基于局部扩张的社交网络社区发现方法研究

发布时间：2017-09-01 12:31

  本文关键词：基于局部扩张的社交网络社区发现方法研究

  更多相关文章： 社区结构 社交网络 局部扩张 团结构 邻接性 模块化优化

【摘要】：社区发现源于对社交网络、生物神经网络等复杂网络结构的分析,在病毒传播防范、消息转发策略和多跳自组路由协议设计等方面具有重要应用。随着人类社交活动与网络逐渐融为一体,如交朋友、购物、学习等都变为网络模式,使得社区发现越来越受到研究人员的关注。复杂社交网络的大规模性和动态变化特性使得局部社区发现方法更受关注,与全局方法比较,局部方法不仅简单、快速、灵活,而且具有很高的应用价值。本文采用局部方法进一步探测社交网络的内部结构,提出了两种新的局部社区发现算法,具体内容如下。首先,根据社交网络社区结构重叠性特点,本文提出了一种基于局部扩张查询的重叠社区探测算法,即OCLEQ。该算法通过查询技术展开局部扩张,利用了查询模式的灵活性;而且该算法还借助了团结构和团之间的邻接性,这样就可以很容易地实现重叠社区的发现;此外,OCLEQ通过一个新的度量标准检测和划分遗漏点,进一步提高了准确性。其次,根据社交网络中边的加权特性,提出了基于加权网络核心节点局部扩张的社区发现算法——WCCE。该算法实质上是一个分层的局部扩张算法。算法初始是基于核心节点的扩张,然后是局部扩张和社区归一的迭代循环。分层扩张使得网络规模也不断缩减,这样使得算法变得简易可行。此外,WCCE通过对遗漏节点的检测和划分保证了社区发现的质量。最后,在基准数据集和真实数据集上对以上算法做了验证,实验结果表明,本文所提方法在社区发现质量和时间复杂度上均有明显提高。
【关键词】：社区结构 社交网络 局部扩张 团结构 邻接性 模块化优化
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：O157.5;TP301.6
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-16
• 1.1 研究背景与意义10-11
• 1.2 国内外研究现状及分析11-14
• 1.3 本文研究思路和内容14-15
• 1.4 本文组织结构15-16
• 第2章 相关理论概述16-26
• 2.1 社交网络16-20
• 2.1.1 社交网络的表示16-18
• 2.1.2 社交网络的属性18-20
• 2.2 社区结构20-21
• 2.2.1 社区结构的概念与表示20
• 2.2.2 社区结构的重叠性20-21
• 2.2.3 社区发现的认识21
• 2.3 社区发现相关算法21-25
• 2.3.1 谱聚类方法21-22
• 2.3.2 模块度优化算法22-23
• 2.3.3 分裂式层次聚类算法23
• 2.3.4 聚合式层次聚类算法23-24
• 2.3.5 社区发现算法的演化24-25
• 2.4 本章小结25-26
• 第3章 基于局部扩张查询的重叠社区发现26-36
• 3.1 基于团定义的社区27-29
• 3.1.1 团结构27-28
• 3.1.2 邻接性28-29
• 3.2 基于局部扩张查询的重叠社区发现模型29-34
• 3.2.1 寻找包含查询点的k准团算法30-31
• 3.2.2 扩张算法的实现31-32
• 3.2.3 遗漏节点的检测和划分32-34
• 3.2.4 算法分析与优势总结34
• 3.3 本章小结34-36
• 第4章 基于加权网络核心节点局部扩张的社区发现36-46
• 4.1 基本概念及其定义37-39
• 4.1.1 加权社交网络37
• 4.1.2 核心节点37-38
• 4.1.3 加权社区模块度38-39
• 4.2 算法描述39-44
• 4.2.1 核心节点的选择40-41
• 4.2.2 基于核心节点的扩张41-43
• 4.2.3 遗漏节点的检测和划分43-44
• 4.3 算法分析44
• 4.4 本章小结44-46
• 第5章 实验结果与分析46-56
• 5.1 仿真环境46
• 5.2 仿真数据集46-48
• 5.3 性能评估标准48-49
• 5.4 基于局部扩张查询社区发现算法49-52
• 5.4.1 参数k的影响49
• 5.4.2 社区发现质量49-52
• 5.4.3 运行时间52
• 5.5 基于加权网络局部扩张的社区发现52-55
• 5.6 本章小结55-56
• 结论56-58
• 参考文献58-62
• 攻读硕士学位期间承担的科研任务与主要成果62-63
• 致谢63-64
• 作者简介64

【相似文献】

中国期刊全文数据库 前10条

1 智源;行飞;;复杂网络社区结构问题综述[J];阴山学刊(自然科学);2011年03期

2 王林;戴冠中;赵焕成;;一种新的评价社区结构的模块度研究[J];计算机工程;2010年14期

3 韩瑞凯;孟嗣仪;刘云;郭英慧;张彦超;;基于兴趣相似度的社区结构发现算法研究[J];铁路计算机应用;2010年10期

4 刘旭;易东云;;基于保守合并策略的复杂网络社区结构发现[J];复杂系统与复杂性科学;2011年04期

5 黄发良;肖南峰;;用于网络重叠社区发现的粗糙谱聚类算法[J];小型微型计算机系统;2012年02期

6 马瑞新;邓贵仕;王晓;;启发式动态社区挖掘算法研究与实现[J];大连理工大学学报;2012年02期

7 梁沙沙;;复杂网络重叠社区结构发现算法研究[J];阴山学刊(自然科学);2013年02期

8 刘大有;金弟;何东晓;黄晶;杨建宁;杨博;;复杂网络社区挖掘综述[J];计算机研究与发展;2013年10期

9 时京晶;;三种经典复杂网络社区结构划分算法研究[J];电脑与信息技术;2011年04期

10 黄发良;肖南峰;;基于线图与PSO的网络重叠社区发现[J];自动化学报;2011年09期

中国重要会议论文全文数据库 前3条

1 刁元波;李梦龙;文志宁;印家健;郑波;;人类细胞信号网络社区结构分析[A];第九届全国计算（机）化学学术会议论文摘要集[C];2007年

2 刘欣;李德毅;李兵;王树良;陶志伟;;复杂网络社区发现研究[A];2006全国复杂网络学术会议论文集[C];2006年

3 单波;姜守旭;张硕;高宏;李建中;;IC:动态社会关系网络社区结构的增量识别算法[A];第26届中国数据库学术会议论文集（A辑）[C];2009年

中国重要报纸全文数据库 前1条

1 记者 熊明 实习生 李瑞莹;度假区不断创新社区结构[N];云南日报;2013年

中国博士学位论文全文数据库 前5条

1 杜楠;复杂网络中社区结构发现算法研究及建模[D];北京邮电大学;2009年

2 李一啸;基于复杂网络和演化博弈理论的社会[D];浙江大学;2010年

3 韩院彬;Web服务网络分析和社区发现研究[D];天津大学;2014年

4 谢辉;基于复杂网络的若干动态机制研究[D];西安电子科技大学;2013年

5 任薇;基于微博的社会网络特征研究[D];西南大学;2014年

中国硕士学位论文全文数据库 前10条

1 戴飞飞;基于进化算法的复杂网络社区结构发现[D];电子科技大学;2008年

2 王熙;复杂网络中的层次重叠社区发现及可视化[D];北京交通大学;2010年

3 徐李恒;复杂网络社区发现方法研究[D];太原理工大学;2011年

4 李兆南;基于距离相似度的复杂网络社区挖掘方法[D];吉林大学;2011年

5 商源纯;复杂网络中的重叠社区发现算法研究[D];北京交通大学;2011年

6 吴婷婷;基于极大度数节点的复杂网络社区层次结构发现研究[D];华南理工大学;2011年

7 王亮;基于局部聚类的复杂网络社区发现算法研究[D];大连理工大学;2011年

8 严姣;基于主题模型的社区发现研究[D];西南大学;2012年

9 钟芬芬;复杂网络社区发现算法研究[D];西安电子科技大学;2012年

10 史达鑫;一种基于信息流核心的复杂网络动态社区追踪方法[D];华中科技大学;2013年

，

本文编号：772098