基于随机块模型的时变复杂网络社团检测及其应用

摘要

复杂网络社团检测有助于分析网络的结构和功能，是复杂网络研究的一项重要任务，近年来获得了广泛关注。另外，研究网络的影响力节点对于探索分析网络具有重要意义，相关研究工作已取得了一定成果。然而，目前大多数社团检测和影响力节点识别方法均只适用于静态网络而忽视了时序信息，因而无法较好的建模真实世界数据。针对上述问题，本文的主要研究内容如下:
　　一方面，本文提出一种基于度修正随机块模型的时变网络社团检测方法。基于演化聚类框架，结合社团隶属矩阵将一个正则项引入到度修正随机块模型的目标函数中，并提出一种类似KL算法的模型求解方法。同时，利用网络交叉验证方法进行模型选择，能够处理社团个数随时间变化的时变网络，从而克服了一些动态社团检测方法假定社团个数是一个常量的问题。基于时变复杂网络的数据实验结果表明，与经典的动态随机块模型和FacetNet等方法相比，该方法的实验结果具有较高的准确性和较低的误差率。
　　另一方面，为分析网络中的重要节点，将社团检测方法应用到时变网络影响力节点的识别问题中。通过识别演化社团中的影响力节点来识别整个识别网络的影响力节点。首先，基于度修正随机块模型获得各网络快照的社团结构;然后获取时变网络的各个社团的演化关系，为此，本文提出扩展的Jaccard系数用于匹配各网络快照的社团;最后，获取影响力节点的初步识别结果并利用三种广泛应用的中心性度量指标进行聚合。实验结果表明，本文的方法能够准确识别时变网络的影响力节点，同时也发现一些已被复杂网络或社会科学证实的有趣现象。
　　综上所述，本文基于度修正随机块模型提出了一种时变网络社团检测方法，并将其应用于真实网络。此外，将度修正随机块模型应用于时变网络的影响力节点识别问题中，对于分析真实世界复杂网络具有一定意义。

目录

声明

摘要

第一章 绪论

1．1 研究背景与意义

1．2 研究现状与分析

1．2．1 复杂网络社团检测的研究现状

1．2．2 影响力节点识别方法的研究现状

1．3 本文研究的主要内容及各章节安排

第二章 相关理论和技术概要

2．1 符号表示

2．2 随机块模型

2．2．1 经典随机块模型

2．2．2 随机块模型的扩展方法

2．3 随机块模型选择方法概述

2．4 时变网络社团检测方法

2．4．1 时变网络社团检测方法概述

2．4．2 演化聚类框架

2．4．3 模型聚类

2．5 影响力节点识别方法概述

2．6 本章小结

第三章 正则化度修正随机块模型

3．1 正则化度修正随机块模型

3．2 正则化度修正随机块模型的求解算法

3．3 实验结果与分析

3．3．1 数据集介绍

3．3．2 评价指标

3．3．3 实验结果

3．4 本章小结

第四章 时变网络影响力节点识别

4．1 相关概念和定义

4．2 识别方法

4．2．1 各网络快照的社区匹配

4．2．2 网络影响力节点的初步识别

4．2．3 初步识别结果的评估与筛选

4．3 识别方法实验结果及分析

4．3．1 评价指标

4．3．2 实验结果

4．4 本章小结

第五章 总结与展望

5．1 本文工作总结

5．2 工作展望

参考文献

发表论文和参加科研情况说明

致谢