关键词： 属性网络   社团检测   半监督聚类   主动学习  

摘要： 属性网络是一类特殊的复杂网络,能为数据分析人员提供网络的拓扑结构信息和研究对象的属性信息,以便于挖掘潜藏在网络中的系统底层逻辑。社团结构是属性网络的重要模式,能聚类网络中不同性质的节点,优化网络的资源配置,为发现复杂网络的底层逻辑提供重要察觉。属性网路聚类算法旨在利用网络分析与数学建模的方法,从属性网络中提取社团结构,挖掘复杂系统的潜在特征。针对属性网络聚类算法,本文设计了两种不同的机器学习模型,分别为属性网络聚类算法中的异质性问题和信息缺失问题提出了相应的解决方案,文章的主要思想和贡献可概括如下:(1)基于动态探索节点属性和拓扑结构的聚类算法。属性网络聚类算法一般利用网络的节点属性和拓扑结构学习每一个节点的特征信息,进而对网络中的社团结构进行提取。但因节点属性和拓扑结构对于网络刻画方式的不同,二者的数据形式存在着较强的异质性。为此,本文基于动态探索节点属性和拓扑结构的策略,在节点特征学习的过程中,动态地对节点属性和拓扑结构之间的关系进行探究,并对属性网络中潜在的社团结构进行提取。(2)基于半监督学习的属性网络聚类算法。传统的聚类算法属于无监督学习算法,不需要先验信息辅助聚类,但同时限制了算法准确性的提升。半监督聚类算法在传统聚类算法的基础上,利用少量的先验信息提升聚类算法的准确性。基于半监督学习的属性网络聚类算法结合半监督聚类和属性子图更新方法,成功在使用极少量标签信息的前提下,显著提升了属性网络聚类算法的准确性。综合考虑多个真实属性网络的实验结果,以上两个工作的准确性显著高于同类对比算法。以标准互信息为参考指标,二者性能的提升分别为16.3%和20.1%。这一现象,说明本次工作除理论创新之外,也有极高的实际生产价值。更为重要的是,它与本文的预期结果相符,验证了本论文设计思想的合理性,为属性网络聚类算法指明

关键词： 科技股   复杂网络   社团检测   中美贸易摩擦  

摘要： 随着全球经济一体化,各国的股市、经济都紧密联系,一旦发生贸易战,便会对全球各国的方方面面造成一定的冲击。2018年3月23日,美国总统特朗普在白宫签署对华贸易备忘录,其中包含了对中国进出口的加收征税,这一举动正式挑起了中美双方贸易战,此后便是一段长期持续的贸易摩擦,再到后面的舆论战、科技战等等,对我国经济发展、科技创新都造成了不小的影响。股市能够较好的反映一个国家的经济,准确评估贸易战甚至是科技战对我国产生的影响十分重要。本文以中美贸易摩擦为视角,从科技股票市场入手,分阶段构建我国科技股票网络,并从多方面探讨了中美贸易摩擦对我国科技创新企业的影响。首先,根据中美贸易摩擦发生的全过程,将其分为三个阶段,利用科技100的成分股每日的收盘价计算其皮尔森相关系数矩阵,基于阈值法构建三个不同阶段的科技股票网络;然后,分别从局部和全局角度,采用度分布、网络的聚类系数、平均路径长度、网络的同配性系数、网络的核数以及网络中心性等统计特征对其不同阶段的科技股票网络进行差异性分析,探究我国科技股票网络在持续贸易战下的具体变化;最后,根据建立的三个不同阶段的科技股票网络,对其进行社团检测分析,以中观的视角来理解整个科技股票网络中节点间的连接关系以及整个网络的社团结构。本文研究表明美国单方面发动的贸易战的确对我国科技创新企业造成了较强的影响,主要有以下方面:第一,基于阈值法构建的我国科技股票网络,在长期的中美贸易摩擦影响下,网络中各节点之间的连接逐渐稀疏,孤立节点逐渐增多,风险传染程度逐渐减小,说明我国科技创新类企业由先前的密集商业往来逐渐趋向于独立,中心节点遭受攻击时,对其他节点造成的影响减小。第二,从度分布以及网络中心性来看,尽管中心节点随着中美贸易摩擦的不同阶段在发生变化,但是整个科技股票网络是围绕着电子通讯来进行运转的。从全局特征来看,网络的积聚程度逐渐减小,节点间信息传递的速度和效率减慢,度大的节点倾向于与度大的节点连接,整个网络的稳定性逐渐增强。第三,随着中美贸易摩擦的推进,基于凝聚算法构建的科技股票网络的社团结构逐渐清晰明显,层次也更加明朗,稳健性逐渐增强,其中微电子企业呈现出较强的社团结构。基于派系过滤算法构建的最大的4-派系社团越来越小,社团结构也越来越紧凑,社团内的节点大多为电子科技类企业。

关键词： 推特   舆情分析   突发事件   突发词   词汇挖掘   社团检测  

摘要： [目的/意义]微博是网络舆情传播的重要平台之一,为了对海量微博中的突发舆情事件进行监控预警,并获取开源情报。[方法/过程]文章以短语作为兴趣词项,提出了基于突发短语挖掘的微博舆情事件检测方法。首先,利用自动短语挖掘方法AutoPhrase从微博文本中识别出具有潜在舆情价值的优质短语;然后,基于短语相关统计信息,识别出主题性、流行性、突发性均较大的高舆情价值的突发短语集合;最后,构建突发短语共现网络,利用模块度优化算法对短语聚类,从而得到不同的舆情事件。[结果/结论]基于推特数据的实验结果表明,与基于单词和命名实体的方法相比,该方法可以获得更好的事件检测效果。[局限]仅针对特定主题的英文推特数据进行了实验验证。

关键词： 技术演进   多路径识别   创新特性   专利引证网络   社团检测  

摘要： [目的/意义]开展科技领域技术演进多路径识别及其创新特性分析,可为技术起源探究和技术价值评估提供有效帮助。[方法/过程]构建科技领域专利引证网络,通过Louvain社团检测和SPC主路径提取进行技术演进多路径识别。在此基础上,利用技术—功效共词矩阵来探究各技术演进路径的核心技术演化,利用结构洞约束度指标和技术邻近度指标来识别各技术路径节点专利的创新类型。[结果/结论]利用德温特专利索引数据库中1963—2018年柔性显示领域的9121条专利记录进行实证研究,结果表明提出的方法能够较为全面地识别科技领域技术演进的多个路径方向及其核心技术,通过结构洞约束度和技术邻近度指标能够有效检测技术演进过程中的渐进性创新和突破性创新技术。

关键词： 复杂网络   重叠社团检测   双编码   多目标优化  

摘要： 近年来,多目标进化方法已被广泛应用于重叠社团检测问题并取得了较好的社团划分性能.如何设计合适的个体编码以及进化策略是提高基于多目标进化重叠社团检测算法性能的重要因素.为此,本文设计了一种双编码表示方法对非重叠社团结构和重叠点分别进行编码,能够有效解码得到重叠社团结构.在双编码表示的基础上,本文提出了一种基于双编码的重叠社团检测多目标优化方法(DRMOEA).在DRMOEA中,为了获得好的初始个体并提高算法检测性能,本文提出了一种基于社团边界点的初始化策略.除此之外,针对双编码中的重叠点编码部分,本文提出了基于精英个体边界点的交叉策略,该策略利用社团边界信息引导种群向好的方向进化,从而有效提高了算法的检测性能.最后,在9个真实世界网络上的实验结果表明DRMOEA算法优于其他5个代表性重叠社团检测算法.

关键词： 高维数据   子空间聚类   稀疏表示   社团检测   复杂网络  

摘要： 现有的子空间聚类方法大多只适用于单层网络,或者仅对多层网络中每层的聚类结果简单地进行平均,未考虑每层网络中包含信息量不同的特点,致使聚类性能受限。针对该问题,提出一种面向多层网络的稀疏子空间聚类方法。将距离正则项和非负约束条件集成到稀疏子空间聚类框架中,从而在聚类时能够同时利用数据的全局信息和局部信息进行图学习。此外,通过引入稀疏约束使学习到的图具有更清晰的聚类结构,并设计迭代算法进行优化求解。在多个真实数据集上的实验结果表明,该方法能够挖掘网络不同层的互补信息,得到准确的一致性联合稀疏表示,有效提高社团聚类性能。

关键词： 复杂网络   社团结构   局部随机游走   轮廓系数  

摘要： 在近几十年中,复杂网络在数据挖掘和知识发现起着越来越重要的作用。复杂网络中的社团检测引起了许多领域的极大关注。提出了一种基于局部随机游走距离LRWD轮廓系数的网络社团检测新算法(SIL算法)。此外,通过一些具有代表性的真实世界网络和计算机生成网络(GN准则和LFR准则)来测试该算法的准确性和效率。实验结果表明,SIL算法可以准确有效地检测这些网络的真实社团结构。

关键词： 社团检测   Python   i-Graph  

摘要： 社团检测是一种技术,通过监督学习、半监督学习、无监督学习或者强化学习将网络中的节点划分为独立的集合。随着互联网的发展,社交软件的普及,这一研究领域得到了重视。社团检测已经拥有了许多经典的算法,这些算法在实际应用中也得到了很好的发挥和效果。目前,半监督学习社团检测相比于监督学习社团检测,学习成本较低,半监督社团检测的发展具有较大的挑战与前景。

关键词： 复杂网络   社团检测   标签传播   核心节点预划分   随机性  

摘要： 标签传播算法是一种典型的社团检测算法,针对已有的社团检测结果不稳定的情况,提出了一个基于循环查找核节点的标签传播算法,减少了标签初始化和选择过程中的随机性.基于核心节点实现网络预划分,利用循环核心节点查找传播标签;在邻居节点的标签存在相同数量情况下,只对核心节点进行赋值标签,其他节点从其靠近的核心节点获取标签.在3个测试网络上的结果表明:本算法可以更为准确的检测出复杂网络的社团结构.

关键词： 复杂网络   社团检测   k最近邻   社团主干  

摘要： 随着复杂网络规模和种类的日渐增加,如何检测任意结构,任意规模的社团成为了社团检测的一个难点.为了解决该问题,提出了一种可以通过k最近邻发现社团主干的社团检测算法DCCB(detection community based on k NN to discover community backbone).该算法首先遍历所有节点,将两个互为k近邻的相似节点及它们的共同邻居聚集到一个社团主干中;接着,在遍历过程中,若不在主干中的节点与某个社团主干内任何节点存在互近邻关系,那么该节点也会被吸引到这个社团主干中;然后,该算法检测出社团主干中的异常节点,并将其标记为无类标节点;最后,该算法利用影响力分配无类标节点,得到最终的社团结构.该算法简单且时间复杂度较低.通过4个不同结构真实网络以及3个不同规模的人工合成网络的综合测试表明:DCCB算法能检测出任意结构与任意规模的社团,且发现的社团质量高于所用的5个基准算法.