关键词： 属性网络   社团检测   半监督聚类   主动学习  

摘要： 属性网络是一类特殊的复杂网络,能为数据分析人员提供网络的拓扑结构信息和研究对象的属性信息,以便于挖掘潜藏在网络中的系统底层逻辑。社团结构是属性网络的重要模式,能聚类网络中不同性质的节点,优化网络的资源配置,为发现复杂网络的底层逻辑提供重要察觉。属性网路聚类算法旨在利用网络分析与数学建模的方法,从属性网络中提取社团结构,挖掘复杂系统的潜在特征。针对属性网络聚类算法,本文设计了两种不同的机器学习模型,分别为属性网络聚类算法中的异质性问题和信息缺失问题提出了相应的解决方案,文章的主要思想和贡献可概括如下: (1)基于动态探索节点属性和拓扑结构的聚类算法。属性网络聚类算法一般利用网络的节点属性和拓扑结构学习每一个节点的特征信息,进而对网络中的社团结构进行提取。但因节点属性和拓扑结构对于网络刻画方式的不同,二者的数据形式存在着较强的异质性。为此,本文基于动态探索节点属性和拓扑结构的策略,在节点特征学习的过程中,动态地对节点属性和拓扑结构之间的关系进行探究,并对属性网络中潜在的社团结构进行提取。 (2)基于半监督学习的属性网络聚类算法。传统的聚类算法属于无监督学习算法,不需要先验信息辅助聚类,但同时限制了算法准确性的提升。半监督聚类算法在传统聚类算法的基础上,利用少量的先验信息提升聚类算法的准确性。基于半监督学习的属性网络聚类算法结合半监督聚类和属性子图更新方法,成功在使用极少量标签信息的前提下,显著提升了属性网络聚类算法的准确性。 综合考虑多个真实属性网络的实验结果,以上两个工作的准确性显著高于同类对比算法。以标准互信息为参考指标,二者性能的提升分别为16.3%和20.1%。这一现象,说明本次工作除理论创新之外,也有极高的实际生产价值。更为重要的是,它与本文的预期结果相符,验证了本论文设计思想的合理性,为属性网络聚类算法指明

关键词： 欺诈检测   异常检测   复杂网络   社团检测   信用卡交易  

摘要： 通信技术、数字技术、电子信息技术在社会与经济的发展下已经到了一个新的阶段,创造出了一个具有高度联系性的世界。人们在社交网络上进行通信、浏览、交易等产生了大量的数据。由于社交网络的开放性,这些数据能够轻易的被其他用户所获取,这就受到了一些恶意用户的关注,将这些数据当作发布错误信息、进行恶作剧和犯罪的平台。我国自改革开放以来,电子信息技术逐渐在金融领域占有自己的一席之地,尤其是信用卡业务,它正在渐渐的成为大众普遍使用的非现金支付工具。与此同时,一些恶意或非法用户趁虚而入,使用各种各样的欺诈手段进行欺诈活动,致使我国的欺诈交易的数量不断地增长,金融机构每年都面临巨大的经济损失。因此,如何检测信用卡欺诈已成为金融欺诈检测领域的研究趋势。 本文首先对选题的相关背景与意义进行了阐述,同时介绍了有关信用卡欺诈检测、复杂网络社团检测以及基于复杂网络的图的异常检测的研究现状与发展。之后阐述了所使用的复杂网络社团检测的相关理论知识。为了检测信用卡欺诈带来的巨大经济损失,识别出这些恶意或非法用户,及时制止信用卡欺诈行为,在阅读了大量的信用卡欺诈检测和复杂网络社团检测的相关文献之后,提出了一个基于网络节点向量标签率的社团检测算法(NVP),该算法首先基于每个节点的NGC节点来找到社团的中心,然后利用节点向量标签率将中心的标签传播到其他节点,最后基于社团结构划分质量评估指标标准化互信息NMI,分别在四个真实世界网络和8个计算机生成网络上对所提出的NVP算法进行了评估。通过与其他四种社团检测算法进行对比,发现本文提出的NVP算法在精度上有更好的表现。 其次,本文在公开信用卡交易数据集的基础上,通过阈值法,构建出信用卡交易网络。利用所提出的基于网络节点向量标签率的社团检测算法(NVP)对构造出的信用卡交易网络进行社团划分,通过与其他四种社团检测算法的模块度值进行对比,发现本文所提出算法对信用卡交易网络的划分结果最优。 最后,定义了一个异常分数值的概念来发现候选欺诈交易,与真实结果进行对比,通过混淆矩阵得出F分数值验证所提NVP算法在信用卡欺诈检测方面的准确性。

关键词： 社团检测   图神经网络   图嵌入   聚类   标签传播  

摘要： 图神经网络与图嵌入是近年来兴起的深度学习模型,凭借自身强大的归纳能力在复杂网络的各种任务中展现出巨大优势。图神经网络能够归纳网络内容,发掘网络结构中的隐藏信息。图嵌入方法将网络中的节点转化为具有节点信息的表示向量,方便一些深度学习模型处理图数据。为了更好地解决社团检测问题,本文提出了两种基于图嵌入与深度学习的社团检测算法,用以在无属性或有属性信息的网络上分别解决非重叠与重叠社团检测问题。本文的主要内容如下: (1)基于空域卷积网络的社团检测算法CDSCN。算法首先利用图嵌入方法得到网络中节点的向量表示,再利用空域图卷积网络GraphSAGE调整节点表示向量,以局部模块度为依据重新定义了GraphSAGE的二次采样过程,使分属不同社团的节点的表示向量相互区分,同时保证了相邻节点表示向量的相似性,最后使用Birch聚类算法对节点进行聚类,聚类结果即为社团划分结果。 (2)基于直推式传播网络的重叠社团检测算法OCDTPN。算法采用了小样本学习的思想,利用图嵌入结果或网络自带的属性信息建立传播模型,解决重叠社团检测问题。算法首先选择一些在原始网络当中具有局部最大度的节点作为社团核心,在传播网络中作为传播源头。随后分批次建立以节点向量高斯相似性为传播依据的标签传播网络。接着通过社团核心节点的原始标签与预测标签的误差修正传播模型,算法通过分批传播预测归属概率的方法找到网络中所有节点的重叠社团归属。 与对比算法在真实网络和人工网络上进行实验,结果表明了本文提出的算法具有良好的社团划分性能。本文还将两种算法应用于世界中亚研究英文文献的信息发掘任务中,在文献分类和学术社群划分任务中取得不错效果,为课题研究提供了重要参考。

关键词： 社团检测   k核   加权图   紧密子图   贪婪策略  

摘要： 紧密子图查询作为图查询的研究热点之一,在很多领域都有着重要的应用。现有的研究中已有许多紧密子图查询方法,如基于模块度优化的算法、谱方法、非负矩阵分解等。对于紧密子图的定义也有多种,常见的有k架（k-truss）、k团（k-clique）、k核（k-core）等。其中k核的定义要求图中每个节点至少有k个邻接节点,即每个节点的度至少为k。根据该定义,k核可以在线性时间复杂度内计算得到,具有较好的应用基础,已在许多方面有所研究与应用。由于k核只考虑图中节点和边的关系,据此得到的仅是一个边稠密的子图。但在很多场景下的图数据还会包括更多其它属性,若在查询紧密子图时不考虑这些属性则所得到的结果缺乏实际意义。在现有的k核研究中,已有部分文献开始结合图中的其它属性,如:图的关键词属性、图的空间位置属性、图的节点影响力属性等。但目前对于k核紧密子图的查询中,结合图中边权值的研究还较少,而在很多场景下,图中边的权值往往具有很强的语义关系。考虑到这一点,本文提出了一个新的紧密k核子图查询问题。目前对于紧密子图的查询,主要有两个研究方向:社团搜索和社团检测。本文所提出的问题属于紧密子图查询中的社团检测问题,其查询得到所有符合要求的连通子图。并且,本文考虑到查询最紧密子图往往会消耗较多的时间,在一些应用场景下也并不需要查询子图权重的最值。为此,本文所提的问题不局限于社团检测中最值的查询,子图只需满足给定的节点平均权值即可,而该值可以根据实际应用需求给出,具有更高的灵活性,能适应更多的查询场景。本文主要完成的工作如下:（1）提出了在加权图中查询联系紧密的连通k核子图问题,简记为紧密k核子图查询（Query Closely Relatedk-Core Subgraph,QCRKS）问题,其描述如下:给定核值k、节点平均权值,在加权图中查询紧密连通k核子图,该子图节点平均权值大于等于。随后通过多项式规约的方法,证明了QCRKS问题是一个NP-难问题。（2）由于无法为QCRKS问题找到一个在多项式时间复杂度内的最优算法,故本文为该问题设计了启发式算法CRK-G,其先在原图中查询一个最大连通k核作为候选子图,然后采用贪心策略通过在候选子图中不断迭代删除权值最小的节点,从而得到满足条件的紧密k核子图。（3）为提高CRK-G算法的效率,本文在其基础上进行改进,设计了CRK-C和CRK-F算法。CRK-C算法使用图压缩策略,在迭代之前先将权值相近节点进行合并,从而降低候选子图的规模。CRK-F算法使用单次多节点删除策略,每次迭代从候选子图中删除多个节点,从而减少迭代次数。两个算法分别从降低图规模和减少迭代次数两个方面出发,提高了查询效率,其查询速度明显高于CRK-G算法。（4）通过在真实数据集上的实验,对比了3种算法在不同查询场景下的查询效率,验证了算法的误差,分析了图压缩算法的有效性,以及最后通过与传统k核方法的对比和一个实例分析验证了本文所提模型的有效性。

关键词： 复杂网络   LPANNI算法   圈比   重叠社团检测   网络舆情分析  

摘要： 随着互联网的不断发展,人类在网络空间的交互越发频繁,进而形成了各种社会网络。复杂网络能够借助抽象的网络关系分析复杂系统,网络社团结构是复杂网络中最普遍的特性之一,通常对应于内部连接紧密而外部连接稀疏的网络子结构。网络社团结构可以刻画复杂系统的自组织成团涌现现象,检测网络社团有利于理解网络拓扑功能并预测网络结构演变。在实际网络中网络社团常常呈现重叠现象,网络社团间的重叠节点影响网络信息的传递和融合,跨多个社团的重叠节点还可能影响网络结构的演化,如何有效进行重叠社团检测具有特殊意义。 多标签传播算法是重叠社团检测算法之一,具有简单快速的优点,有利于检测一定规模的网络结构。本文对多标签传播算法LPANNI进行了优化,基于最小圈结构提出CLPANNI算法。该算法运用圈比指标刻画节点的重要程度,对节点的利他性进行衡量并按升序更新节点标签,再根据邻居节点的影响力传播标签。经实验验证,该算法与4种基准算法相比在NMI＿LFK、NMI＿MGH、Mov指标下性能较优,提高了社团检测精度。 考虑到CLPANNI算法中圈比的计算比较复杂,且一般网络中数量最多的最小圈为三角形,为了进一步提升社团间重叠节点的挖掘效能,本文提出考虑节点位置信息的重叠社团检测算法KLPANNI。该算法运用K-shell算法粗粒度划分网络层级,将其融入到标签传播过程并进行迭代,融合节点网络位置信息和节点所在的三角形数量计算邻居节点的影响力。在社团结构已知的3个现实世界网络中,KLPANNI算法检测网络社团间重叠节点的性能相对LPANNI算法更好,可以检测到更多的重叠节点,有助于更好地研究分析网络拓扑结构和网络功能。 网络舆情具有一定集聚现象,本文将改进的LPANNI重叠社团检测算法应用到网络舆情的结构分析中,快速发掘舆情网络中的重叠节点,深度分析重叠节点在舆情网络结构中的作用。首先,运用Cite Space知识图谱工具构建“舆情演化”主题文献共被引网络,通过KLPANNI算法挖掘重要重叠节点,研究发现该网络中的重叠节点是综述和方法论书籍,它们在文献共被引网络中起着桥接和融合作用。其次,以“2020东京奥运”舆情事件为例,爬取豆瓣小组的舆情交互数据构造网络,分析复杂交互行为。根据交互时间和具体内容分析了静态与动态网络的社团结构及关键节点,发现参与不同话题的小组成员是重叠节点,对重叠节点重点关注有利于控制网络舆情的传播。最后,基于Weibo-COV数据建立微博转发网络,对其进行社团结构分析。发现KLPANNI算法具有良好的重叠节点挖掘能力,从网络社团结构角度对网络舆情进行应用分析,提升了网络舆情社团结构量化分析层次,为网络舆情治理提供一定支持。

关键词： 社团结构   社团特征   静态社团检测   局部社团检测   动态社团检测  

摘要： 生产生活中存在大量的复杂系统,人们常用复杂网络来表示这些系统,通常可将复杂系统抽象为一个静态的网络来表示其信息,而复杂系统经常随着时间和空间的变迁而演化,从而生成动态网络。随着信息技术的高速发展,人们迫切需要更深入地挖掘这些网络内部潜在的结构特征,从而对复杂系统的功能进行探索。从这些复杂网络中挖掘有用的信息,已成为推动相关领域技术发展的重要任务。社团结构挖掘就是以静态或动态网络为研究对象,从其中检测特定的模块,这些模块内部链接相对稠密,而模块之间链接相对稀疏。系统的功能与其结构关系密切,检测网络中的社团结构对系统的功能分析有着重要的指导意义。因此,近年来,社团检测引起了众多学者的关注,针对大规模网络的社团检测和随时间演化的动态网络中的社团检测更是目前的研究热点。已有的社团结构检测方法从不同的视角对社团检测问题进行了研究,社团检测技术有了长足的进展,已有大量的文献报道了不同的检测算法。有些算法具有较好的性能,但同时存在诸多不足,尤其是针对大规模网络及动态网络,其检测效果仍然不尽人意,有待进一步深入研究。基于社团的特征,本文开展了静态网络、动态网络和局部网络上的社团检测技术研究。具体而言,本文的主要研究内容及创新包括以下三方面:1.针对静态网络,提出了两种社团检测算法:1)基于社团内在特征的检测算法Intrinsic-prop,该算法不仅考虑了每个结点和其直接邻居的关系,而且同时考虑了结点与其二阶邻居的关系,从这些邻居中选择与其联系紧密的结点共同组成社团中心,并提出了加入社团的成员必须满足的条件,进而对社团进行扩张与合并,得到最终的社团结构;2)基于结点相似性和社团链接强度的检测算法NSCLS,该算法首先提出了一种结点相似性的计算方法,基于结点相似性进行社团初始化,而后提出计算社团间链接强度的方法,根据链接强度合并某些社团,得到最终的社团结构。算法Intrinsic-prop的检测结果中,两个互为邻居且具有较多共同邻居的结点位于同一社团,每个结点都与其较多的邻居拥有相同的社团归属。在NSCLS的结果中,每个结点都和自身最相似的邻居结点归属于同一社团。这些特征保证了社团结构的质量,这两种算法在人工合成网络和实际网络上都取得了较好的结果,验证了算法的有效性。2.基于局部簇及局部模块度的局部社团检测算法3L。该算法提出了一种局部社团检测框架,仅使用网络的局部信息进行单个社团的检测。该算法首先获得包含给定结点的核心簇,然后确定围绕核心簇的一系列外围簇,确定局部社团所在的大致范围,进而考虑簇和簇之间的关系,得到最终的局部社团。该算法对起始结点的选取并不敏感,缓解了起始结点位于社团边界时一些算法无法有效地检测目标社团的问题,该算法适用于规模较大或全局信息无法获取的网络。通过实验表明,3L算法能够得到较好的局部社团检测结果。3.模拟蛛网演化的动态社团检测算法Spiderweb。该算法以增量方式进行动态社团检测,首先使用Intrinsic-prop算法检测第一个快照上的社团结构,然后通过模拟蛛网变化过程对结点和边的增加及删除事件进行处理,以增量方式确定后续快照上的社团结构。该算法不仅得到了每个快照上高质量的社团结构,而且保持了相邻快照上社团结构的平滑过渡。通过在大量的人工合成网络及实际网络上进行充分的实验,证实该算法检测效果稳定,其适用性及检测结果的质量均明显优于对比算法。综上所述,本文提出的Intrinsic-prop、NSCLS、3L及Spiderweb算法可以分别从静态网络、动态网络上检测出高质量的社团结构,它们为复杂网络中的社团检测问题提供了可行的解决方案,也为复杂网络的其它链接挖掘任务提供了研究基础。

关键词： 复杂网络   社团检测   密度峰值聚类模型   多属性决策  

摘要： 对复杂网络的研究是数据挖掘的主要方向之一,而社团检测是复杂网络研究的重要组成部分。社团结构揭示了网络各个组成部分的内部组织信息和不同部分的外部连接关系,不仅可以帮助研究人员更好地理解复杂网络,也进一步促进了复杂网络其它方面的研究。在复杂网络中检测社团的过程可以理解为一个聚类过程,社团可以看作节点在网络上紧密连接的簇,而且社团中存在着“簇中心”这样的特殊节点,使得密度峰值模型适用于社团检测问题。本文在以往相关研究的基础上提出了基于密度峰聚类模型和多属性决策算法TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)的社团检测算法,其中包括适用于普通复杂网络的DPCT算法(Density Peak Clustering and TOPSIS-based community detection algorithm)和适用于多重网络的MDPCT算法(Density Peak Clustering and TOPSIS-based community detection algorithm in Multiplex networks)。(1)适用于普通网络的DPCT算法。DPCT首先将网络中的节点集根据其连接情况,转化为密度峰值聚类模型中与节点密度和距离有关的二维数据集,并用DBSCAN在该二维数据集中聚类,将无法聚在类中的离群点看作“簇中心”,即关键节点。之后,DPCT在关键节点的基础上形成初始的社团框架,通过逐步添加与社团最相似的节点进行社团扩张,形成初始社团。在这个过程中,DPCT使用多属性决策算法TOPSIS综合四种不同相似度的优势,计算出一种更为准确且适应性更强的新相似度T–similarity,使用T–similarity筛选出与社团最相似的节点。然后,DPCT依据T–similarity分配初始社团未覆盖到的非关键节点。最后,通过两种方式,对之前过程中得到的部分规模较小的社团进行合并,得到最终稳定的社团结构。(2)适用于多重网络的MDPCT算法。本文将DPCT算法的基本思想运用在多重网络的社团检测问题中,并进行适应性改进,提出可以在多重网络中检测出高质量社团结构的MDPCT算法。该方法的具体流程与DPCT类似,首先通过多重网络的特性,将节点以密度和距离作为属性转化在密度峰值聚类模型的二维数据集中,同样通过DBSCAN识别其中的离群点作为关键节点。在转化节点信息的过程中,MDPCT使用熵函数充分考虑多重网络中各层的拓扑信息,得到更合理的关键节点。然后,所得关键节点被用于构建多重社团框架,并通过依次添加与社团框架最相似的节点进行扩张,在这一过程中,TOPSIS综合各层网络中的多种节点相似度,计算出可以在多重网络中衡量节点间相似关系的新相似度MT–similarity。多重网络中,扩张后的社团同样无法覆盖到所有节点,因此,M T–similarity也被用以处理扩张结束后未被划分到社团中的非关键节点。在这个过程中,同样会产生一些规模较小且缺乏内部连接的社团,MDPCT将通过聚合多重网络为一层加权网络,并在该网络中分别使用两种针对加权网络改进后的方法对部分小社团进行合并处理,得到高质量的多重网络社团结构。本文在多个真实网络和多组人工合成网络上分别对DPCT和MDPCT进行了实验,并将实验结果与其它优秀的社团检测算法进行对比。实验结果证明,DPCT和MDPCT相对于其它社团检测算法更为准确且适应性更强。

关键词： 图像分割   运动目标检测   复杂网络   社团检测   标签传播   背景差分  

摘要： 图像分割与运动目标检测一直是图像分析与计算机视觉领域中的重要研究内容,在生物医学、自动驾驶、智能监控等领域应用广泛。近年来,随着复杂网络的蓬勃发展,复杂网络中的社团结构逐渐受到研究人员的密切关注。目前,许多优秀的社团检测算法被提出,其中标签传播算法因其近似线性的时间复杂度被许多学者使用与研究。本文对标签传播算法进行改进,并使用改进后的标签传播算法对图像分割及运动目标检测进行研究,主要研究内容如下。 (1)标签传播算法在节点排序和节点更新阶段存在多个随机选择的过程,导致划分的社团结构不稳定,且算法不适用于图像网络。为此本文提出一种基于颜色特征的标签传播算法—CFLPA算法,以超像素区域为节点,构建无权图像网络,根据图像网络节点的颜色特征对节点进行排序,将节点之间的颜色特征相似性作为节点标签更新的依据,实现对图像网络的社团划分。CFLPA算法不仅能划分出稳定的社团结构,而且也能有效地处理图像网络。 (2)提出了一种基于网络标签传播的图像分割算法—NLPAIS算法。应用CFLPA算法对图像网络进行社团划分,在划分的基础上建立加权图像网络,采用所提出的基于权重与节点度的标签传播算法获得加权图像网络的社团结构,达到图像分割的目的。NLPAIS算法与其他应用复杂网络理论对图像分割的算法相比,分割精度有较大的提升,分割轮廓也更加完整。 (3)提出了一种结合复杂网络与背景差分的运动目标检测算法—CNBS算法。以像素点或同像素的连通区域为节点,对视频帧的R、G、B通道分别构建图像网络。使用CFLPA算法对图像网络进行社团划分,利用或操作将划分的社团融合,得到视频帧的预分割结果。将预分割结果作用于视频帧及其相邻两帧,构建三个帧内属性网络,通过节点的属性变化确定候选运动目标区域,对候选运动目标区域进行局部背景差分确定运动目标。实验结果表明CNBS算法可以有效地消除鬼影及噪声现象,和8个优秀的运动目标检测算法相比,评价指标也有明显优势。

关键词： 复杂网络   社团检测   图像预分割   运动目标检测   多目标跟踪  

摘要： 近年来,计算机视觉研究蓬勃发展,在视频监控、无人驾驶、虚拟现实等领域带给人们新的体验。图像分割、目标检测和跟踪是计算机视觉领域内的重要任务,是一系列高级任务的基石。本文将复杂网络社团检测方法应用于图像分割、运动目标检测和多目标跟踪,具体工作内容如下: (1)提出了一种基于图像轮廓信息的网络构建和图像预分割算法。首先利用MS算法检测图像中的轮廓,将轮廓划分的区域作为网络中的节点,区域间的颜色相似性作为相应节点连边的权值,构建了图像的加权区域邻接网络;然后结合社团检测算法构建了图像的预分割算法。实验表明,本文的图像网络结构优于基于像素和超像素的图像网络,本文的图像预分割算法相比其他算法也有优势。 (2)提出了一种基于图像预分割和背景建模的运动目标检测算法。将首帧视频利用本文算法进行预分割,并将分割结果应用到后续视频帧,通过计算连续帧间不同分割区域颜色的绝对差和,建立背景模型;根据区域的熵值更新背景模型,与当前帧做背景差分,得到差分图像,对其再次用本文方法做预分割,分析差分图像不同区域的亮度平均值,得到自适应的前景阈值,从而检测出运动目标。实验结果表明,本文算法的检测结果令人满意,并且在前景目标短暂停止时的检测结果优于其他算法。 (3)提出了一种基于目标检测的视频帧间网络构建和多目标跟踪算法。首先将视频各帧的目标作为网络节点;然后综合目标的外观特征、HOG特征和位置特征计算相邻两帧中目标的相似性,为对应节点的边赋予权值;最后分组检测视频帧间网络的社团结构,得到该组视频中目标的轨迹片段,合并轨迹片段得到目标的最终轨迹。实验结果表明了本文算法跟踪目标的有效性,同时在MOT17数据集上的测试结果也表明,本文算法有着较高的跟踪准确度,并且对无严重遮挡的检测目标能够稳定跟踪。

关键词： 社团检测   随机游走   MCL算法   R-MCL算法   一带一路  

摘要： 社团检测旨在揭示复杂网络内部拓扑属性以及节点之间的关联信息,可广泛地应用于计算机科学、生物科学、政治经济学等领域。社团检测算法主要包括模块度优化算法、层次聚类算法、标签传播算法和随机游走算法等,基于随机游走的社团检测方法对各种类型的网络有较强的适用性,近年来得到了广泛的关注及应用,但其存在无效计算和社团结果划分零散等问题。本文详细分析了基于随机游走的MCL算法和R-MCL算法的不足,提出对应的改进策略,并结合新的策略提出两种新的随机游走社团检测算法,最后应用于实际项目中。本文主要的研究内容如下:1、针对MCL算法存在无效计算并且社团划分结果比较零散的问题,提出基于节点相似性的随机游走社团检测算法JMCL。该算法采用改进的Jaccard相似性系数对节点中的连边进行预加权,设置变化量矩阵以加速迭代过程中的矩阵使其收敛,并且增加边界重检和小社团合并操作提高算法精确度,通过人工网络和真实网络实验验证,该算法具有更稳定和更优的社团划分性能。2、针对R-MCL算法存在的随机状态转移矩阵不收敛问题,提出基于标准化R-MCL的随机游走社团检测算法NR-MCL。该算法采取在迭代过程中的膨胀和剪枝操作之间增加标准化操作的策略加速概率矩阵的收敛,防止矩阵不收敛的极端情况出现。在公开数据集上的实验结果表明,该算法在众多类型的网络中社团划分表现较优。3、将本文提出的NR-MCL社团检测算法应用于“一带一路”沿线国家贸易网络项目中,运用复杂网络理论构建“一带一路”沿线国家贸易关系网络,采用NR-MCL算法进行社团结构划分,结合相关统计数据分析各国之间的贸易关系以及整体贸易格局,为国际贸易关系相关研究提供参考。