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： 复杂网络   社团检测   节点角色   动态网络   社团演化预测  

摘要： 现实世界中存在大量复杂系统可以抽象为网络形式,例如,疾病传播网络、科学家合作网络、能源传输网络、细胞代谢网络等。网络由节点和连接节点的边构成,其中节点表示系统中的主体,边表示网络主体间的关系或交互。社团结构作为复杂网络的重要特征,指的是网络中的节点聚集成簇,簇内连接紧密,簇间连接稀疏。社团检测旨在揭示网络中所蕴含的社团结构,有助于对网络结构的分析、对网络功能的推断、对网络拓扑的优化,并指导现实网络结构的识别、构建和预测,因而是理解和探索网络结构与功能的关键问题。高效准确地检测出网络中的社团结构、以及利用检测结果进行分析挖掘是复杂网络理论与实践研究中的重要课题。本文围绕社团检测和社团演化预测相关问题开展研究,主要工作和创新点如下:(1)针对标签扩散社团检测算法(LPA,Label Propogation Algorithm)存在的鲁棒性和稳定性较差等问题,提出一种LPA的改进算法基于角色的标签扩散算法(RLPA,Role-based Label Propogation Algorithm)。在已有社团检测算法中,标签扩散算法具有时间复杂度低、准确率较高、便于并行化等优点,然而,所引入的随机性使得算法具有较差的鲁棒性和稳定性,并且当网络社团结构较弱时,扩散机制可能导致网络中的大部分节点隶属于同一社团,从而得到无意义结果。为此,在深入分析社团角色对标签扩散过程的影响的基础上,基于标签扩散算法,通过引入一种与社团角色相关的度量作为节点偏好,利用局部指标调整节点更新策略,以提高鲁棒性和稳定性,及在社团结构较弱网络中的检测能力。在多个人工网络、实际网络上的实验结果表明,RLPA有效提高了检测的准确性,同时继承了原算法的速度优势。(2)针对基于角色的标签扩散算法在面向动态网络社团检测时,因采用静态检测方式导致结果不具有时序平滑性的问题,提出一种基于角色的标签扩散算法的动态网络扩展算法提出一种基于角色的标签扩散演化社团检测算法(RELPA,Role-based Evolutionary LPA)。由于实际动态网络中社团演化具有连续性的特点,即相邻网络快照中检测出的社团结构不会有过大差异,因此,面向动态网络的社团检测算法需要将社团结构的时序平滑性作为参照。为此,在静态社团检测算法RLPA的基础上,结合前一时刻社团结构信息以提高时序平滑性,并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,以提高结果的准确性。实验结果表明RELPA能够快速准确地检测出动态网络中的演化社团。(3)提出一种基于多元结构特征的社团演化预测方法(MECE,Multi-length Evolution Chains Ensemble)。特征构造是社团演化预测任务中的难点和核心。已有社团演化预测方法所构造的特征难以有效描述多种尺度下(微观、介观、宏观)的社团拓扑结构信息,并且在构造分类器时采用固定长度的演化链数据作为输入,无法利用不同长度演化链中蕴含的时序信息。为此,该算法通过从社团演化数据中提取社团的多尺度结构特征、时序特征、行为特征,并针对多重长度演化链构造集成分类器,以提高预测准确性。实验结果表明了MECE算法能够更加准确地预测动态网络中的社团演化趋势。

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。

关键词： 复杂网络   社团检测   边重整化   相异性   相似性  

摘要： 近年来,随着机器学习、人工智能、大数据技术的快速发展,人们能更迅速、准确地了解与掌握现实复杂世界。现实世界中大多数复杂系统被抽象成复杂网络,作为复杂网络研究的一个重要分支,网络社团检测对理解网络的形成过程、发现复杂网络的内在演化规律等具有十分重要的意义。本文首先介绍复杂网络和社团结构的有关概念、定义及研究意义;同时,比较复杂网络中几种常用的社团检测方法和相关的评价指标。然后,基于节点邻居的差异性定义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。根据两个节点之间的相异性越大,它们出现在同一社团的概率越小的原理,采用分裂思想基于上述节点相异性指标,设计一种有效的社团检测算法―NDA算法。该算法不断移除网络中相异性最高的两节点之间的边,直到网络中所有的节点都变为孤立节点,在移除边的过程中会记录当前网络模块度,算法实现过程中最大的模块度对应于网络的最佳社团结构。通过与GN算法、Newman-Fast算法对比,说明NDA算法具有较高的准确度。进一步,受分级聚类思想和小世界网络模型中边重连接方式的启发,在NDA算法的基础上,基于边重整化方法提出新的社团检测算法。该算法的核心是保持网络的总边数不变,在移除节点间相异性最大连边的同时在相似性最大的节点间建立新边。将边重整化方法与GN算法和NDA算法进行对比,发现采用大度节点相似性指标的边重整化方法在类似于无标度模型网络中效果最好。最后,总结本文的研究内容并对今后的工作进行展望。

关键词： 功能磁共振   社团检测   动态时间规划   脑功能网络  

摘要： 大脑是个复杂且神奇的组织系统,它可以对接收到的外界信息进行加工处理,并促使人类完成相应的认知过程。探索大脑的组织结构和执行功能之间的关系是理解人类的思维过程以及脑类疾病的关键所在。近年来,将图论引入脑功能的研究即将大脑抽象为一个复杂网络,能形象地揭示脑功能网络中信息传递过程。此外,社团结构是刻画复杂网络结构特性与网络内在潜在关系的基本特性之一,因此通过社团检测去分析各脑区之间的关系对理解大脑的组织构造和对一些脑类疾病的探索至关重要。传统的脑功能网络构建中,常用皮尔逊相关性、偏相关性来描述脑节点之间的关联,但无论是皮尔逊相关性还是偏相关性只能描述脑节点中时间序列的同步性,但脑区节点的时间序列之间也存在因效性。此外,个体大脑之间均存在差异性,因此对于个体的脑社团个数以及脑网络密度均会存在稍许差异,探索个体的脑功能网络密度及社团对研究个体差异性具有重要意义。本课题利用动态时间规划(DTW)去构建脑功能网络,并对所构建的脑功能网络进行多尺度社团观测,同时结合信息变化量(VI)和标准互信息(NMI)共同作为社团结构的监测变量从而找出最佳的社团划分结果和脑功能网络密度。并经实验表明,基于本课题的研究方法所构建的脑功能网络具有更明显的“小世界”属性,更贴近真实脑网络结构。这不仅有利于我们挖掘脑网络中的社团,发现脑网络中存在细粒度的脑内连接社团,其中包括小脑与大脑之间的关系以及顶下小叶网络与角回和缘上回之间的联系,更为脑类疾病的探索提供了新的研究方法。最后,本课题亦从神经生物学的角度解释了新发现结果的合理性。

关键词： 复杂网络分析   动态社团检测   社团演化   随机块模型  

摘要： 社区尺度的诈骗人员、广告推销等行为是新时代城市系统中的重要治安风险的代表。在计算社会学的背景下,以手机信令数据为基础,采用复杂网络的结构挖掘和动态建模理论,结合城市社区特征和背景数据,可以有效的实现此类新型风险的检测、评估和预测。由于其强大的表示和预测能力,动态复杂网络社团检测与演化分析是网络科学研究和应用的核心内容之一。本论文提出了从节点、社团的统计结构特征出发,研究动态网络中社团演化的核心驱动因素,并采用统计网络模型建模多尺度网络演化行为,进一步设计了如何根据网络的演化推测潜在的节点属性,应用于城市风险的量化建模和预测。其主要工作和研究贡献如下:首先,探究了节点的结构属性与社团演化的规律。通过设计,我们将社团内的节点是否在下一时刻发生转移视作二分类问题,用利用特征工程提取每个节点的结构属性作为分类特征,利用决策树对社交媒体数据、论文引用数据以及其他关系型数据的节点的社团转移进行分类,并分析其特征重要性。其次,构建了融合节点演化特征的社团检测模型HB-DSBM。融合节点级别的社团转移趋势以及社团级别的社团转移趋势,通过构建从社团级别转移矩阵到节点级别社团转移矩阵的层次贝叶斯结构,结合动态网络概率生成模型构建了层次贝叶斯动态随机块模型,并利用变分推断对模型进行参数估计。最后,利用手机信令数据对以上的规律以及模型在城市风险计算中的有效性进行实证分析。利用手机信令数据验证节点的度以及节点平均邻居度对节点社团归属是否发生转移找到现实的样例进行分析。同时对层次贝叶斯动态随机块模型进行有效性分析,利用对真实网络的处理,提取出真实网络中的节点社团归属以及社团演化信息,接着通过社团信息对现实世界的事件进行提取并针对真实数据潜在风险进行场景分析并进行可视化。本论文扩展了动态复杂网络研究中社团检测和建模的新思路,扩展了统计模型在网络研究中的应用,对城市风险计算提供了理论范式和新方向。提出的层次贝叶斯动态随机块模型能够有效地提取出动态网络中的社团划分以及社团演化信息,并能够利用真实网络数据进行潜在风险分析。

关键词： 复杂网络   社团检测   节点元数据   高斯混合模型   随机块模型  

摘要： 传统社团检测算法利用网络拓扑挖掘社团结构,忽略了真实复杂网络中节点自身属性等信息在社团归属方面的重要作用。为此,提出基于网络拓扑与节点元数据的复杂网络社团检测算法。将高维的节点元数据建模为混合高斯模型,结合随机块模型建立似然概率模型,通过求解模型最优解得到网络的最优划分结果。在基准网络与Facebook网络上的实验结果表明,该算法不仅能准确挖掘网络中的社团结构,而且可结合真实社团情况给出合理解释。

关键词： 迁移学习   机器学习   社交网络   社团检测  

摘要： 传统社团检测算法大多基于网络拓扑结构,没有充分利用网络节点的标签等信息,所以无法合理地解释得到的社团结构。微博、Facebook、Twitter等社交媒体网络增长迅速,用户标签通常不完整,应用传统机器学习模型补全标签通常需要大量训练样本,这种模式需要人工标注训练数据,时间周期长、泛化能力差。将迁移学习理论应用到这类任务中,可以避免人工标注损耗、缩短训练时间,所以针对新浪微博数据特点,提出一种融合知识迁移学习的微博社团结构检测模型(community structure inference model with knowledge transfer learning,KTL-CSIM)。社团结构检测模型基于度数相关的随机块模型,建立基于拓扑结构与节点信息的似然概率模型。文本向量化模型基于知识迁移模型将源领域知识迁移到目标领域微博数据上,得到目标领域文本向量。这种方法不需要人工标注数据,有效减少了模型训练时间,提高了泛化能力。