基于社团演化的组织动态分析及异常检测技术

发布时间：2020-04-01 10:15

【摘要】：组织是为完成特定目的形成的功能成员及其属性和关系的集合,现实中各种有形无形的组织影响着人们生活的方方面面,组织异常可能预示着组织的重大行动,可能指示组织演化模式的转变,或者蕴含其他有趣的知识。对这些知识的挖掘有助于我们更好的认识组织演化的过程,甚至预测组织发展的方向。本文基于组织网络序列,重点从组织社团演化的角度描述组织动态,形成了组织社团划分、社团演化分析和异常子序列检测三方面的研究成果。论文的主要创新点如下:(1)提出了一种基于F检验的社团合理数量评价指标。本文采用对节点特征向量聚类的方法进行组织社团划分,而聚类方法面临的主要问题是如何聚类数量。受统计学中方差分析方法的启发,本文提出了针对社团划分的F统计量,用于评价划分各社团的差异程度,作为社团数量的估计指标。通过对社团划分的基准网络和两个现实网络的实验,验证了基于F统计量的社团数量评估方法是有效的,并且基于EM算法实现的社团模糊社团划分方法也取得了很好的表现。(2)提出了一种基于社团角色熵的社团演化指标和一种网络相似度的实现形式。本文利用组织网络节点的局部聚类系数描述节点的角色,并利用信息熵的思想构造社团角色熵,社团角色熵反映了组织成员角色在社团中分布的异质性。组织网络相似度是衡量组织结构变化程度的常用度量指标,本文总结分析了现有的四种相似度指标,并提出了一种基于网络余弦相似度的指标。最后在组织动态描述实验中验证社团角色熵指标和网络相似度指标的有效性。(3)提出了一种基于邻域一致性的异常子序列检测方法。本文定义了子序列和邻域子序列的概念,利用多元线性回归模型描述邻域子序列重构的过程。并利用回归系数(重构权值)和重构偏差定义了一致因子,指标描述子序列与其邻域的一致性,而且提供了基于最小二乘估计和偏差优化两种方法计算一致因子。实验发现一致因子能够从含义较为模糊的组织动态序列中分辨组织演化的不同阶段和异常子序列,还提供了参数的选取的参考方法。
【图文】：

树状图,分裂法,树状图,社团

3.1 经典社团划分算法 ( N , A, AN , AE)，社团集合1 2{ , ,...,C c c N，都有c C与之对应，社团划分可团划分有多种可能。首先要定义符合问题具有合理性和一致性。其次应该充分合更准确，其中包括最基本的网络拓扑结分方法是基于网络结构上的聚集性和节取三个经典的社团划分方法与本文所提绍。分裂算法，基于的思想是寻找网络中社结果可用如图 3.1 的树状图表示。

俱乐部,空手道,成员,社会网络分析

图 3.3 GN 基准网络的演化(2)空手道俱乐部网络Zachary 空手道俱乐部网络是美国一所高校内的空手道俱乐部成员间关系如图 3.4 所示。该网络是社会网络分析常用的分析对象，由 34 个节点和成，分别表示俱乐部成员及其人际关系。由于俱乐部主管（节点 1）和教)产生矛盾，该俱乐部形成两个团体，，故常用来检验社团划分算法。
【学位授予单位】：国防科学技术大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：C936

【参考文献】