面向复杂网络的结构模式挖掘及传播动力学模型研究

发布时间：2017-04-21 11:24

  本文关键词：面向复杂网络的结构模式挖掘及传播动力学模型研究，，由笔耕文化传播整理发布。

【摘要】：随着复杂网络在计算机科学、社会学、物理学、生物信息学、遗传工程学等不同领域得到了广泛的应用,基于复杂网络的应用和数据的数量呈现爆炸式的增长。而复杂网络数据具有复杂性、不规则性、高容量性等特征,传统的数据挖掘方法已经无法适用于复杂网络,因此迫切需要与之相适应的数据挖掘技术。目前,面向复杂网络的数据挖掘技术的研究尚处于起步阶段。虽然在复杂网络中的结构模式挖掘与传播动力学模型领域已经有部分研究成果,但这些研究大多较为独立、分散,且重复性较多,抽象化程度不够,尚未形成体系。本文针对复杂网络数据挖掘的理论和方法进行了研究和总结,分析复杂网络数据挖掘的过程,建立了面向复杂网络数据的基本挖掘流程和框架体系。在此基础上,分别就复杂网络概述技术、复杂网络子图检索技术、复杂网络传播动力学模型技术等展开了深入研究与探讨：(1)面向复杂网络的基本数据挖掘框架体系研究基于复杂网络数据的特点,结合传统数据挖掘的过程,提出了抽象、统一的面向复杂网络数据的基本挖掘流程和框架体系。分析并给出了复杂网络的基本概念和定义,阐述了经典的复杂网络的拓扑结构和特性,并从宏观和微观的角度介绍了复杂网络的信息传播行为。(2)基于虚连接和实连接的复杂网络概述技术研究分析复杂网络中包含多值属性和网络拓扑结构的特点,结合属性相似度和结构相似度的概念,提出虚拟图的模型以及复杂网络描述框架。通过考虑虚连接(属性)和实连接(结构),将复杂网络中的相似节点汇聚到k个非重叠的群中,提出了面向复杂网络概述的SGVR算法。在模型实现中,提出基于HB图的新型数据结构和高效的子群调整方法,以优化复杂网络的分组结果。基于用户选择的属性,并通过基于堆栈的存储方法,提出了针对多重解析度的概述方法。实验结果表明,SGVR算法不仅是有效的,而且其执行效率与其它算法相比更为高效。(3)基于邻接树的复杂网络子图检索技术研究针对复杂网络中的图匹配问题,给出了基于复杂网络结构模式的图匹配框架。提出基于邻接树的新型图索引结构,通过使用节点邻近信息的树结构来对查询结果进行剪枝操作,以过滤阴性节点。采用规范化的无序树,以及使用字符串比较技术来加速子树包含的过程,并通过图搜索代价模型来决定节点搜索的顺序。实验评估在不同的结构模式下,邻接树模式具有较强的节点剪枝和查询重构能力。通过在真实和人造数据集上进行的实验表明,基于邻接树的复杂网络查找方法在图匹配的性能等方面超过了其他同类的索引方法。(4)基于情感分析的复杂网络传播动力学模型研究针对复杂网络中信息传播的预测问题,提出了基于情感分析的“传播者—无知者—免疫者”模型,即ESIS模型。采用情感分析方法,对复杂网络中的信息流进行细粒度的情感分类。通过计算复杂网络中不同的边权重值,赋予每种情感的不同转发强度。采用平均场公式,分别计算每种情感信息传播的临界值,以及免疫者用户的最终大小。通过实验模拟并预测信息传播的过程,验证ESIS模型的有效性。实验结果表明,含有“高兴”情感的信息传播范围是最广的,而含有“愤怒”情感的信息所占比例最低。
【关键词】：复杂网络 数据挖掘 结构模式挖掘 子图同构 图概述 信息传播 动力学模型 传染病模型 情感分析
【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP311.13;O157.5
【目录】：

• 摘要4-6
• Abstract6-14
• 第1章 绪论14-26
• 1.1 研究背景14-17
• 1.2 研究目标17-19
• 1.3 复杂网络数据挖掘中存在的问题19-21
• 1.4 论文的主要贡献21-22
• 1.5 论文组织结构22-24
• 1.6 本章小结24-26
• 第2章 相关研究工作综述26-40
• 2.1 引言26
• 2.2 为什么需要复杂网络的数据挖掘26-27
• 2.3 复杂网络结构模式挖掘技术工作综述27-32
• 2.3.1 复杂网络子图同构计算技术28-30
• 2.3.2 复杂网络的图概述技术30-32
• 2.4 复杂网络中传播动力学模型的研究现状32-34
• 2.4.1 情感分类技术32-33
• 2.4.2 信息传播模型及技术33-34
• 2.5 复杂网络数据挖掘的相关研究项目34-37
• 2.6 现有问题和不足37-39
• 2.7 本章小结39-40
• 第3章 复杂网络中的数据挖掘框架40-54
• 3.1 引言40
• 3.2 复杂网络数据挖掘框架研究的必要性及研究方法40-41
• 3.3 复杂网络的数据模型41-48
• 3.3.1 基本概念和定义41-44
• 3.3.2 复杂网络的拓扑结构和特性44-46
• 3.3.3 复杂网络的信息传播动力学行为46-48
• 3.4 复杂网络数据挖掘的框架48-52
• 3.5 本章小结52-54
• 第4章 基于虚连接和实连接的复杂网络概述方法54-82
• 4.1 引言54-56
• 4.2 虚拟图模型的提出56-63
• 4.2.1 复杂网络中带属性的图模型56-59
• 4.2.2 虚拟图中节点的分类59-63
• 4.3 基于虚连接和实连接的复杂网络概述算法SGVR63-68
• 4.3.1 算法概述63-65
• 4.3.2 基于相似连接同构的分类方法65-67
• 4.3.3 算法效率的评估67-68
• 4.4 面向群组的算法优化68-74
• 4.4.1 针对分类优化的节点调整68-73
• 4.4.2 优化的有效性评估73-74
• 4.5 实验结果与性能评估74-78
• 4.5.1 实验数据集及评价指标74-76
• 4.5.2 算法的有效性和性能评估76-78
• 4.6 本章小结78-82
• 第5章 基于邻接树的复杂网络查找方法82-108
• 5.1 引言82-85
• 5.2 问题定义与描述85-86
• 5.3 基于模式匹配的算法框架及其性能评估86-92
• 5.3.1 基于模式匹配的算法框架86-90
• 5.3.2 不同邻近模式的性能评估90-92
• 5.4 基于邻接树的索引构建92-99
• 5.4.1 邻接树结构92-97
• 5.4.2 索引构建97-99
• 5.5 查询过程重构99-101
• 5.5.1 邻接树的连接操作99
• 5.5.2 查询顺序的优化99-101
• 5.6 实验结果及性能评估101-106
• 5.6.1 真实网络数据集101-104
• 5.6.2 人造数据集104-106
• 5.7. 本章小结106-108
• 第6章 基于情感分析的复杂网络传播动力学模型108-138
• 6.1 引言108-110
• 6.2 相关研究基础110-114
• 6.2.1 传统的传染病传播动力学模型110-112
• 6.2.2 典型的免疫策略112-114
• 6.3 问题描述114-116
• 6.4 基于情感分析的SIS模型116-124
• 6.4.1 基本概念117-120
• 6.4.2 基于情感分析的SIS模型的提出120-121
• 6.4.3 临界值λ_c与免疫者最终密度r_f的计算121-124
• 6.5 实验分析及评估124-136
• 6.5.1 人工网络数据集124-126
• 6.5.2 真实社交网络数据集126-133
• 6.5.3 临界值λ_c与免疫者最终密度r_f的实验结果133-134
• 6.5.4 模型实验效果的评估134-136
• 6.6 本章小结136-138
• 第7章 结论和展望138-144
• 7.1 论文工作总结138-140
• 7.1.1 论文主要研究工作138-140
• 7.1.2 论文创新点140
• 7.2 进一步研究方向140-141
• 7.3 未来工作展望141-144
• 参考文献144-162
• 攻读博士学位期间主要的研究成果162-166
• 致谢166-167

【参考文献】

中国期刊全文数据库 前2条

1 周涛;张子柯;陈关荣;汪小帆;史定华;狄增如;樊瑛;方锦清;韩筱璞;刘建国;刘润然;刘宗华;陆君安;吕金虎;吕琳媛;荣智海;汪秉宏;许小可;章忠志;;复杂网络研究的机遇与挑战[J];电子科技大学学报;2014年01期

2 韩毅;许进;方滨兴;周斌;贾焰;;社交网络的结构支撑理论[J];计算机学报;2014年04期

  本文关键词：面向复杂网络的结构模式挖掘及传播动力学模型研究，由笔耕文化传播整理发布。

本文编号：320260