关键词： 用频规划   多目标优化   蚁群算法   贪心策略   社团检测  

摘要： 为全面描述联合作战用频规划问题,引入多目标优化理论,以干扰冲突最少、需求满足最高和邻频风险最低作为优化目标建立了多目标的联合作战用频规划模型,并提出一种求解联合作战用频规划问题的非支配排序蚁群算法.在蚁群初始化阶段使用带贪心策略的爬山算法获取次优解集合以提升蚁群前期收敛速度,并运用社团检测机制将用频装备分簇以减少电磁干扰分析的计算复杂度从而加快算法进程.同时,在算法每次迭代中对得到的用频规划方案执行调度改进操作,并自适应调整信息素挥发系数等参数,以提升算法全局优化性能.仿真实验验证了模型的有效性,并通过反转世代距离与超体积指标证明了算法在收敛性、分布性与收敛速度上的优越性.

关键词： 院校竞争网络   社团检测   复杂网络   平行志愿  

摘要： 平行志愿录取规则与优质生源的紧缺使得院校在高考招生时存在激烈的竞争关系。从网络科学视角正确理解院校竞争关系,能够合理地指导考生进行志愿填报。利用2019年山西省高考理科录取成绩,通过改进的Jaccard相似度计算方法,构建院校竞争网络的邻接矩阵。基于复杂网络度量方法,实证研究院校竞争网络得到:1)度分布存在一定的异质性,且具有较大的平均度;2)簇度负相关表明院校竞争网络存在层次结构;3)富人俱乐部连通性表明度数大于375的院校完全连通构成富人俱乐部;4)利用基于节点标签与网络结构的社团划分算法,通过基尼不纯度评估社团内院校的同质性,进一步利用Louvain算法识别社团内院校存在层次化差异结构。这些实证结果刻画了院校竞争关系,在此基础上归纳了一些指导考生进行合理、分梯度志愿填报的建议和策略。

关键词： 舆情情报分析   符号网络   深度学习   社团检测   社交网络   非负矩阵分解   微博  

摘要： [研究目的]面向在线社交网络舆情数据,基于符号网络建模舆情实体的正负关系,研究符号网络社团检测模型挖掘舆情数据中的语义社团,进一步推演出对于某事件群众的普遍看法,适用于真实社会网络中的事件检测,有助于创新舆情情报分析方法。[研究方法]主要从符号网络特性入手,在半非负分解过程中引入深度学习的框架,提出深度半非负矩阵分解模型(DSNMF),进一步将舆情情报分析及复杂网络科学有机结合,利用“‘司马3忌’举报韩红爱心慈善基金会”热点事件所产生的微博舆情数据构建舆情情感符号网络,基于DSNMF模型进行舆情情报实证分析。[研究结论]大量实验表明:DSNMF模型有效提升了符号网络社团检测性能;证实了符号网络社团检测模型在舆情情报分析中的有效性。

关键词： 犯罪数据分析   复杂网络   社团检测   诈骗模式  

摘要： 近年诈骗犯罪呈现高发事态增长,对人民的生产与生活产生重大影响。从诸多犯罪数据中挖掘诈骗犯罪的模式有助于制定合适的措施以节制诈骗案件的发生,有力保护人民财产,构建和谐社会。基于诈骗犯罪数据,通过抽取涉案人员、地点、时间等实体构建犯罪复杂网络,用于挖掘犯罪事件中的主体对象、对象间关系与团伙结构,由此确定了六类典型欺诈模式,为诈骗犯罪的侦破与预防提供理论和技术支撑。

关键词： 固件比对   社团检测   复杂网络   函数相似性   BGLL算法  

摘要： 固件比对是二进制比对技术的重要分支.然而,既往研究关注于函数的表示方法的优化却忽略了对过滤器的设计优化,导致固件常因包含同构函数引发误匹配,以致现有二进制比对技术应用于固件比对时效果不够理想.为此,提出基于社团检测算法的固件比对技术,首次将复杂网络相关理论应用于二进制比对领域.通过社团检测算法将固件内的函数划分为若干社团,利用社团匹配实现过滤器的功能,再根据匹配社团寻找匹配函数;此外,优化了函数相似度计算方法,设计了操作数相似性计算方法.在实现原型系统后,使用1382个固件构建2个数据集进行实验,验证了可行性,分析了基于社团检测算法的固件比对方法的性能,确定了各参数的合理取值,设计了评估指标可信匹配率,并比较了该方法与Bindiff的比对效果.实验表明:该方法可以提升Bindiff比对结果5%~11%的正确率.

关键词： 复杂网络分析   社团检测   社团隐藏   频繁项集   粗糙集理论  

摘要： 互联网和社交媒体激发了对社交网络分析的巨大兴趣,社团检测已经成为社交网络挖掘的重点领域之一,具有十分重要的研究意义。算法和工具不断被开发来分析我们的个人关系、社团关系,这在帮助我们研究群体之间相互作用、预测复杂系统的隐含关系的同时,也引发了隐私问题。因此,在本文中我们对社团检测和社团隐藏问题进行了研究,提出了一种基于粗糙集理论挖掘频繁项集的社团检测算法FIR（Detect Community by mining Frequent Itemsets based on Rough set theory）,以及基于遗传策略的社团隐藏算法GCH（Community Hiding algorithm based on Genetic strategy）。（1）基于粗糙集理论挖掘频繁项集的社团检测算法FIR。该算法首先应用多次随机游走获得节点序列组;然后,在粗糙集理论的指导下,我们通过挖掘节点序列组中下近似区域的频繁项集来构成初始社团;最后,网络中还有一些社团归属较弱的边缘节点没有进入任何初始社团,为了确定这些剩余节点的归属,我们设计出基于模块度划分的FIR–M和基于归属度划分的FIR–A两种策略,来完成社团的划分。我们在一些真实网络和合成网络上展开了实验,并与一些广泛使用的社团检测算法的检测结果进行了对比。实验结果证明,FIR可以有效地获得高质量的社团结构,其结果明显优于对比算法的结果。（2）基于遗传策略的社团隐藏算法GCH。该算法基于遗传算法框架,通过调整外来社团的社团归属以及与初始网络的连边,将外来社团隐藏进原始网络,从而使社团检测算法无法将外来社团成员识别在同一个社团中,即社团检测算法对外来社团的检测失效。GCH采用归属矩阵和邻接矩阵共同编码,首先,初始化外来社团与原始网络的连接,生成P个新的网络（个体）;然后,在P个网络上迭代地进行交叉、变异操作,并构建安全分数S和预算分数B作为适应度函数来评估个体的质量,迭代结束后,我们使用NSGA-Ⅱ算法选择第一前沿的帕累托最优解,作为外来社团隐藏进原始网络的最终网络结构;最后,我们在得到的网络结构上执行社团检测算法,使用隐藏分数H来评估外来社团的隐藏效果。实验证明,GCH可以有效地隐藏外来社团,使社团检测算法对外来社团的检测失效,但FIR却相对其他社团检测算法有较高的检测性能。

关键词： 欺诈检测   异常检测   复杂网络   社团检测   信用卡交易  

摘要： 通信技术、数字技术、电子信息技术在社会与经济的发展下已经到了一个新的阶段,创造出了一个具有高度联系性的世界。人们在社交网络上进行通信、浏览、交易等产生了大量的数据。由于社交网络的开放性,这些数据能够轻易的被其他用户所获取,这就受到了一些恶意用户的关注,将这些数据当作发布错误信息、进行恶作剧和犯罪的平台。我国自改革开放以来,电子信息技术逐渐在金融领域占有自己的一席之地,尤其是信用卡业务,它正在渐渐的成为大众普遍使用的非现金支付工具。与此同时,一些恶意或非法用户趁虚而入,使用各种各样的欺诈手段进行欺诈活动,致使我国的欺诈交易的数量不断地增长,金融机构每年都面临巨大的经济损失。因此,如何检测信用卡欺诈已成为金融欺诈检测领域的研究趋势。本文首先对选题的相关背景与意义进行了阐述,同时介绍了有关信用卡欺诈检测、复杂网络社团检测以及基于复杂网络的图的异常检测的研究现状与发展。之后阐述了所使用的复杂网络社团检测的相关理论知识。为了检测信用卡欺诈带来的巨大经济损失,识别出这些恶意或非法用户,及时制止信用卡欺诈行为,在阅读了大量的信用卡欺诈检测和复杂网络社团检测的相关文献之后,提出了一个基于网络节点向量标签率的社团检测算法(NVP),该算法首先基于每个节点的NGC节点来找到社团的中心,然后利用节点向量标签率将中心的标签传播到其他节点,最后基于社团结构划分质量评估指标标准化互信息NMI,分别在四个真实世界网络和8个计算机生成网络上对所提出的NVP算法进行了评估。通过与其他四种社团检测算法进行对比,发现本文提出的NVP算法在精度上有更好的表现。其次,本文在公开信用卡交易数据集的基础上,通过阈值法,构建出信用卡交易网络。利用所提出的基于网络节点向量标签率的社团检测算法(NVP)对构造出的信用卡交易网络进行社团划分,通过与其他四种社团检测算法的模块度值进行对比,发现本文所提出算法对信用卡交易网络的划分结果最优。最后,定义了一个异常分数值的概念来发现候选欺诈交易,与真实结果进行对比,通过混淆矩阵得出F分数值验证所提NVP算法在信用卡欺诈检测方面的准确性。

关键词： 复杂网络   社团检测   图卷积神经网络   马尔科夫稳定性   强化学习   深度Q网络  

摘要： 社团检测作为复杂网络中的一项基本课题已经在很多领域得到了广泛的应用。社团检测旨在于通过分析网络的拓扑结构以及其他信息挖掘出网络的社团结构,这对于了解网络结构、分析网络特性具有极为重要的意义。在早期,一系列基于不同思想的社团检测算法被提了出来,例如标签传播、模块度优化等等。这些算法的本质都是从统计学的角度出发,通过对网络的拓扑结构进行分析,从而挖掘出网络的社团结构。近年来,随着机器学习的快速发展,社团检测算法也从当初的基于统计学的算法转向了基于机器学习的算法,很多神经网络模型例如前馈神经网络模型、卷积神经网络模型、对抗神经网络模型等都被应用在了社团检测中,并取得了显著的效果。与传统的算法相比,基于机器学习的算法能够凭据大量的数据以及神经网络强大的拟合能力挖掘出网络中节点之间的关系,进而准确地检测出网络的社团结构。近年来,研究人员将卷积神经网络扩展到了复杂网络上,并提出了一系列图卷积神经网络模型。其中图卷积神经网络(Graph Convolutional Network,GCN)模型一经提出,便由于其简洁和高效得到了研究人员广泛的关注,并被应用在了许多领域,其中就包括社团检测。与其他基于深度学习的社团检测算法相比,基于图卷积神经网络的社团检测算法能够更好地拟合网络中节点之间的拓扑关系。但是现有的基于图卷积神经网络的社团检测算法在社团挖掘的准确性上仍然面临着一些限制,这主要是因为这些算法的优化目标不能够更好表征社团结构。针对这一问题,本文从增强社团结构的马尔科夫稳定性的角度出发,提出了一种基于图卷积神经网络的重叠社团检测方法,旨在于通过图卷积神经网络模型强大的邻域信息聚合能力生成具有最高稳定性的社团结构。与现有的基于图卷积神经网络的社团检测算法相比,本文提出的算法所使用的马尔科夫稳定性更能够表征网络的社团结构。为了验证我们提出的算法的有效性,我们选取了两种衡量社团挖掘效果的评价指标,同时在一系列尺度不同的网络上进行了对比测试实验,包括小规模的真实网络、中等规模的真实网络、中等规模的属性网络以及人工生成的网络。实验结果表明,与其他的基线算法相比,我们的算法在绝大多数的网络上具有最高的准确性,同时,由于马尔科夫稳定性依赖于一个时间参数,马尔科夫时间,在实验的过程中,我们发现可以通过优化马尔科夫时间来进一步提升我们算法社团挖掘的准确性。实验结果表明在给定最优的马尔科夫时间的情况下,我们算法社团挖掘的准确性可以得到显著的提升。另一方面,一些基于模块度优化的社团检测算法由于贪心思想存在局部最优的问题。本文提出使用图卷积神经网络和强化学习来解决这一问题。其中我们使用图卷神经网络来提取网络的状态信息,使用强化学习算法深度Q网络来解决模块度优化中存在的局部最优问题。本文在一些真实网络上与一些基于模块度优化的社团检测算法进行了对比实验,实验结果表明,本文提出的算法可以避免模块度局部最优的问题,相应的社团检测准确性更高。

关键词： 社团检测   随机游走   MCL算法   R-MCL算法   “一带一路”  

摘要： 社团检测旨在揭示复杂网络内部拓扑属性以及节点之间的关联信息,可广泛地应用于计算机科学、生物科学、政治经济学等领域。社团检测算法主要包括模块度优化算法、层次聚类算法、标签传播算法和随机游走算法等,基于随机游走的社团检测方法对各种类型的网络有较强的适用性,近年来得到了广泛的关注及应用,但其存在无效计算和社团结果划分零散等问题。本文详细分析了基于随机游走的MCL算法和R-MCL算法的不足,提出对应的改进策略,并结合新的策略提出两种新的随机游走社团检测算法,最后应用于实际项目中。本文主要的研究内容如下:1、针对MCL算法存在无效计算并且社团划分结果比较零散的问题,提出基于节点相似性的随机游走社团检测算法JMCL。该算法采用改进的Jaccard相似性系数对节点中的连边进行预加权,设置变化量矩阵以加速迭代过程中的矩阵使其收敛,并且增加边界重检和小社团合并操作提高算法精确度,通过人工网络和真实网络实验验证,该算法具有更稳定和更优的社团划分性能。2、针对R-MCL算法存在的随机状态转移矩阵不收敛问题,提出基于标准化R-MCL的随机游走社团检测算法NR-MCL。该算法采取在迭代过程中的膨胀和剪枝操作之间增加标准化操作的策略加速概率矩阵的收敛,防止矩阵不收敛的极端情况出现。在公开数据集上的实验结果表明,该算法在众多类型的网络中社团划分表现较优。3、将本文提出的NR-MCL社团检测算法应用于“一带一路”沿线国家贸易网络项目中,运用复杂网络理论构建“一带一路”沿线国家贸易关系网络,采用NR-MCL算法进行社团结构划分,结合相关统计数据分析各国之间的贸易关系以及整体贸易格局,为国际贸易关系相关研究提供参考。