社交网络中的子图结构挖掘研究

发布时间：2021-09-02 23:58

　　社交网络以社交个体之间社交活动为研究对象,将其抽象为个体间相互作用的网络.从社交网络进行子图结构挖掘对更深层次地认识客观世界是非常有意义的,也是社交网络中安全性问题分析的重要基础.社交网络产生的用来记录个体之间关系的数据被称为关系数据.最为常见的用来描述关系数据的数据结构是图.图有有向和无向之分,其中无向图可以很容易地转化为有向图,反之则不能,故研究针对有向图的子图结构挖掘方法比无向图更为重要.针对信息安全问题,对社交网络中存在的各种子图结构进行挖掘是非常有必要的.例如,以智能体为社交个体的多智能体协同系统网络中,强连通分量结构对于智能体之间信任协议的渐进收敛具有促进作用,而以社交用户为个体的加密信息传输网络中,若是存在有向圈结构,则可能引起逻辑死锁问题.当前子图结构挖掘研究中,最常用的方法是基于图论的方法.近年来,由于经典图论在处理不确定性关系数据中的缺陷,以及粗糙集在处理不确定信息方面的优势,基于粗糙集理论的子图结构挖掘研究受到了许多学者的关注.本文结合粗糙集理论和图论,研究如何从刻画现实社交网络的有向图中挖掘子图结构,以及其在信息安全领域的应用问题,主要创新研究内容和成果包括:（... 

【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校

【文章页数】：119 页

【学位级别】：博士

【部分图文】：

有向图的两种不同布局结果

布局2图图5-2 确定包络 1所对应顶点集 1的最小外接圆过程布布局局1中中: 顶点集 1的重心 ( ) 的坐标( ( 1) , ( 1) )计算过程为 ( 1) = (1 + 0.25 + 0.5 + 0.875 + 1 + 1.25 + 1.5)/7 = 0.911, ( 1) = (0.4 + 0.2 + 0.4 + 0.8 + 1 + 0.8 + 0.4)/7 = 0.571.通 过 穷 举 搜 索,选 定 2, 5, 7这3个 顶 点 来 确 定 1的 最 小 外 接 圆.根 据 公 式5-11,圆心 ( ) 的 坐 标, 以 及 半 径 ( ) 的 计 算 过 程 为: = 1.7

在 和 上的取值是相等的.(a) Original X (b) Rotated X (c) Scaled up X图图5-3 一个布局案例（A)）以及该它的两个变形布局（旋转, 放大）从理论角度,根据性质5.2及其证明过程,也说明了本章提出的对称性度量方法对于布局的变形是鲁棒的.性质5.2设 = { , } 为一个有向图, 为 的一个可视化布局. 对于任意 ∈ , ( ) 可用来衡量 的邻居在它周围的分布可以被认为是对称的程度. 和 则可以衡量布局 的对称程度. 那么, 下列命题成


本文编号：3379985