复杂网络中重叠社区发现方法研究

发布时间：2018-01-14 09:26

  本文关键词：复杂网络中重叠社区发现方法研究　出处：《中国矿业大学》2017年博士论文　论文类型：学位论文

  更多相关文章： 复杂网络 社区发现 重叠节点 重叠社区结构 属性网络

【摘要】：自然界中的很多系统都可以表示为复杂网络的形式,即将自然界中的各个实体抽象为网络中的节点,实体与实体之间的关系抽象为网络中的边。复杂网络已经成为一个立足于交叉学科的研究热点。大量研究表明,复杂网络中的节点具有聚集化的特性,即复杂网络的社区结构特征,表现为社区内部节点之间连接稠密,社区之间的节点连接相对稀疏。社区结构有助于理解网络的拓扑结构及功能结构,发现其中隐藏的规律并预测其行为,从而为利用和改造网络提供指导,是进行复杂网络分析的基础和关键,具有极为重要的意义。社区结构在现实世界中往往是“重叠”的,即社区与社区之间有交叉,许多节点同时属于多个社区。复杂网络重叠社区结构更加贴近现实世界的本来面貌,例如,社会的人通常属于多个社会团体,包括家人团体、同事团体、朋友团体和合作伙伴团体等。研究和发现复杂网络中的重叠社区结构具有重要的理论和现实意义。本课题主要围绕复杂网络中的节点重要性计算、重叠节点选择、局部社区扩展以及属性网络社区发现等四个方面存在的问题进行研究,主要包括以下几个方面的内容:1.为了得到稳定的社区发现结果,提出一种基于节点影响值的稳定标签传播算法。该算法以节点影响值降序排列作为每次标签传播过程中节点的顺序,在标签更新过程中,引入标签影响强度的概念,使得每次更新都能得到确定的标签。通过节点影响值和标签影响强度的计算,避免了原算法中的随机因素,不仅能得到稳定的社区发现结果,并且算法的性能优于其他几种代表性的社区发现算法。2.为了在已知非重叠社区结构的基础上继续挖掘,得到重叠社区结构,提高重叠社区发现的效率,提出一种基于非重叠社区结构扩展的重叠社区发现算法。该算法通过计算节点与社区的相似度,划定各个社区的潜在成员节点范围,然后根据节点对社区的影响力,确定最终的重叠节点。该算法能够有效的利用已有的非重叠社区结构,通过潜在成员节点的划定,进一步缩小了重叠节点查找的范围,提高了算法的效率,并且得到的重叠节点的质量也很高。3.针对基于网络全局的社区发现算法时间开销较大,不适用于大规模网络的问题,提出一种基于局部扩展的社区发现算法。该算法通过对网络的局部信息进行分析,挖掘出每条边对应的两个端点及其公共邻接点组成的局部社区,然后对重叠度高的社区进行合并,每次分析只考虑相邻节点或相邻社区的关系,缩小了计算范围,能够适应于大规模网络的社区发现。4.大多数现有的社区发现算法只利用网络的拓扑结构信息,忽略了节点属性这一重要信息,为此,提出一种基于节点耦合相似度的属性网络社区发现算法。该算法充分考虑不同层次的复杂的交互关系,计算节点耦合相似度,然后以两节点的相似度作为对应边的权重,最后利用带权网络社区发现算法得到网络的社区结构。该算法有效利用了网络中的节点属性信息和拓扑结构信息,提高了社区发现的质量。最后,在模拟和真实网络数据集上进行了实验,分别与同类算法中具有代表性的社区发现算法进行比较,实验结果印证了本文所提算法的有效性。
[Abstract]:In order to obtain a stable community structure and to improve the efficiency of overlapping community discovery , it is very important to study and discover overlapping community structures in complex networks . In this paper , a kind of network community discovery algorithm based on node - coupled similarity is proposed , which takes full account of the complex interactive relationship of different levels , calculates the node coupling similarity , then uses the similarity of two nodes as the weights of the corresponding edges . Finally , the paper compares the node attribute information and the topology information in the network to improve the quality of community discovery . Finally , the simulation and real network data set are compared with the representative community discovery algorithm in the same kind of algorithm .

【学位授予单位】：中国矿业大学
【学位级别】：博士
【学位授予年份】：2017
【分类号】：O157.5

【相似文献】

相关期刊论文 前10条

1 张晓;王金龙;吴启晖;;认知无线电中基于可信度的感知节点集选择[J];应用科学学报;2009年06期

2 胡泰培;关于环网的直径[J];应用数学学报;1993年01期

3 刘文军;谷云东;李洪兴;;基于相似度的样本分类算法(英文)[J];模糊系统与数学;2006年05期

4 秦玉平;杨兴凯;;基于案例推理的区间属性相似度研究[J];辽宁师范大学学报(自然科学版);2006年04期

5 徐晓静;李健;;静态粗相似度的特征[J];山东大学学报(理学版);2006年06期

6 彭沛黄丽影;;秩数分级相似预报法[J];华侨大学学报;1983年02期

7 路志鸣;;基于相似度的特殊地形模糊表达[J];大众科技;2009年04期

8 陈树伟;王延昭;;一种基于模糊数相似度的风险分析方法[J];模糊系统与数学;2013年05期

9 李海欧;周晓光;;基于属性相似度的碎多边形自动聚合处理[J];测绘与空间地理信息;2013年11期

10 张峰;谢振华;林健;程江涛;崔高仑;;基于改进相似度的混合型多属性决策方法[J];海军航空工程学院学报;2014年01期

相关会议论文 前10条

1 许晓荣;章坚武;黄爱苹;;基于多节点协作的认知WSN能耗优化算法[A];浙江省信号处理学会2011学术年会论文集[C];2011年

2 刘海波;郑德权;赵铁军;;基于相似度线性加权方法的检索结果聚类研究[A];中国计算语言学研究前沿进展（2009-2011）[C];2011年

3 陆劲挺;路强;刘晓平;;对比相似度计算方法及其在功能树扩展中的应用[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

4 董刊生;方金云;;基于向量距离的词序相似度算法[A];第四届全国信息检索与内容安全学术会议论文集（上）[C];2008年

5 刘晓平;陆劲挺;;任意功能树的物元相似度求解方法[A];全国第21届计算机技术与应用学术会议（CACIS·2010）暨全国第2届安全关键技术与应用学术会议论文集[C];2010年

6 王茜;张卫星;;基于分类树相似度加权的协同过滤算法[A];2008年计算机应用技术交流会论文集[C];2008年

7 洪文学;王金甲;常凤香;宋佳霖;刘文远;王立强;;基于图形特征增强的相似度分类器的研究[A];中国生物医学工程进展——2007中国生物医学工程联合学术年会论文集（上册）[C];2007年

8 雷庆;吴扬扬;;一种基于语义信息计算XML文档相似度的新方法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

9 叶正;林鸿飞;杨志豪;;基于问句相似度的中文FAQ问答系统研究[A];第三届学生计算语言学研讨会论文集[C];2006年

10 罗辛;欧阳元新;熊璋;袁满;;通过相似度支持度优化基于K近邻的协同过滤算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

相关博士学位论文 前10条

1 邢艳;复杂网络中重叠社区发现方法研究[D];中国矿业大学;2017年

2 关世杰;Internet宏观拓扑演变过程中的进化、自复制和突变特征研究[D];东北大学;2014年

3 冯诚;车联网中的数据聚集研究[D];哈尔滨工业大学;2015年

4 田传耕;含纯发节点的无线传感网关键技术研究及应用[D];中国矿业大学;2016年

5 刘克中;无线传感器网络分布式节点定位方法研究[D];华中科技大学;2006年

6 廖卓凡;无线网络中保证覆盖连通的节点部署问题研究[D];中南大学;2012年

7 操震洲;矢量数据动态多尺度网络传输研究[D];南京大学;2015年

8 程亮;基于本体的疾病数据整合与挖掘方法研究[D];哈尔滨工业大学;2014年

9 刘振宇;基于区域相似度和特征降维的极化SAR影像分类[D];武汉大学;2013年

10 曹，

本文编号：1423003