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   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   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。

关键词： 图像分割   复杂网络   谱聚类   社团检测  

摘要： 图像分割在许多图像处理应用中具有重要作用;为提高彩色图像分割效果,更好的表示图像信息,利用复杂网络理论对彩色图像分割进行研究,从网络社团结构模型的角度分析图像,提出一种更为清晰的彩色图像分割表述方法;根据彩色图像中各像素点之间的相似性构造图像的网络社团结构图,实现对图像数据的建模,之后利用谱聚类社团划分算法对较好的网络社团结构图进行社团检测,进而实现对图像相似像素的聚类,最后得到图像分割结果;在BSDS300图像库上随机选取不同的彩色图像进行实验,通过对图像分割结果的分析研究,结果表明提出的算法在精度方面优于传统彩色图像分割算法,可以实现更好的分割结果,同时验证了社团划分算法进行彩色图像分割的可行性和有效性。

关键词： 社团检测   边图   谱分析   角距离  

摘要： 社团检测吸引了大量的研究。在真实网络中,社团的层次性和重叠性交织在一起,然而到目前为止大部分工作只研究网络的层次性或重叠性。2010年Ahn等人在《Nature》上发表的文章证明层次性和重叠性是网络相同现象的两个方面,针对社团检测在Ahn方法的基础上提出了新算法——边图谱分析。将谱分析方法应用到边社团发现上,进行了兼顾层次性和重叠性的社团检测研究。实验使用两个真实网络来对比边图谱分析、Ahn和派系过滤算法,结果表明提出的边图谱分析算法实现了网络的重叠社团检测,并且社团划分结果比较满意。

关键词： 动态网络   社团结构   模块函数   模块密度   进化谱分  

摘要： 为有效地检测动态复杂网络中的社团结构,在进化时间平滑框架下对模块函数及模块密度函数进行了优化.通过两种函数的优化进程,论证了模块函数及模块密度函数可在进化框架下作为进化谱分聚类方法检测动态网络中社团结构的理论基础,在此理论基础上提出了检测动态网络社团结构的进化谱分算法.在计算机合成的动态网络及真实世界动态网络中,检验了该算法的合理性及准确性并与其他方法进行了比较.实验结果显示,这种新的算法仍有很高的准确性.

关键词： 社团检测   社团生存周期   动态网络   演化分析  

摘要： 针对制约动态网络演化分析方法发展的社团演变模式挖掘问题,设计了基于指向性变异策略和变邻域搜索算法的静态社团检测算法与基于匹配度和社团生存周期的社团演化分析算法,并采用在时刻上运行静态社团检测算法、在时序上运行社团演化分析算法的策略,提出了一种面向动态网络的社团检测与演化分析方法。并用Zachary空手道俱乐部网络和Power网络验证了该方法的可行性和有效性。

关键词： 动态网络   社团结构   模块密度   否定平均关联   进化谱分  

摘要： 为了有效地分析动态网络中的社团结构功能和特性,在进化时间平滑框架下基于进化聚类方法对模块密度函数和否定平均关联函数进行了优化,论证了理论可行性;在此基础上提出了检测动态网络社团结构的进化谱分算法,并对两类算法进行了详细的谱分分析。分别在计算机合成的动态网络以及真实网络中检验了所提算法的准确性和有效性,并将其与其他算法进行对比。实验结果表明,所提算法对动态网络中的社团检测仍有很高的准确性和有效性。