关键词： 复杂网络   聚类同步   牵制控制   社团检测   介数中心性   Ricci曲率   图扩散  

摘要： 在复杂网络研究中,网络的同步性状态和社团检测是两个十分重要的问题。同步性研究关注网络结构和功能之间的关系。社团检测是指将网络中的节点划分为不同的社团,以便更好地理解网络结构和功能。对于现存的网络同步性研究,存在只是在非奇异网络上研究,研究的网络同步状态过于简单等问题。针对于社团检测研究,现存的算法存在依赖于统计学特征、在大型网络上检测效果不佳、算法鲁棒性低等问题。在部分领域中,同步性实际上可以结合社团检测算法进行研究,两者的理论可以有机的结合在一起,但是相关的工作很少。针对以上这些问题,本文主要做了以下工作: 在第三章中,基于自适应牵制控制策略研究了具有多链路和时变延迟的奇异复杂网络的聚类同步问题。针对奇异网络研究了网络的聚类同步问题,奇异网络的动力学方程相比非奇异网络会更为复杂,相关的同步性问题也更难处理,并且奇异网络上的结论可以相应的转化到非奇异网络上,这使得本章的结论更具有价值。在研究中,奇异网络被构建为两层模型,这可以更准确地揭示领导者-跟随者层之间的层级结构。本章运用牵制控制手段达成网络的同步,可以有效的节省控制开销,针对于非线性多链路时变时滞网络的研究则使得本章的研究结果更具有普适性和实际应用价值。 在第四章中,结合复杂网络的同步性研究和社团检测算法,提出了一种基于社团检测和介数中心性的复杂网络牵制控制手段。在控制过程中,首先使用GN算法识别网络中潜在的社团结构,然后从每个社团中挑选介数中心性高的节点作为牵制控制的被控节点,并研究基于介数中心性重整化网络拓扑结构以加快网络系统响应的方法。实验证明从社团中筛选被控节点相比于随机选择可以有效的提高控制响应的速度,基于牵制控制的控制协议可以本质上地减少能量消耗和控制器的开销。而基于介数中心性优化网络的权值连接结构,可以使得网络系统具有更快的响应速度,更快的达成聚类同步。 在第五章中,研究了基于Ricci曲率的社团检测算法。通过计算节点之间的离散Ricci曲率,经Ricci流过程不断迭代收敛识别出网络中的社团结构。在Ricci曲率的基础上,本章还提出通过引入图扩散过程来改变Ricci曲率中节点的度量,可以令算法在大型网络上具有更高的准确率,在网络缺失节点时具有更高的鲁棒性。

关键词： 复杂网络   社团检测   重叠社团   马尔可夫链  

摘要： 现实世界中大量的系统都可以被视作复杂网络,社团检测作为复杂网络中的热点问题之一,在过去的几十年里引起了广泛关注并得到了大量研究,在各行各业里得到了广泛应用。虽然许多方法在这个问题上表现良好,但现实世界中的网络种类繁多,如果网络具有一些很复杂的特征,例如非常稀疏、社团结构不明显或社团结构重叠性太强,这些方法就会变得无能为力。 为了解决这些问题,本文研究了一种基于马尔可夫链的社团检测模型(Community Detection Model based on Markov Chain,CDMMC)。具体工作如下: (1)为了解决非重叠社团检测领域普遍存在的社团检测算法应用于稀疏网络以及社团结构不明显的网络上效果不佳的问题,本文将CDMMC应用到了非重叠社团检测领域提出了图重构(Graph Reconstruction Method,GRM)算法。在GRM算法中,通过四种基于马尔可夫链的特征提取方法来提取网络蕴含的结构化特征,从而得到一个概率特征矩阵,通过该矩阵利用GRM算法对新图进行进一步的重构,并用重构后的图代替原来的网络进行社团划分,最终提取这个新的网络的连通分量即可得到社团的划分,实现非重叠社团检测。最后可以利用Leiden算法对GRM算法进行局部优化,使整体社团检测算法的效果更加突出。在240个不同参数的人工网络数据集和6个不同的真实网络数据集上关于图重构(GRM)算法和带有Leiden优化的图重构(GRML)算法与其他8种经典的非重叠社团检测算法的对比实验证明了算法的有效性、准确性和优越性。实验表明,当网络较为稀疏时或社团结构不明显时,本算法与其他8种经典算法相比优势非常明显。 (2)为了解决重叠社团检测领域普遍存在的社团检测算法应用于强重叠网络上效果不佳的问题,将CDMMC应用到了重叠社团检测领域提出了图吸收(Graph Absorbing Method,GAM)算法。GAM算法在得到概率特征矩阵后,首先会初始化一个以节点重要性排序的序列,然后把该序列作为吸收的种子节点利用概率特征来吸收其他节点,直到社团达到指定数量或者无法继续。对于每个没有被吸收的孤立节点,最终算法会将其归入与该节点最匹配的社团中。在人工和真实网络数据集上的实验表明,GAM在重叠社团检测领域优于其他的对比算法,特别是在社团结构重叠性更加强烈的数据集上。

关键词： 社团检测   鲸鱼算法   标签传播算法   多目标优化   共识社团   标签传播  

摘要： 复杂网络中的社团结构对于了解网络结构、发现其变化过程与规律、监控与预测变化趋势有着重要的理论意义。从复杂网络中检测出这些社团结构对于推测用户潜在意向、预测研究方向进展、舆情控制和导向、打击恐怖分子维护国家安全、减少部署成本等有着良好的应用前景。近年来，研究者们已经提出许多社团检测算法用于社团挖掘、社团分析和社团预测等领域，但在先验知识很少或者完全没有先验知识的情况下提高社团检测的准确率，同时降低时间复杂度，特别地，对于基于优化的进化算法框架的算法来说，是否能进一步提高种群收敛的速度，能够跳出局部最优的陷阱，一直是社团检测方法研究的重点。基于此，本文提出了两种社团检测算法，主要的研究工作如下：　　1.提出一种基于鲸鱼算法的多目标静态网络社团检测算法。传统的针对静态网络基于优化算法的社团检测算法往往采用单目标优化，或者在选取最优解时将多目标加权相加，最后转化为单目标的方式进行，但这样的方式要么面对多个约束条件时无能为力，要么没法精确掌握线性组合的参数以获得最优的解。鲸鱼算法是模拟座头鲸群狩猎行为的一种启发式算法，它有着实现原理简单、控制参数少、对于解决某些优化问题具有收敛能力快、全局搜索能力强的特点。原始的鲸鱼算法针对的是连续函数的优化，本文采用了针对社团检测问题改进的离散化鲸鱼算法算子对问题进行多目标优化。通过标签传播算法生成初始种群，并借助鲸鱼算法框架对种群进行多目标优化以得到社团划分。将该算法在人工合成网络和真实世界网络的数据集上进行实验，实验结果表明所提出的算法具有较好的性能。　　2.提出一种基于共识社团鲸鱼算法的多目标动态网络社团检测框架。随着带有时间信息的数据大量涌现，动态网络社团检测逐渐成为研究的重点。动态网络是随着时间变化而变化的，而动态网络的社团检测应能体现出社团结构随着时间的变化，但同时还要使这种变化不是很剧烈，减少结果的漂移。针对该问题，本文引入了种群内共识和种群间共识，缩小检测结果在时间变化时带来的影响。为了进一步减少初始化的开销，使用标签传播算法对网络迭代少数次以保持种群的多样性和正确性，接着使用鲸鱼算法框架对网络进行迭代，寻找最优解。在迭代过程中计算共识社团，在一定条件下将共识社团插入种群中以保持种群中含有上一时刻的知识从而使种群向最优的方向进化。将所提算法与对比算法在人工合成的和真实世界的网络数据集上进行测试，实验结果表明所提方法具有较好的性能，具有比较强的竞争优势。

关键词： 舆情分析   意见领袖   社团检测   加权TOPSIS   SIR模型  

摘要： 随着互联网技术和大数据的发展,越来越多的网民习惯从网络上获取自己所关注的信息资源、分享自己的见解或发表自己的意见,而这些活动的重要载体就是各种类型的网络虚拟社区,如微博。在微博环境中,网络舆论的形成在很大程度上受到意见领袖的影响。当网络中的意见领袖针对媒体所发布的信息、以及后续引起的讨论、最终在用户当中形成成熟的舆论时,对媒体解读与反解读显得更为重要。意见领袖所发挥的作用不仅可以吸引人们对话题的关注,推动网络舆论发展,而且其言论往往能得到社区其他用户的追捧与追随,并且大多数时候在他们在虚拟社区中具有较高的威望。 本文结合社团结构检测和意见领袖识别方法,以微博的“知网正在整改”话题的数据为研究对象,开展舆情事件网络中意见领袖分析研究。 第一部分采用基于节点向量的模糊C均值算法完成微博网络数据的聚类。通过模块度确定网络中每个节点的节点向量,即利用低维向量表示的节点,再在低维向量空间中利用模糊C均值对数据点进行聚类,从而得到网络的社团结构划分。将该算法和其他算法进行实验操作后对比分析,验证本文算法在网络数据聚类方面的精确性和稳定性,更好地挖掘社交网络的社团结构。 第二部分,采用多属性融合的加权TOPSIS法识别网络中的意见领袖。针对目前意见领袖识别过程多以用户属性或网络的结构信息作为指标的问题,以微博为研究对象,采用优序图法加权TOPSIS的相关理论建立意见领袖的识别模型。将用户的属性信息和网络的结构信息相结合作为综合评价指标,采用优序图法计算各指标权重,通过TOPSIS排序方法的用户重要程度评分,并对用户评分排序。针对微博的“知网正在整改”话题的数据,使用意见领袖识别方法进行实验分析,并与单测度指标方法进行对比分析,验证多属性决策意见领袖识别方法的有效性。 第三部分,将基于模糊C均值的社团检测算法和多属性融合的加权TOPSIS意见领袖识别算法相结合,构建基于社团结构的意见领袖识别模型:首先对所构建的舆情网络进行社团结构划分,然后通过使用多属性融合的加权TOPSIS意见领袖识别方法对社团内部进行意见领袖的识别。将上述混合模型应用到“知网正在整改”话题微博舆情网络中。并与结构中心性指标以及多属性融合的加权TOPSIS法所识别的意见领袖进行对比分析,通过SIR传染病模型验证混合模型的有效性。 最后,各项实验结果证明了本文所构建的模型对于意见领袖的判别较为合理。通过首先分析所构建的舆情网络的社团结构,再识别其中的意见领袖,在不改变用户影响力排名的情况下,能够准确、高效地识别微博网络中的意见领袖。

关键词： 复杂网络   社团检测   图重构   互信息   神经网络   核心节点  

摘要： 社团检测是一种基于图挖掘的无监督或半监督方法。其主要目的是通过探索图的拓扑结构来发现节点之间的高阶相似度,并将这些相似的节点归为同一个社团。在社团中,成员之间联系紧密,而不同社团成员之间的联系较少。这种方法可以用于电子商务中的用户购物推荐和广告,生物信息学中蛋白质和蛋白质之间的相互作用预测,引文分析中的文献推荐或学者合作等众多应用。为了探索复杂网络下更加有效的社团检测,本研究针对以下问题展开:(1)对大型复杂网络进行高质量的社团检测通常依赖图的拓扑结构来划分节点集,然而现实世界的网络通常带有嘈杂且与集群无关的链接,这些链接可能会导致模型将来自不同集群的节点划分在一起;(2)大多数基于图神经网络的社团检测模型仍然使用K-means来定位社团中心,并未充分利用图神经网络学习节点表示的优势;论文的主要工作包括:第一,图重构下大规模网络的社团检测算法(graph reconstruction based community detection,GRCD)。该方法能够处理大规模复杂网络的社团检测。首先,删除社团之间的相互连接的边来重新构建原始图的社团结构。然后,GRCD将网络视为一个社交系统,旨在以更直观的方式揭示社团;提出了一种高效的社团检测策略:基于话语权的社团组织生成策略。最后,在不同规模数据集上进行实验,实验结果表明,GRCD算法不仅能够处理大规模网络,而且在保持较高稳定性的同时,其社团划分的质量对比现有的几种基准算法都有很强的竞争力。第二,联合图的全局和局部互信息的重叠社团检测(Overlapping Community Detection Algorithm using Global and Local Mutual Information of Graph,over DGI)。这是一种用于处理重叠社团检测问题的图神经网络。首先,采用最大化图互信息使得节点向量表示更能精确表达图结构信息。然后,在利用图结构来定位社团中心的基础上,通过最大化社团互信息使得隶属于同一社团的节点的向量表示与该社团的核心节点的向量表示距离更近。最后,设计了一个目标分布来帮助模型更好的解决重叠社团检测任务。通过综合实验表明,over DGI在重叠社团划分上的表现对比现有的几种基准算法都有很强的竞争力。本文的主要目标是探讨如何利用核心节点来提高社团检测的效果。在GRCD中,通过基于话语权的社区组织策略,重点利用核心节点来提高社团检测的准确性。在over DGI中,通过最大化社团互信息使得隶属于同一社团的节点的向量表示与该社团的核心节点的向量表示距离更近。这两种方法均表现出良好的性能,为网络中的社团结构挖掘提供了新的视角。

关键词： 深度学习   复杂网络   图神经网络   社团检测  

摘要： 近年来,随着信息技术的不断发展与算力的大幅提升,深度学习已经渗透至人们生活的各个方面。深度学习中的图神经网络方法在处理社交网络、交通网络等以图为结构的数据时表现出色,受到了众多学者的关注。由于真实世界的数据普遍存在数据稀疏、标签缺失等问题,且图数据中节点多以重叠的社团结构聚集,本文以图卷积神经网络为主题,分别探讨了如何提高图卷积神经网络的自适应挖掘隐藏特征与拓扑信息能力,以及自适应图卷积神经网络在重叠社团检测方面的应用。本文从解决数据稀疏、挖掘数据潜在特征信息与拓扑关系入手,提出了一种基于自适应特征与拓扑的图卷积神经网络模型AAGCN。该模型通过设置自适应层对数据进行预处理,将挖掘到的隐藏特征和拓扑信息,与原数据的特征信息和拓扑结构进行融合,一并送入到卷积层进行训练,从而提高图卷积神经网络的模型表达能力。通过真实数据集上的节点分类实验,验证了AAGCN模型自适应层的有效性。真实世界的图数据如社交网络、引文网络中往往具有大量的重叠社团结构,挖掘重叠社团可以帮助对图数据更好地进行分析。然而,现有的重叠社团检测方法普遍存在检测效果不佳、无法处理大规模网络等问题。为此,本文提出了一种基于自适应图卷积神经网络的重叠社团检测模型AAOCD。该模型利用AAGCN模型挖掘隐藏节点特征与拓扑信息的能力,生成并优化节点-社团隶属矩阵,从而实现端到端的重叠社团检测。实验表明,AAOCD模型在重叠社团检测方面取得了良好的检测效果。图17幅,表11个,参考文献86篇

关键词： 符号网络   社团检测   凸非负矩阵分解   平衡理论   图神经网络   社交网络   舆情分析   微博  

摘要： 在现实复杂系统中,成员之间不仅存在支持、信任、促进等积极交互,同样存在反对、怀疑、抑制等消极交互,符号网络通过引入节点间正、负连接直观灵活地描述这类信息,由于其包含更加丰富的复杂系统信息,有助于全面深入地挖掘个体之间的联系,符号网络逐渐成为国内外各领域学者研究热点之一。社团结构作为符号网络分析的基础,对揭示复杂系统的组织构成、功能结构和个体行为具有理论意义和实践价值,相关研究成果被广泛应用于推荐系统、公共安全、生物医学、社交网络等诸多领域。尽管近年来符号网络社团检测算法研究频出,取得了一定的进展与成果,但主流算法大多存在数学模型过于复杂、时间复杂度高、难以应用于大规模网络等缺点,而众多较为成熟的传统社团检测算法又由于负属性边的影响无法直接应用于符号网络,准确快速地检测出符号网络中的社团结构仍是具有挑战性的任务。针对上述问题,本文基于凸非负矩阵分解和图卷积神经网络分别提出了两种符号网络社团检测算法,并将算法应用于舆情分析领域。论文主要研究内容如下:(1)从简化数学模型复杂程度的角度出发,本文设计了一个基于归一化拉普拉斯矩阵和凸非负矩阵分解的算法(NLRCovex-NMF)来检测符号网络中的社团结构。该算法将凸非负矩阵分解应用于符号网络,将邻接矩阵分解为社团成员归属矩阵和节点权重矩阵,易于理解和实现,同时该算法引入了归一化拉普拉斯图正则项,减少分解过程中产生的噪声。通过人工网络和真实网络的对比实验验证,该算法在小规模无符号网络和符号网络均具有较为有效的社团划分性能。(2)针对NLRCovex-NMF算法时间复杂度高,难以将其应用于大规模符号网络的问题,本文提出了基于结构平衡理论的图卷积聚类网络(CNSBGCN)。该算法将社会学平衡理论和图卷积神经网络相结合来提取图结构和节点属性的隐藏信息,形成有效的节点嵌入表示。算法设计了基于最大化符号网络模块度的损失函数,通过端到端学习的方式完成社团检测任务。通过在多个不同特征的网络数据集进行对比实验,验证了该算法能够在较大规模符号网络上检测出较为准确的社团结构。(3)将理论成果应用于“风险舆情发现与处置”项目中,结合公开检测的某次新冠疫情舆情事件中新浪微博相关内容数据、转发和评论信息,计算情感得分,分时段构建符号网络,利用本文所提算法挖掘舆情演化过程中核心群体结构变化特征,在验证论文所提算法有效性的同时,为深入开展舆情发现、舆情演变趋势预测、舆情引导目标群体识别等工作提供数据分析辅助支撑。

关键词： 数据挖掘   危重症   电子病历   社团检测   诊断识别  

摘要： 随着医疗信息系统的广泛应用,利用数据挖掘技术从电子病历数据库中发现潜在的有价值诊疗信息越来越受到关注。危重症医学经过三十多年的迅速发展,已成为最重要的需要多学科协作的临床医学专科之一。我国危重症医学同样面临诸多问题与挑战,只有正确应对这些挑战,才能确保危重症医学持续健康的发展。基于传统统计学和复杂网络的数据挖掘技术在对数据的解读、规律的揭示、科学普适性的探究方面具有显著优势,有助于更好地理解和处理实际问题,是缓解医疗资源分布不均匀和医患供求关系不平衡的可行方案。因此,本文进行了基于数据挖掘的危重症电子病历研究。 本文以实际危重症诊疗需求为背景,采用危重症电子病历数据库MIMIC-IV为研究素材,以传统统计学与复杂网络为主要技术手段,对危重症电子病历进行了数据挖掘,并展开深入研究和分析,具体内容概要如下: (1)针对危重症医疗资源分布不均匀,医患供求关系不平衡等问题,本文进行了基于传统统计学的危重症电子病历研究。包括:1)基于人口统计学模型的危重症住院需求增长模式:通过建立危重症患者的人口统计学模型,以及对不同疾病住院需求增长情况分析,本文了解了危重症患者人口结构变化及其分布规律,以及不同疾病流行率与住院需求增长情况;2)基于对比分析模型的危重症疾病谱研究:通过建立对比分析模型,对住院患者疾病谱进行深入分析,本文了解了危重症住院疾病谱以及危重症住院疾病谱的变化趋势;3)基于Kaplan–Meier模型的医疗服务指标研究:通过建立Kaplan–Meier模型,探索危重症患者前后期两组数据的住院天数和再入院率是否存在显著性差异。结果表明,医疗体制改革降低了危重症住院患者的再入院率,Logrank=1109.03,p=e-2453.61<003 0.,但增加了住院时间,Logrank=7076.56,p=<0.0050.00。 (2)针对危重症患者并发症的预防和辅助诊断等问题,本文进行了基于复杂网络的危重症电子病历研究。提出了基于RR的危重症并发症网络构建算法,并对危重症并发症网络进行了详细分析,包括:1)稳定性分析:通过计算并发症网络的同配系数与变量梯度分析法,证明了在时间和层级角度上危重症并发症网络构型的稳定性;2)层次结构挖掘:通过划分法和社团检测算法分别进行了网络的层次结构挖掘,发现了并发症网络中的社区结构,进而了解了并发症之间的相互关系,对于提高医生对并发症网络的理解和分析能力,以及预防和治疗并发症具有重要意义;3)相似性与差异性分析:通过对网络的拓扑结构、节点相似性、边相似性三个方面来衡量了男女两性并发症网络的相似性与差异性。结果表明,男女两性危重症并发症网络在总体上是相似性的,但由于男女两性在生理和生物学上的差异导致了他们对怀孕、分娩和产褥期疾病等的易感性不同;4)关键诊断挖掘:本文提出了基于度中心性、特征向量中心性、Page Rank算法的融合算法进行关键诊断挖掘,保证了各算法互补性及其各自优势的同时,提高了诊断识别的稳定性和准确度,避免了单一算法的局限性,有助于了解并发症的传播和扩散机制,并实现精准治疗。同时本文将并发症网络分析结果与现有的医学知识进行比对和解释,验证相关分析的有效性。

关键词： 复杂网络   社团检测   多属性决策   多目标优化  

摘要： 现实世界中的系统可以被建模为复杂网络,利用结点和边表示系统中的参与者及参与者间的交互关系。社团是复杂网络的重要特征之一,通过对社团结构进行研究,探索结构特征与功能特性之间的对应关系,可以优化复杂网络和现实系统的功能。因此,社团检测对熟悉网络结构并充分发挥系统价值具有重要意义。多重网络(Multiplex network)是一种由多个单层网络构成的网络,是多层网络的一种特例。在多重网络中,每一层对应于一种交互类型,可用于表示相同实体之间的不同交互模式,能够更加完整地反映实际系统中的信息。在多重网络中进行社团检测通常需要聚合每一层中结点的连接信息,从而更加准确地检测出社团结构。本文在以往相关研究的基础上,基于多属性决策技术TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)提出了采用遗传策略的单层网络社团检测算法TMGA,以及采用层次融合思想的多重网络社团检测算法MTMGA和TLVA算法。(1)基于遗传策略的社团检测算法TMGA。该算法使用多属性决策技术中的TOPSIS方法综合单层网络中四种相似度的优势,得到能够衡量网络中结点相似关系的相似度得分T-Score,并将T-Score作为结点间边的权重,得到新的单层加权图。TMGA在该加权图上使用矩阵编码方式和NSGA-II算法的框架,首先初始化结点的社团归属及结点间的连边,利用归属矩阵和邻接矩阵进行编码,并基于矩阵运算设计新的交叉和变异方式,迭代地产生新的社团结构。同时,TMGA在加权模块度的基础上构建外部目标和内部目标作为适应度函数来衡量社团的质量。迭代终止后,TMGA选取第一帕累托前沿的解作为单层网络的社团结构。(2)基于层次融合思想的的MTMGA和TLVA算法。MTMGA和TLVA利用多属性决策技术TOPSIS融合多重网络不同层中结点的相似度,得到相似度得分M T-Score,把多重网络聚合为单层加权图。本文在该加权图上使用基于矩阵编码的遗传策略,把TMGA拓展到多重网络中形成了MTMGA算法,采用简化后的多重模块度和共享社团冗余连接率作为适应度函数,并选取第一帕累托前沿的解作为多重网络的社团结构。同时,我们在该加权图上基于加权模块度实现了TLVA算法,首先把加权图中的每个结点看作单独的一个集合,将结点移入模块度增量最大且大于0的邻居集合中。再把每个集合压缩为一个超结点,将集合内边的总权重作为结点自环的权重,不同集合间的多条边视为一条边,邻居集合间的边的总权重作为新的边的权重。重复以上步骤,得到多重网络的社团结构。本文在多个复杂网络上分别对TMGA、MTMGA和TLVA算法进行实验,并与其它算法比较社团检测的结果。通过实验表明,TMGA、MTMGA和TLVA算法相较于其它算法具有更加优越的社团检测能力。

关键词： 慢性阻塞性肺疾病   复杂网络   社团检测  

摘要： 目的:　　基于网络分析法可以将共病分析转化为复杂网络上的社团检测问题以挖掘各种疾病之间关系的思想，本文提出通过对慢性阻塞性肺疾病患者电子病历数据进行分析，利用复杂网络模型构建不同类型的共病网络，以探究共病所属的不同社团结构，为防治COPD共病提供精准诊疗策略，简化个体化的医疗模式。　　方法:　　研究选取山西医科大学第二医院2011年12月至2022年9月慢性阻塞性肺疾病患者作为研究对象，横断面收集患者EMR信息建立单模共病网络与二分共病网络，使用Louvain算法对不同类型共病网络进行社团检测，分析归纳各网络社团划分结果;对不同性别COPD患者共病情况进行可视化，采用DIRTLPAwb+算法探究不同性别COPD患者的共病模式差异。　　结果:　　1、对所建立的两种共病网络使用Louvain算法进行社团检测后，二分共病网络社团划分模块度为0.232,单模共病网络社团划分模块度为0.206,单模共病网络被划分为3个社团，最大的社团包含20种疾病，最小的社团包含14种疾病，其中呼吸系统疾病被划分到一个社团，心血管疾病被划分到一个社团。根据二分网络社团划分的结果，可以大致分为5种社团:肺部疾病{肺部感染、间质性肺疾病、肺占位性病变、胸膜肥厚、类风湿性关节炎},心脑血管疾病{心律失常、冠状动脉粥样硬化性心脏病、中枢系统疾病、动脉硬化、心肌梗塞、高同型半胱氨酸血症、骨质疏松、腰椎间盘突出、泌尿道感染},代谢类疾病{高血压、糖尿病、脂肪肝、胆囊结石、继发性肥胖、高脂血症、甲状腺疾病、睡眠呼吸暂停低通气综合征、脾大},循环系统疾病{呼吸衰竭、肺源性心脏病、心力衰竭、胸腔积液、电解质紊乱、低蛋白血症、肺动脉高压、贫血、心包积液、肺间质纤维化、肺性脑病、腹水、肾衰竭、高黏滞血症},呼吸系统疾病{慢性阻塞性肺疾病、哮喘、支气管或肺恶性肿瘤、陈旧性肺结核、变应性鼻炎、支气管扩张、肝囊肿、前列腺增生、慢性胃炎、低氧血症、慢性乙型病毒性肝炎};2、在纳入的49种慢性病中有19种单个慢性病的患病率性别效应在统计学上显著，其中男性肺部感染、心律失常、哮喘、胸腔积液、肾囊肿、肝囊肿、动脉硬化、支气管扩张症、肺动脉高压、肺占位性病变、心包积液、低氧血症、肺间质纤维化、肺性脑病、高同型半胱氨酸血症、睡眠呼吸暂停低通气综合征、脾大的患病率均高于女性。共病对中呼吸衰竭&肺源性心脏病患病率最高，为21.51％,呼吸衰竭&肺部感染、高血压&肺部感染、呼吸衰竭&心力衰竭、高血压&心力衰竭、肺部感染&胸腔积液与肺部感染&心力衰竭的不同性别患病率有统计学差异;3、采用DIRTLPAwb+算法对不同性别COPD共病网络社团检测时，男性COPD患者共病网络被划分为7个社团，女性COPD患者共病网络被划分为8个社团，男性COPD共病网络密度与聚集系数分别为0.241和0.702,女性COPD共病网络密度与聚集系数为0.679和0.240,社团划分相似度指标NMI与ARI分别为0.231和0.465。　　结论:　　二分网络结构信息用于共病网络社团检测能更好的挖掘共病群体，在后续的研究中可以使用二分动态网络以探索COPD共病因果关系;不同性别COPD患者在单个慢性病和共病对患病率上都存在差异，男性COPD患者共病种类多于女性COPD患者。男性COPD患者共病网络较女性COPD患者共病网络更聚集和复杂，男性患者的共病模式比女性患者更复杂多样，疾病间联系更为紧密，在慢性阻塞性肺疾病患者中更应多关注男性患者以期减少共病的发生。