团检测算法在检测非重叠社团结构时,能够很好地处理复杂的网络结构,得到较为精确的划分结果,但却无法很好地解决重叠社团检测问题。主要原因在于谱聚类方法通过矩阵谱分析理论得出网络节点的新特征,利用新的数据特征将原网络切成相互没有连接的k个子图,故无法检测重叠社团结构。因此,本文提出了一种基于边划分的谱聚类重叠社团检测算法,其主要思想是将谱聚类算法思想与边划分思想结合,通过构造边与边之间的相似矩阵挖掘网络中边社团的结构,从而挖掘每个社团中的非重叠节点以及候选重叠节点,之后通过分析每个社团候选重叠节点的邻居节点信息逐步挖掘重叠节点,得到最终的重叠社团划分结果。在人工合成的LFR网络上与现有的多个算法的对比实验表明,该方法能够有效地挖掘网络中复杂的重叠社团结构,并且能够有效地解决边划分的过度重叠问题。(2)提出了一种基于谱聚类的复杂网络集成重叠社团检测算法。当前基于谱聚类思想的复杂网络社团检测算法实现简单,不易陷入局部最优,但该类方法计算复杂度相对较高,并且依赖于社团尺度参数的选择,主要原因在于随着网络规模的增大,特征向量计算复杂度过高而无法达到足够的精确度。为了解决该问题,并且提高算法的鲁棒性,本文提出了一种基于谱聚类的复杂网络集成重叠社团检测算法。该方法的主要思想是通过设计一种新的抽样方法尽可能的从每个社团中抽取多个代表点,根据矩阵的摄动理论对抽样点进行多样性的谱聚类划分,从而挖掘网络中节点间的社团信息,然后根据网络的拓扑结构以及多个划分的质量进行加权集成得到权重网络,从而加强并挖掘网络社团结构,获得最终的重叠社团划分。通过在多组不同复杂结构的合成网络以及真实网络上,与现有的几种重叠社团挖掘算法实验对比表明,本算法在不同复杂结构的多组网络中均能得到稳定且良好鲁棒性的重叠社团划分结果。并且通过进一步的模拟实验验证,本算法可以很好地从各社团中抽样得到代表节点,且加权集成网络中社团的结构获得了一定的加强。

关键词： 复杂网络   社团检测   随机块模型  

摘要： 随着现代科技的急速发展,更加频繁的人类交互潜藏着更多的风险,因此对风险群体与个体的检测具有巨大的现实意义。利用高精度的、带有时间信息的手机信令数据构建动态网络,采用动态社团检测方法识别社团结构、演化分析、节点重要性和节点角色,可以实现城市风险管理中的风险团体识别、风险人员识别等功能。现有的动态方法在随机块模型的基础上引入转移矩阵来模拟复杂网络的动态演化,这些方法大多将社团内部的节点看作无差别的,忽略了节点的异质性和网络的无标度特性,不能精确建模真实世界的网络。本文在随机块模型的基础上,进行融合节点流行度的动态复杂网络生成模型研究,具体工作如下:首先,提出了基于无标度特性的动态网络生成模型（DPSBM）。针对真实网络中节点的度服从幂律分布这一特性,融合节点异质性模拟真实网络的无标度属性,修正了现有模型在社团检测中的偏差,更加精确建模现实世界的动态网络,同时提出了有效的变分EM算法进行模型推断。其次,提出了结合节点拓扑特征的动态网络生成模型（DRSBM）。改进使用单一流行度建模节点差异性的思想,通过融合节点拓扑特征构建动态复杂网络,建模节点社团归属、节点角色、拓扑特征的内在联系,区分网络中节点的不同作用,将社团检测、演化追踪和节点角色放在统一框架下进行解决,进而提出了基于平均场理论和变分EM的有效算法。最后,基于手机信令数据进行实证分析。针对城市风险中的犯罪识别问题,通过使用本文提出的动态社团检测方法,对手机通信网络进行社团检测、演化追踪,同时分析社团中的个体重要性和个体角色,识别出城市中的具有犯罪风险的群体和人员,为城市风险管理提供强有力的支撑。本文提出的动态复杂网络生成模型融合了节点流行度,修正了现有模型在社团检测和演化追踪的偏差,同时发现网络的节点角色和重要性,更加贴合真实世界的网络,拓展了随机块模型在真实网络中的应用。

关键词： 疾病传播   信息散播   双层网络   Memetic算法   社团检测   信息散播策略   目标选择准则函数  

摘要： 复杂网络上的传播问题一直以来都是一个热点。随着理论研究的深入发展,各种各样的传播都可以依靠复杂网络的模型做进一步探索,例如“非典”,流感等传染病在人群中消长,各种计算机病毒在因特网中的蔓延,谣言和假新闻在社交网络中的扩散等。人们为了应对及利用传播带来的各种问题或者机遇,在不断提出各种模型来模拟并预测传播行为。从起源于疾病传播的SIS、SIR等模型,到以此为基础提出的各种变体来模拟信息传播、谣言控制等模型,很多都是利用复杂网络的拓扑结构作为传播行为的载体。疾病传播和信息传播的模型是本文研究的重点,它们之间有很大的区别,比如传播速度、反应及时性以及生存周期等。但是在复杂网络为载体的模型中,二者都是借助链路传播,动态更新节点的状态。更重要的是在实际生活中,两种传播通常都是同时出现、相互影响的。本文研究的内容就是围绕这两种传播的联系和相互影响展开,主要研究工作总结如下:（1）因为疾病传播和信息散播的紧密联系,我们提出双层复杂网络结构来作为传播的载体,两层网络分别作为疾病传播层和信息散播层。同时,我们提出模型SIR-A来模拟两层网络之间的信息传递和变量之间的关系,疾病传播层使用SIR模型,信息散播层引入警觉度。在SIR-A模型中,我们考虑了社团结构对信息散播的影响,个体的警觉度会随交流进行更新并随时间退散。而且由于考虑到将感染比例i（t）作为疾病传播过程的评价标准的缺点,我们引入感染源位置信息,提出新的指标传播风险Rsp。在不同网络数据中的模拟实验证实了我们的模型能很好地将上述的因素融合在一起。（2）网络中个体所属社团结构的大小会影响个体对信息的敏感程度,从而影响个体对疾病做出不同程度的反应。我们提出将图论中最大完全子图发现算法和Memetic算法结合的多目标优化算法MARC-CD来获取网络的社团结构。这个算法的思想是先用最大完全子图发现算法——RC算法对节点做预划分,之后再用短编码Memetic算法做进一步优化。不同网络数据上的实验结果表明,RC算法预划分能得到满意的结果,在此基础上使用Memetic算法能更快收敛并得到更好的结果。（3）利用信息散播速度快、反应周期短的特点,人们可以利用信息散播这种低成本的行为作为控制疾病蔓延的有效手段。在SIR-A模型的基础上,我们提出四种信息散播策略:随机散播、目标散播、基于路径散播和基于感染源位置信息的散播策略。这几种策略通过在信息层选取一定数量的节点作为信息源散播积极的信息,从而最大程度降低疾病传播风险值Rsp的峰值以及延缓高峰期的到来。实验表明四种策略都能达到预期的目标,而使用Memetic算法来优化目标选择准则函数,从而选取最优目标节点集合的基于感染源位置信息的策略表现最好。

关键词： 双相情感障碍   单相抑郁   功能核磁共振成像   机器学习   动态社团检测  

摘要： 双相情感障碍被误诊为单相抑郁可能会给治疗带来非常严重的后果,尤其是在疾病的早期阶段。目前,已经有许多临床措施帮助识别单相抑郁转换成双相情感障碍的风险因素,但仍缺乏足够的异质性,严重依赖医生的主观判断。尽管结果不一致,神经影像学的发展为找寻单双相鉴别的生物学标记提供了可能。然而,既往双相情感障碍和单相抑郁鉴别的研究中,大多是基于信号的平稳性假说,尚未有研究静息态下大脑的动态网络交互在识别两种疾病中的能力。本论文的主要工作是利用静息态fMRI扫描获取的大脑BOLD信号来探究双相情感障碍患者和单相抑郁患者在大脑功能网络交互的差异,及其对不同疾病进行分类鉴别和辅助诊断的研究。主要研究内容如下:1、研究静息态fMRI动态网络交互在双相情感障碍和单相抑郁患者间的差异。将全脑网络划分为6个功能网络,基于滑动时间窗法获得网络间的动态功能连接,并以此来获得大脑功能网络间的动态交互。利用置换检验统计比较双相情感障碍患者和单相抑郁患者在网络动态交互上的差异。结果显示,认知控制网络相关的网络交互在双相患者中显著下降。在进一步的分类识别中,动态网络交互较于常用的静态特性,拥有更佳的性能。这表明,静息态网络的动态交互能更好地捕获了双相情感障碍和单相抑郁之间脑网络损伤的差异。2、探索静息态fMRI的动态网络交互在双相情感障碍患者的早期识别的能力。加入由单相转为双相抑郁的患者组（转相）,利用多层社团检测算法对滑动时间窗法构建的多层网络进行模块划分,以模块的忠诚度为特征对单相患者和转相患者进行模式识别分类,得到较好的分类结果。结果显示,默认网络的内部交互在两种心境障碍疾病的转化风险评估中起着关键作用。进一步加入已有过躁狂发作史的双相患者,对比不同患者组与健康对照组的差异,发现双相组与转相组均有不同程度的躯体运动网络的损伤,而单相组主要体现在默认网络的功能差异。值得注意的是,除了认知控制网络外,双相组与转相之间的脑网络异常模式有很好的重叠。综上所述,尽管临床症状相似,但双相患者、转相患者与单相患者在整个大脑网络的时空模式上存在差异。这些可能作为早期识别双相情感障碍的生物学标记。

关键词： 社交网络   隐私保护   社团检测   亲密度量化   文本分类  

摘要： 随着智能移动终端的广泛普及,各种社交应用软件迅速发展,为用户提供了方便快捷的通讯与分享体验,但同时因为用户规模的不断扩张,社交网络的泛社交化现象愈发明显,给用户的分享和浏览带来不利影响。当用户在分享状态时,由于好友列表中存在越来越多不熟悉的“好友”,导致个人信息的传播范围在无意中扩大,给用户带来隐私泄露的风险。另外,由于网络中的数据鱼龙混杂,用户在浏览信息时也不断受到广告、传销等垃圾信息的侵扰,严重影响了正常的用户体验。针对上述问题,本文面向发送端提出了一种基于社团划分和亲密度量化的隐私控制框架,面向接收端设计了一种具有更新能力的垃圾信息过滤系统。具体而言,本文的主要工作和贡献如下:1.提出了一种基于同质性游走的模糊社团检测方案。该方案的核心思想是对网络中节点的向量表示学习,再根据节点间的相似度进行聚类从而得到社团划分。当用户在发布动态信息时,通过该方案对好友列表进行社团划分,动态内容可以选择性地推送给相关组别内的好友,达到控制隐私信息传播范围的目标。具体地,首先引入同质化游走的概念,使随机游走的过程倾向于挖掘网络结构中的同质性,使社交网络中连接关系紧密的节点在向量空间中距离更近;然后使用模糊聚类算法,通过隶属度矩阵计算节点对各个组别的隶属程度,再设置阈值使一个节点可以同时隶属于多个社区,解决了传统方案不能用于重叠社区检测的缺点;最后在具有真实背景的社交网络中进行验证,证明该方案相比于现有方案发掘到的社团在内部模块度和外部准确率上都有明显的效果提升。2.提出了一种基于亲密度的隐私权限设置方案。为了解决社交平台中好友关系二元化定义不能准确度量好友亲密度、灵活性差等缺点,本方案利用数据挖掘技术,结合好友的属性信息、行为数据、环境因素,提出了细粒度的亲密度量化方法,并依据关系量化值设置相应的访问权限级别,进一步控制隐私信息的传播范围。具体地,本文首先分析了好友间亲密度的影响因素,在离线状态下训练关系量化模型,然后与线上社交平台结合,通过获取实时的特征数据进行亲密度的在线计算,最后基于计算得到的关系值设置不同的隐私权限开放级别。本文通过实验验证了本方案的有效性,证明其具有实际应用能力。3.设计了一种具有更新能力的垃圾信息过滤系统。首先使用Word2vec模型从爬取到的社交网络文本数据中生成词嵌入矩阵;设计了LSTM-CNN分类算法,通过结合长短期记忆网络处理时序信息的特性和卷积神经网络特征提取的能力来提升分类效果;设计更新系统,通过对模糊样本的重新标记,使分类器能够不断适应文本特征的变化。通过实验与传统的分类算法进行对比,证明本文提出的过滤方案可以在准确率上取得更好的效果。

关键词： 社团检测   PageRank   随机游走   模块性   图分割  

摘要： 近年来,基础学科的发展衍生了很多新兴学科,包括有机器学习、深度学习以及复杂网络科学等。复杂网络科学是由社会科学、自然科学、工程学以及计算机科学应运而生,它主要研究网络的外在特征描述、内在机制特征、时间演化模型以及网络的同步或异步行为特性等。后来,研究复杂网络的学者发现大多数网络中有一种聚类现象,这样一种现象被众多学者称之为网络中拥有的社团结构。研究网络中的社团结构有助于更深入的理解网络内部结构带来的诸多信息,特别是对社团分割有着积极的作用。由于网络的复杂性,在复杂网络领域至今也没有做出对社团结构的统一定义,科学家只是约定网络中的社团结构联系较为紧密。复杂网络社团检测的算法层出不穷,不同领域的学者运用自己擅长的知识提出了很多富有创造性、建设性以及指导性的算法,这些算法共同推动着复杂网络社团检测领域的进步。然而,大多数的社团检测算法只能对某一部分具有特定特征的网络有很好的效果。本文基于PageRank提出了一种多社团检测算法——PRMCD算法,此算法首先需要选取社团内部的一些种子节点,然后利用PageRank随机游走寻找与种子节点联系较为密切的节点加入种子集,最后通过社团分割指标保留最好的社团结构,直到网络中没有社团结构为止。PRMCD算法的创新性主要有三点:1)中间产物向量的选取:中间产物向量是根据随机游走两次求得;2)种子节点的选取:在随机游走前,我们需要知道节点的初始分布,即我们需要选取初始种子节点,在本文中我们选取的初始种子节点是网络中度最大的节点对应的度和最大的三角形;3)社团分割指标的选取:本文中社团分割指标采用的是模块性与图分割加权和来确定。最后,本文主要采用模块性指标、NMI指标以及ARI指标来评价算法的优劣性,选取的测试网络包括有基于LFR的人工合成基准网络和真实世界网络,与之对比的算法包括有LEV算法、LPA算法以及BGLL算法。综合PRMCD算法在模块性指标、NMI指标与ARI指标的表现效果,此算法能检测出清晰的社团结构。另外,本文提出的PRMCD算法是一种倾向于人为思考的算法,并且对于悬挂点较少的网络本文算法有着很好的效果。在最近几年中,利用PageRank、随机块模型等新的社团检测算法还有不少的学者在进行研究,希望这些新的方法能囊括更多的网络,即希望这些算法能在更多的网络上有着更好的效果。

关键词： 复杂网络   多维网络   二分网络   社团检测   MapReduce并行计算  

摘要： 随着情报主导警务工作的深入开展,数据在公安工作中发挥的作用越来越重要,数据挖掘和分析成为一项重要的侦查措施。本文从公安情报分析实际工作需求,通过分析大量的网络犯罪和互联网数据,发掘了实际工作中潜在的复杂网络模型。通过对复杂网络的研究和分析,进而挖掘人员和网络元素之间存在的群体关系,可以大大提升公安数据分析能力和办案效率。本文结合实际网络模型提出了新的社团检测算法,通过将新算法得到的结果与实际案件侦办掌握的情况进行比对分析,验证了本文算法的准确性和效率。本文的所有研究成果均在公安实际应用系统中得到了应用,明显地提升了公安业务系统情报分析和数据挖掘能力。本文主要研究工作及创新点为:（1）提出了一个基于多维网络节点相似度的MBS社团检测方法。根据多维网络结构特征,提出了多维网络节点相似度模型。在基于模块度最大值的社团检测方法中,提出并验证了“当网络划分m个社团时,对应的模块度Qm最大,那么随着划分社团个数k趋于m值（k?m）,对应Qk不断增大并趋于Qm”的假设。基于上述假设,提出了应用于社团不同划分个数对应的模块度Q值无序序列中快速查找最大或近似最大模块度Qm的改进二分查找算法（MBS）。将MBS算法应用到基于多维网络节点相似度的社团检测中,提出了基于多维网络节点相似的MBS社团检测算法（SMBS）。实验结果表明,SMBS算法能够在较短时间内计算出最佳或近似最佳社团划分个数,得到全局或近似全局最佳划分结果,具有较高的准确性和效率。（2）提出了一个基于局部敏感的高效二分网络社团检测方法。将局部敏感思想应用到二分网络社团检测中,提出了关联社团、关联桶和关联度等二分网络概念。基于上述概念,将局部敏感思想和堆栈引入到二分网络社团检测中,提出了基于局部敏感的二分网络社团检测方法。该方法首先根据二分关联度将二分网络中的第一类节点划分为若干个社团,然后根据第二类节点对应第一类节点社团的度和模块度,将其并入到最大度和模块度对应的第一类节点社团。实验结果表明,该方法能够大幅度地提高社团检测效率,并且社团划分质量高于当前其它常规二分网络社团检测算法。（3）提出了一个基于MapReduce的并行高效聚类算法。该算法通过采集满足三角形构成条件的质心点,得到初始质心样本集。在不设定初始k值的情况下,通过在不同k值对应样本集上计算DB值,根据DBIndex准则得到最佳聚类个数k及对应的最佳初始质心,进而得到最佳聚类结果。由于该算法在样本集上计算最佳k值和初始质心,相比于不断遍历k值对应的普通k-means算法,前者时间成本远远低于后者。同时,通过利用MapReduce技术对改进的k-means进行并行计算,在确保得到最佳聚类结果的同时大大降低时间成本,解决了改进的k-means算法处理大规模数据的难度,提高了算法的效率。实验结果表明,该算法能够大幅度地提高处理大规模数据的效率,并且社团划分质量高于普通k-means算法。