基于图正则化的复杂网络社团检测研究

发布时间：2023-02-11 13:10

　　复杂网络广泛存在于现实世界当中,如社交网络、生物网络、脑网络、信息网络等。在复杂网络中,社团结构是一种非常重要的组织结构,它既表现为内部连接紧密,与外部连接相对稀疏的局部拓扑特征,又体现出网络中个体属性的一致性。社团结构与复杂网络的功能、属性、组织结构、动力学行为等方面密切相关。因此,从错综复杂的网络中检测社团结构,对于网络的拓扑结构分析、功能分析和行为预测具有至关重要的意义。近年来,伴随着复杂网络研究的兴起,社团检测已成为多学科交叉的热点研究领域,涌现了一大批社团检测方法。然而,受制于复杂网络本身的复杂性,当前的社团检测仍然存在许多公认的难题。首先,在真实的复杂网络中,各种缺失、冗余、甚至错误的连接几乎无处不在,这些扰动使得真实世界网络的社团结构变得非常模糊,因而难以被准确发现。其次,现实环境中的复杂网络可能同时拥有拓扑结构与节点属性信息,但二者可能并不一致。如何将这两种信息有机、互补地结合来提高社团检测的性能也是一项亟需解决的难题。最后,现实中复杂网络的连接往往十分稀疏,且含有较多扰动和噪声,添加先验信息是一种有效的解决思路。然而,现有的半监督方法大都需要大量的先验信息,代价高昂却...

【文章页数】：113 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题研究背景与意义
        1.1.1 社团检测的研究背景
        1.1.2 社团检测的研究意义与存在的问题
    1.2 国内外研究现状
        1.2.1 常用复杂网络社团检测方法
        1.2.2 具有节点属性的复杂网络社团检测研究进展
        1.2.3 考虑先验信息的半监督复杂网络社团检测研究进展
    1.3 本文主要研究内容与组织结构
第二章 社团检测相关概念
    2.1 复杂网络与社团结构的符号化描述
    2.2 社团结构的主要特性
        2.2.1 子图内外连通度
        2.2.2 节点的中心度
        2.2.3 社团结构的模块度
    2.3 社团检测的评价标准
    2.4 基于非负矩阵分解的社团检测
    2.5 本章小结
第三章 基于低秩子空间学习的复杂网络社团检测
    3.1 引言
    3.2 基于低秩分解的子空间关联图的构造
        3.2.1 网络拓扑到几何空间的映射
        3.2.2 网络节点的低秩分解
        3.2.3 网络节点的子空间关联图
    3.3 基于节点子空间关联图的网络社团检测
    3.4 实验结果与分析
        3.4.1 GN合成网络实验
        3.4.2 LFR合成网络实验
        3.4.3 真实网络实验
        3.4.4 子空间分析
        3.4.5 层次结构分析
        3.4.6 网络划分的一致性分析
        3.4.7 参数分析
    3.5 本章小结
第四章 基于双图正则化的属性网络社团检测
    4.1 引言
    4.2 基于双图正则化的属性网络社团检测模型
        4.2.1 节点属性矩阵的非负矩阵分解
        4.2.2 网络拓扑结构的正则化
        4.2.3 属性相关性的正则化
        4.2.4 基于双图正则化的属性网络社团检测目标函数
    4.3 属性网络社团检测模型求解
        4.3.1 模型求解过程
        4.3.2 算法复杂度与收敛性分析
    4.4 实验与应用
        4.4.1 真实网络中的社团检测性能
        4.4.2 模型鲁棒性测试
        4.4.3 社团的属性意义
        4.4.4 参数分析
    4.5 本章小结
第五章 基于约束置信度学习的半监督社团检测
    5.1 引言
    5.2 基于约束置信度学习的半监督社团检测
        5.2.1 一个演示的例子
        5.2.2 链接约束置信度学习
        5.2.3 基于LCRL的半监督社团检测
    5.3 实验结果与分析
        5.3.1 实验设置
        5.3.2 性能比较
        5.3.3 参数分析
    5.4 本章小结
第六章 总结与展望
    6.1 研究工作总结
    6.2 下一步研究工作的展望
参考文献
攻读博士学位期间发表的学术论文
攻读博士学位期间参加的科研项目
致谢



本文编号：3740445