基于网络拓扑结构的社团演化研究

发布时间：2017-10-07 17:00

  本文关键词：基于网络拓扑结构的社团演化研究

  更多相关文章： 拓扑结构 社团演化 关键事件 预测算法

【摘要】：复杂网络中由节点和节点间的连接组成的结构称为网络拓扑结构,社交网络是把人抽象为节点、把人与人之间的关系抽象为节点间连接的一种典型复杂网络。社团是代表社交网络重要特征的一种子网络,其拓扑结构随着时间的推移在不断发生变化,我们称之为社团演化,并将社团演化过程中的消亡,新生,收缩,扩张,分裂和融合称为社团演化关键事件。社团的网络拓扑结构随着社团演化及其关键事件的发生呈现出不同的特征。社交网络中关键事件的发生代表着用户群体的行为导向,可能意味着一些兴趣因素或社会因素的形成,对关键事件进行预测有助于提前挖掘这些因素并指导网络行为。因此,对社团演化关键事件的预测对于理论研究和实际应用都有非常重要的意义。 社团融合事件的发生涉及多个社团,但以往的研究只能预测单个社团是否有融合倾向。本课题完善了该预测功能,提出的预测模型可以预测任意两个目标社团是否会发生融合。建立预测模型的过程中,通过分析社团融合过程中拓扑结构的变化机制改进了与社团融合相关的直接因素,并通过链路预测思想设计了社团级别链路预测算法来提取间接因素,以削弱直接因素带来的不确定性从而提高预测准确率。之后同时建立了以往研究中常用的分类器模型和本课题设计的社团融合倾向度模型,分别代入真实社交网络数据集,对预测结果进行比较和分析,得到社团融合倾向度模型对正常状态下的社交网络中社团融合的预测性能更好的结论,并验证了本课题所改进的直接因素和提取的间接因素对预测性能的提升。 以往研究中针对各种社团演化关键事件的预测步骤大同小异,为方便其研究过程和应用实现,本课题设计了社团演化预测系统。总结以往研究中社团演化预测的基本步骤,将该系统划分出主要的三个引擎模块(社团提取模块,关键因素提取模块以及社团演化预测模块)以及输入、输出模块和数据存储模块,并针对本课题的研究重点—社团融合事件的预测,对各模块进行了具体的设计和实现。 最后,本文总结了本课题的研究工作,并在算法设计和系统设计两方面提出了后续可能的改进点和研究方向。
【关键词】：拓扑结构 社团演化 关键事件 预测算法
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：O157.5
【目录】：

• 摘要4-6
• ABSTRACT6-11
• 第一章 绪论11-17
• 1.1 课题背景与研究意义11-12
• 1.2 研究现状12-13
• 1.3 论文研究内容13-15
• 1.4 论文结构安排15-17
• 第二章 相关技术理论介绍及社团演化预测系统整体设计17-37
• 2.1 基本概念介绍17-25
• 2.1.1 网络的图表示17-19
• 2.1.2 网络拓扑图重要概念19-21
• 2.1.3 网络社团定义21-22
• 2.1.4 判断标准——模块度22
• 2.1.5 动态社团相关概念22-25
• 2.2 社团演化目前的典型研究25-30
• 2.2.1 动态社团挖掘算法改进类研究25-27
• 2.2.2 社团演化过程分析类研究27-28
• 2.2.3 社团演化预测类研究28-30
• 2.3 与本课题相关的思考30-31
• 2.4 社团演化预测系统设计31-35
• 2.4.1 系统功能需求分析31-32
• 2.4.2 系统模块划分设计32-33
• 2.4.3 系统数据处理流程设计33-35
• 2.4.4 系统实现环境35
• 2.5 本章小结35-37
• 第三章 数据预处理模块及社团提取模块37-49
• 3.1 模块设计需求分析37-38
• 3.1.1 数据预处理模块需求分析37
• 3.1.2 动态社团提取模块需求分析37-38
• 3.2 数据预处理模块设计及本课题所用数据介绍38-41
• 3.2.1 原始数据需求38-39
• 3.2.2 数据清洗39
• 3.2.3 时间片划分39-40
• 3.2.4 训练集预测输入集划分40-41
• 3.2.5 模块功能示意图41
• 3.3 社团提取模块设计41-45
• 3.3.1 静态社团挖掘算法——Fast-Unfolding42-43
• 3.3.2 动态社团挖掘算法——GED43-44
• 3.3.3 社团融合事件提取44
• 3.3.4 模块功能示意图44-45
• 3.4 模块实现方案45-48
• 3.5 本章小结48-49
• 第四章 关键因素提取模块49-69
• 4.1 关键因素改进需求分析49-50
• 4.2 直接因素50-58
• 4.2.1 直接因素改进50-53
• 4.2.2 改进后直接因素与社团融合的相关性验证及对比分析53-58
• 4.3 间接因素——社团级别链路预测算法58-64
• 4.3.1 链路预测基本算法58-59
• 4.3.2 社团级别链路预测算法的设计59-61
• 4.3.3 间接因素与社团融合相关性验证61-64
• 4.3.4 社团级别链路预测算法效率分析64
• 4.4 模块功能示意图64-65
• 4.5 模块实现方案65-67
• 4.6 本章小结67-69
• 第五章 社团演化预测模块及数据输出模块69-83
• 5.1 社团演化预测模块设计需求69
• 5.2 社团融合预测算法69-75
• 5.2.1 预测算法设计一(SVM分类器)70-72
• 5.2.2 预测算法设计二(社团融合倾向度)72-75
• 5.3 实验结果及性能提升75-78
• 5.4 模块功能示意图78-79
• 5.5 数据输出模块79-80
• 5.5.1 数据输出展示需求79-80
• 5.5.2 模块功能示意图80
• 5.6 模块实现方案80-82
• 5.7 本章小结82-83
• 第六章 结论和展望83-85
• 参考文献85-89
• 致谢89

【参考文献】

中国期刊全文数据库 前1条

1 周涛,傅忠谦,牛永伟,王达,曾燕,汪秉宏,周佩玲;复杂网络上传播动力学研究综述[J];自然科学进展;2005年05期

，

本文编号：989000