关键词： 科技社团   科技创新   形成性评价  

摘要： 目的:进一步探索大学生创新社团实践能力培养与形成性效能评价改革。方法:通过问卷调查形式采集大学生参与创新项目、论文发表与分享奖励等情景过程中产生的正能量信息,包括态度、自信与成就感;采集大学生创新实践活动对专业学习促进作用等形成性效能评价的信息;运用创新社团与非社团成员A、B组"两两"法进行效能检验,对比两组创新实践能力培养效果的差异。结果:通过对科技创新实践兴趣感、促进专业学习自信感和获得社会认可度的成就感问卷分析得知,A组学生优良率为100%,而B组学生优为0,良率为76.91%。检测A组学生的形成性效能评价明显优于B组。结论:A、B组"两两"效能检验有显著性差异。

关键词： 社团检测   有向网络   CNM算法   节点相似度  

摘要： 针对现有的社团检测算法存在准确度低、没有充分考虑到有向网络的方向特性等问题,提出一种改进的能够适用于有向网络的CNM(Newman贪婪算法)社团检测算法。在算法设计中引入基于拓扑结构信息的有向网络节点相似度算法,并重新定义模块度增量函数ΔQs。使用一个计算机生成网络和两个实际网络对算法进行了测试并与已有算法进行比较。实验结果表明,文章提出的算法能够有效地检测出有向网络中的社团结构。

关键词： 复杂网络   社团结构   社团检测   重叠社团检测  

摘要： 社团结构是复杂网络的一项基本特性,对复杂网络中社团结构特别是重叠社团结构的检测,是复杂网络理论研究的一项重要且充满挑战的课题。对当前常用的重叠社团检测算法进行了分析和归纳,阐述每类算法特点,并介绍用于评价算法性能的一些基准图,对复杂网络重叠社团检测领域未来的研究方向提出了一些思考和建议。

关键词： 深度学习   数据预测   数据特征   社团检测   社团演化  

摘要： 大数据时代的降临,使得数据成为一种珍贵的资源。数据中蕴藏着许多有用信息,例如疾病传播规律、人类行为倾向、市场营销等等。数据预测作为数据挖掘的核心应用之一,是开发利用这种资源的重要手段。数据特征常常被用来描述数据性质和关系,好的数据特征意味着好的预测结果。因此,针对具有非线性、不平稳和高度不确定性等特点的数据,如何提取得到更好的数据特征成为一项十分重要且有意义的工作。当前存在的特征提取和预测模型大都是基于浅层学习开发的,这些模型转化的数据特征都是基于统计学方法计算得到的,这样得到的特征不能准确、有效的表达样本数据之间的内部关系。深度学习理论的发展离不开大脑视觉系统的仿生学成果,它采用了深层次的架构模型,可以对数据样本进行逐层的抽象转化,得到深层次的数据特征。由于在数据特征的提取和转化上具有强大的优势,它已经被广泛应用到图像识别、语音处理、自然语言表征等领域。因此,本论文从深度学习在数据特征的提取和预测方面展开研究,所做的具体工作如下:(1)对时间序列数据进行预测。结合递归神经网络和受限玻尔兹曼机网络对时序数据处理的优势,构建了一个基于递归神经网络-受限玻尔兹曼机深层结构的深度学习预测模型,模型的深层结构可以优化门诊量数据的原始特征,通过对比仿真实验证明了预测模型的有效性。(2)复杂网络的社团划分算法。基于网络模块度的社团检测算法中提取到的数据特征未包含非线性关系的问题,为解决该问题,建立了一个基于深度自编码网络的深度模型,该模型可以通过逐层学习转化得到蕴含网络拓扑结构中的非线性关系的数据特征。在人造网络和真实网络上的仿真实验说明了该模型提取转化的数据特征可以有效的提高社团检测效果。(3)复杂网络的社团演化预测。动态社团演化包含了静态网络的社团拓扑结构信息和社团演化的时间序列信息,所以本文从社团内部和外部的角度综合考虑网络演化过程中的社团的变化,选择并优化了社团演化中社团合并的影响因素,然后构建了一个基于深度信念网络的社团合并预测模型,该预测模型可以在通过对所提取的影响因素进行学习得到具有代表能力的数据特征,以此提高预测的精度。

关键词： 互联网数据中心   社团检测   网络流行为分析   复杂网络  

摘要： IDC以其标准化的机房设备、优质的网络带宽、全面的监控管理等集中的一站式服务,大大减低了中小企业信息化建设的成本,为传统企业参与“互联网+”进行服务转型提供了便捷。这些企业的广泛需求,也推动了IDC的迅猛发展和高速建设。然而,现在IDC的建设相对独立,没有全面规划和统一部署,造成运营商网络资源利用不平衡,降低了服务效能。因此,需要一种行之有效的办法帮助网络运营商和网络规划者识别网络中IDC,从而优化网络资源配置和部署。根据这种需求,本文提出了一种基于流行为特征的IDC识别方法。本文的总体思想是从大量用户的网络流量中,提取和选择一组能有效区分数据中心IP地址的特征参数,然后结合机器学习技术将IP地址划分为数据中心IP和非数据中心IP,再构建数据中心IP地址的网络,最后使用社团检测技术对网络进行划分,进而完成IDC的识别。本文的研究成果如下:(1)本文通过对数据中心服务器IP流量和非服务器主机IP流量的特点进行对比分析,得到六种反映服务器和非服务器间差异的流量特征属性,进而从中提取出一组包含24种流量特征的特征参数集。并完成了特征参数集中参数的分类性能测试,发现部分流量特征参数对数据中心IP分类效果较好,表明该特征参数集具备区分服务器IP和非服务器IP的能力。(2)本文通过构建数据中心IP的连接网络,引入社团检测技术,将IDC识别转化为网络中的社团发现问题。通过分析IDC的网络特性和功能特点,总结得出基于流连接的IDC网络具有社团结构,然后利用共引网络的思想,结合流的连接特征构建数据中心IP连接图,使用社团检测算法进行社团挖掘,实现了IDC识别的目标。最后,本文以数据中心特征参数集为输入,分别用两种机器学习算法—C4.5决策树算法和朴素贝叶斯算法进行分类,都取得了较好的效果。同时使用两种社团检测算法—BGLL算法和Infomap算法,验证了本方法的有效性。

关键词： 复杂网络   技术交易网络   社团结构 社团检测  

摘要： 国内外学者已经成功的将复杂性科学的一些思想应用于刻画和解释技术交易网络,但是这些尝试主要停留在宏观层面,针对技术交易网络中观及微观层面的定性定量研究还少见报道。相比而言,通过对网络中社团结构的深入细致分析,可以更全面深刻的掌握系统结构本身存在的规律,有利于构建良好的技术交易模式,促进技术交易活动的顺利进行。本文将复杂网络社团结构检测算法应用到技术交易行为的研究过程当中,以实际交易数据拟合网络生成模型,通过技术交易网络对社团检测算法进行实证与分析。主要展开以下方面的具体工作:(1)技术交易网络模型的构建。在构建出复杂技术交易网络之后,提取网络静态特性及动态特性,对网络结构进行初步理解。(2)分析多种社团检测方法并进行实证。分别对层次聚类算法、模块度优化算法、谱聚类算法以及流传播算法四类社团检测算法进行分析。通过对比模块度、时间复杂度等社团划分评价标准发现:模块度优化类算法对于技术交易网络的切合程度较高。(3)深入分析技术交易网络中重要节点及典型社团,发掘网络内部结构规律。首先,对多种中心性进行加权获得新的中心性评估标准;其次,通过重要节点所在社团的演化研究发现:社团内部主要通过重要节点吸引外部节点融入到社团当中。通过对网络内部社团聚类后的结果发现,节点度大的社团向外分枝较多,节点度小的社团内联系较为紧密。本文通过研究与实证相结合,以北京市技术交易网络为基础进行社团划分,发现使用模块度优化类算法在时间复杂度及划分结果等方面均具有较好表现,且通过算法发现的社团内部结构规律能够在一定程度上为对技术交易市场的管理提供指导与支持。

关键词： 复杂网络   社团检测   节点重要性   模块度   标签传播  

摘要： 社团结构是网络中相同属性节点的集合,揭示了复杂网络中的隐藏属性和交互规律。识别和分析网络中的社团结构有助于更深入的了解复杂网络的内在规律,探究网络中个体的未来演化动态,预测复杂网络的发展规律,因此,开展对社团结构检测的研究具有重要的理论与实际意义。模块度优化算法和标签传播算法是现有的两种较为典型的社团检测算法。二者在初始化时都是将各个节点视为一个独立的社团,这影响了模块度优化算法第一阶段的性能;另外,由于标签传播算法在计算时选择目标标签的随机性,导致社团检测结果不准确,算法的鲁棒性较差。针对以上两个算法存在的问题,本文结合复杂网络的节点重要性提出了相应的改进算法:(1)基于节点重要性的改进模块度优化社团检测算法:首先,对网络进行预处理,合并度值为1的节点;然后,对网络中节点进行重要性排序,以序列中若干重要节点作为中心进行扩展,形成网络的初始社团结构;最后以初始社团结构作为节点形成新图,以模块度为衡量标准将新图的节点进行相互合并得到最终社团结构。基于4个真实网络以及1个人工合成网络,选取了MDD算法等7种常用节点重要性排序算法对网络节点进行重要性排序,与基本模块度优化算法及其它典型算法相比,结果表明改进模块度优化算法能够更为有效地检测出网络中的社团结构,对于真实网络检测的模块度值和NMI值都优于其它算法。(2)基于模块度和节点重要性的改进标签传播算法:算法初始时不为节点分配标签,而是将网络进行准确和快速的初始划分,对划分在一起的节点分配相同的标签,减少了标签数量;根据节点重要性排序的结果更新标签,避免了不重要节点对标签更新的影响;选择标签时如果有多个待选标签,以待选标签对应节点的重要性为依据进行选择,避免了原算法的随机性。基于4个真实网络和1个人工合成网络的实验结果表明,与原算法及其它检测算法相比,改进算法能够有效改善原算法不稳定和正确率低的问题,能够获得稳定的社团检测结果,且检测结果的模块度值和NMI值都优于其它算法。

关键词： 社团检测   链路预测   标签传播   节点相似性  

摘要： 随着复杂网络的不断深入发展,对网络结构的探知要求也越来越严格,人们由此提出了社团检测算法并不断地进行深化改进。在现实网络中,节点与边的分布并不均匀,总是有着稠密或稀疏的地方,稠密的局部网络以社团的结构出现,而稀疏的连边则是整个网络中社团与社团的边界。链路预测理论对网络的研究是通过网络的内部结构、节点与连边等信息,来预测网络中未连接的节点之间产生连接的可能性。节点间的相似性是度量两个节点之间关系的重要指标,两个节点之间相似性越大,说明两个节点之间越可能有边相连。本文基于节点相似性的链路预测理论,提出了一类针对非重叠网络的社团检测算法。该类算法对网络丢失信息通过链路预测进行补全,对网络冗余信息通过删除链路进行分裂,由此自动获取社团数目以及核心节点集,并针对孤立节点进行标签传播处理,最终实现网络聚类。本文首先提出了两种基于节点相似性的社团检测算法,分别是基于共同邻居数指标(CN指标)的ADL-CN算法和基于共同邻居的度的倒数和指标(RA指标)的ADL-RA算法,并对算法进行了详细的阐述。然后,根据上述两个算法存在的缺陷和不足,提出了基于两种指标(CN指标和RA指标)相结合的ADL-CNRA算法。最后,将本文所提出的三个算法在数据集上与两个经典算法进行实验对比,验证了本文所提算法有较好的社团划分效果,并且优于对比算法。

关键词： 中心性   LPA算法   复杂网络   社团结构   社团检测  

摘要： 随着复杂网络不断涌现及其实际应用领域不断拓宽,复杂网络的理论研究受到广泛关注。社团结构和中心性特性是复杂网络中典型的结构特征,其中社团结构是指网络中的顶点可自然地形成不同的组,每个组即为一个社团。社团表现出高密度聚拢状态,即社团内部的节点之间联系较为紧密,位于不同社团的节点之间联系则相对稀疏得多。社团结构作为复杂网络的重要结构特征,包含的社团往往对应于网络的功能模块。通过检测网络的社团结构,可以发现网络的功能单元,研究结构与功能的对应关系,通过结构预测网络的功能。此外,已有研究表明,从社团层面往往可以发现单个顶点或整个网络层面未曾表现出来的一些特性。因此,社团检测方法的研究不论是在理论方面还是在实际应用方面都具有重要意义。研究人员已经提出了大量的社团检测算法,但很多算法的时间复杂度较高,无法有效地应用于规模较大的网络。针对这一问题,本文首先将频繁项集挖掘技术与LPA算法相结合,提出了改进算法LPAFI;其次基于局部中心性,提出了CG和CD两个社团检测算法。(1)LPAFI:该算法是基于LPA和频繁项集提出的确定性的社团检测算法。LPAFI算法首先通过多次运行LPA算法,将每次运行检测到的社团结构作为一条事务,从而构造出事务数据库,然后通过挖掘频繁项集的方法挖掘出满足条件的频繁项集,其次合并频繁项集,得到社团的大致结构,即“核心社团”。最后将不在核心社团的顶点作为“单点社团”,与核心社团进行社团合并,得到最终的社团结构。(2)基于中心性特性的社团检测算法:该算法根据社团结构的定义提出了新的局部中心性,即顶点与其邻居构成的社团,其内部边的数目占该社团总边数的比。局部中心性有一个重要的性质:中心性值较小的顶点往往处于社团的“边缘”。中心性增益算法又简称为CG算法,该算法首先通过重复的移除连接到顶点的边使得每个顶点的中心性值达到最大,从而将网络划分成小的社团,然后从得到的小社团中找出不稳定的小社团,将其划分成更小的社团,最后将得到的小社团进行合并,得到最终的社团结构;中心性扰动算法又简称为CD算法,该算法首先通过重复的移除对当前顶点中心性“贡献”较小的顶点之间的边,从而将网络划分成小的社团,然后从得到的小社团中找出不稳定的小社团,将其划分成更小的社团,最后将得到的小社团进行合并,得到最终的社团结构。为了验证本文提出的社团检测方法的性能,本文在7个网络数据集上进行了实验。实验结果表明,本文提出的方法能够快速地从网络中检测出高质量的社团结构。

关键词： 社团检测   相似性规则   谱二分法   模块度   函数依赖   闭包  

摘要： 社团结构是复杂网络的一个重要特性,网络中的社团通常对应于具有独特功能或属性的模块,将这些模块从网络中提取出来,有利于对网络功能作进一步分析。例如,在生物学领域,蛋白质相互作用网络中的社团对应于具有相同结构或功能的蛋白质组织;在社会学领域,社交网络中的社团对应于具有共同点的个体的集合。因此,社团检测研究具有重要的理论研究意义和实际应用价值,受到不同领的研究人员的广泛关注,并提出了大量的社团检测算法。在对这些算法进行深入研究的基础上,本文充分利用相似性规则,提出了一种基于最优特征向量的谱二分社团检测算法和一种基于相似性闭包的社团检测方法。基于谱二分法,并针对谱二分法固定地根据某一特定的特征向量对网络进行分裂这一特征,本文提出了BSOE算法。该算法是一种使用最优特征向量的社团检测方法,从网络转移矩阵中选择能够使网络分裂时模块度增量最大的特征向量,直到网络的分裂无法增大模块度为止。BSOE算法能够充分利用矩阵的特征谱信息。为了能够更充分地利用网络的邻接信息,本文对有边相连的顶点对进行相似性计算,将其作为该边的权值,并应用于BSOE算法,使其能适用于有权网络,能够从网络中提取模块度更大的社团结构,形成WBSOE算法。本文提出的第二种算社团检测方法CDCS算法是基于相似性度量,并将相似性度量作为判断顶点之间的函数依赖关系的规则,以判断两个顶点是否属于同一社团。在此基础上,CDCS算法定义了顶点的函数依赖闭包,该闭包中的顶点都可能属于同一个社团。然后从所有顶点的函数依赖闭包中寻找最大闭包,也就是闭包出发顶点不被任何其他闭包含有的函数依赖闭包,作为网络的社团。在解决最大闭包之间的重叠问题后,最后得到具有明确边界的社团结构。为了验证提出的社团检测方法的有效性,本文在多个网络数据集与多个算法的运行结果进行了深入的比较。实验结果证实,本文提出的算法能有效地从网络中提取出高质量的社团结构。