导读:本文包含了社团检测论文开题报告文献综述及选题提纲参考文献，主要关键词:复杂网络,多维网络,二分网络,社团检测
社团检测论文文献综述
卜振兴[1]（2019）在《复杂网络社团检测方法研究》一文中研究指出随着情报主导警务工作的深入开展,数据在公安工作中发挥的作用越来越重要,数据挖掘和分析成为一项重要的侦查措施。本文从公安情报分析实际工作需求,通过分析大量的网络犯罪和互联网数据,发掘了实际工作中潜在的复杂网络模型。通过对复杂网络的研究和分析,进而挖掘人员和网络元素之间存在的群体关系,可以大大提升公安数据分析能力和办案效率。本文结合实际网络模型提出了新的社团检测算法,通过将新算法得到的结果与实际案件侦办掌握的情况进行比对分析,验证了本文算法的准确性和效率。本文的所有研究成果均在公安实际应用系统中得到了应用,明显地提升了公安业务系统情报分析和数据挖掘能力。本文主要研究工作及创新点为:(1)提出了一个基于多维网络节点相似度的MBS社团检测方法。根据多维网络结构特征,提出了多维网络节点相似度模型。在基于模块度最大值的社团检测方法中,提出并验证了“当网络划分m个社团时,对应的模块度Q_m最大,那么随着划分社团个数k趋于m值(k?m),对应Q_k不断增大并趋于Q_m”的假设。基于上述假设,提出了应用于社团不同划分个数对应的模块度Q值无序序列中快速查找最大或近似最大模块度Q_m的改进二分查找算法(MBS)。将MBS算法应用到基于多维网络节点相似度的社团检测中,提出了基于多维网络节点相似的MBS社团检测算法(SMBS)。实验结果表明,SMBS算法能够在较短时间内计算出最佳或近似最佳社团划分个数,得到全局或近似全局最佳划分结果,具有较高的准确性和效率。(2)提出了一个基于局部敏感的高效二分网络社团检测方法。将局部敏感思想应用到二分网络社团检测中,提出了关联社团、关联桶和关联度等二分网络概念。基于上述概念,将局部敏感思想和堆栈引入到二分网络社团检测中,提出了基于局部敏感的二分网络社团检测方法。该方法首先根据二分关联度将二分网络中的第一类节点划分为若干个社团,然后根据第二类节点对应第一类节点社团的度和模块度,将其并入到最大度和模块度对应的第一类节点社团。实验结果表明,该方法能够大幅度地提高社团检测效率,并且社团划分质量高于当前其它常规二分网络社团检测算法。(3)提出了一个基于MapReduce的并行高效聚类算法。该算法通过采集满足叁角形构成条件的质心点,得到初始质心样本集。在不设定初始k值的情况下,通过在不同k值对应样本集上计算DB值,根据DB_Index准则得到最佳聚类个数k及对应的最佳初始质心,进而得到最佳聚类结果。由于该算法在样本集上计算最佳k值和初始质心,相比于不断遍历k值对应的普通k-means算法,前者时间成本远远低于后者。同时,通过利用MapReduce技术对改进的k-means进行并行计算,在确保得到最佳聚类结果的同时大大降低时间成本,解决了改进的k-means算法处理大规模数据的难度,提高了算法的效率。实验结果表明,该算法能够大幅度地提高处理大规模数据的效率,并且社团划分质量高于普通k-means算法。(本文来源于《中国人民公安大学》期刊2019-06-10）
刘鹏翼[2]（2019）在《基于符号网络的社团检测》一文中研究指出现实情况中的许多系统都可以用复杂网络来表示,例如电力网络、社交网络、交通网络等。其社团结构属性作为复杂网络中最重要的属性之一已经引起了广泛的关注和发展。符号网络作为复杂网络的重要分支,因为其中负关系的存在使得它比普通的复杂网路可以表示更多的信息。但是目前基于符号网络的社团检测发展还很有限。利用非负矩阵分解的思想来进行符号网路的社团检测,并在人工生成的数据集进行实验,验证所提出的算法的有效性和准确性。(本文来源于《现代计算机》期刊2019年16期）
周克飞[3]（2019）在《基于并行多目标进化算法的大规模复杂网络社团检测研究》一文中研究指出在现实生活中,存在着各种各样的复杂系统,这些复杂系统通常可以抽象地表示为复杂网络。利用社团检测算法对复杂网络进行社团检测,能更好地理解系统结构,挖掘系统潜在的信息,还可以对一些未知的功能和属性进行预测。多目标进化算法具有良好的并行性、全局搜索能力以及对多种函数类可用等优良特性,成为解决复杂网络社团检测问题的重要方法之一。但目前大多数基于进化的社团检测算法都无法很好地处理大规模网络,为了进一步提升社团检测算法在大规模复杂网络上的性能,本文分别提出了基于并行多目标进化的大规模复杂网络非重迭和重迭社团检测算法。本文的主要研究工作如下:(1)提出了基于并行多目标进化的大规模复杂网络非重迭社团检测算法(PMOEA)。为了解决大规模复杂网络的社团检测问题,本文避免直接检测整个网络的社团划分,而是采用多个多目标进化算法并行检测网络中与对应关键点相关的社团。算法主要思想是首先检测出整个网络的关键点,然后运用多个多目标进化算法并行检测网络中与对应关键点相关的社团集合,最后使用单目标进化算法,从与每个关键节点相关的社团集合中来获得整个网络的社团划分。本文采用了与传统多目标社团检测算法不同的优化目标,设计了特别的交叉变异策略,同时缩短了个体编码长度,减小进化过程中种群的搜索空间,有助于发掘出更好的社团结构。配合多线程和分布式计算资源,多个多目标进化算法并行检测,缩短了多目标进化算法检测大规模复杂网络社团的时间。本文验证了PMOEA算法在真实网络和LFR基准网络上的有效性,尤其在大规模复杂网络上,实验结果表明本文提出的PMOEA算法与六个现有的社团检测算法相比具有一定的优势。(2)提出了基于并行多目标进化的大规模复杂网络重迭社团检测算法(PMOEAO)。现实生活中很多复杂网络都是重迭结构的,但在(1)的工作中没有对重迭结构进行特殊考察,无法检测出重迭的社团结构。因此本文在(1)算法的基础上进行进一步改进,提出PMOEAO算法,该算法继承了(1)算法并行处理的机制,同时具有解决重迭社团检测问题的能力。本文算法在(1)算法的MOEA进化过程中加入了候选重迭节点策略来调整社团边界,让改进的MOEA发掘的与单个关键节点相关的社团结构具有更合理的社团边界。之后再选用评价重迭社团划分的扩展模块度作为目标函数,通过单目标进化算法来确定整个网络的重迭社团划分。通过与六个具有代表性的重迭社团检测算法的实验结果的对比表明,PMOEAO算法在解决大规模复杂网络的重迭社团检测问题上具有一定的优势。(本文来源于《安徽大学》期刊2019-05-01）
杨阳[4]（2019）在《基于谱聚类的复杂网络重迭社团检测算法研究》一文中研究指出在许多现实世界系统中,对象与对象之间的关系都能够建模成复杂网络进行分析。其中社团结构是复杂网络的重要属性,通常能够解释复杂网络系统的拓扑结构与功能模块。复杂网络社团检测旨在挖掘这种具有复杂网络结构的系统中的模块化结构,研究这种模块化结构有助于更好了解并挖掘网络系统的潜藏功能。近年来,多个领域的研究者们提出了众多社团挖掘算法,在不同学科领域上对复杂网络社团检测进行了深入研究,随着重迭社团结构这一概念提出,这些算法在重迭社团检测领域值得进一步研究。因此,针对传统的基于谱聚类的社团检测算法无法很好地挖掘重迭社团结构的问题,本文提出了一种基于边划分的谱聚类重迭社团检测算法。此外,复杂网络的社团结构不尽相同,为了使算法在不同结构的网络上都有着较好的鲁棒性,本文进一步提出了一种基于谱聚类思想的集成重迭社团检测算法。这两种算法均是以谱聚类算法思想为基础对重迭社团检测算法进行研究的。本文的主要研究工作如下:(1)提出了一种基于边划分的谱聚类重迭社团检测算法。当前基于谱聚类思想的社团检测算法在检测非重迭社团结构时,能够很好地处理复杂的网络结构,得到较为精确的划分结果,但却无法很好地解决重迭社团检测问题。主要原因在于谱聚类方法通过矩阵谱分析理论得出网络节点的新特征,利用新的数据特征将原网络切成相互没有连接的k个子图,故无法检测重迭社团结构。因此,本文提出了一种基于边划分的谱聚类重迭社团检测算法,其主要思想是将谱聚类算法思想与边划分思想结合,通过构造边与边之间的相似矩阵挖掘网络中边社团的结构,从而挖掘每个社团中的非重迭节点以及候选重迭节点,之后通过分析每个社团候选重迭节点的邻居节点信息逐步挖掘重迭节点,得到最终的重迭社团划分结果。在人工合成的LFR网络上与现有的多个算法的对比实验表明,该方法能够有效地挖掘网络中复杂的重迭社团结构,并且能够有效地解决边划分的过度重迭问题。(2)提出了一种基于谱聚类的复杂网络集成重迭社团检测算法。当前基于谱聚类思想的复杂网络社团检测算法实现简单,不易陷入局部最优,但该类方法计算复杂度相对较高,并且依赖于社团尺度参数的选择,主要原因在于随着网络规模的增大,特征向量计算复杂度过高而无法达到足够的精确度。为了解决该问题,并且提高算法的鲁棒性,本文提出了一种基于谱聚类的复杂网络集成重迭社团检测算法。该方法的主要思想是通过设计一种新的抽样方法尽可能的从每个社团中抽取多个代表点,根据矩阵的摄动理论对抽样点进行多样性的谱聚类划分,从而挖掘网络中节点间的社团信息,然后根据网络的拓扑结构以及多个划分的质量进行加权集成得到权重网络,从而加强并挖掘网络社团结构,获得最终的重迭社团划分。通过在多组不同复杂结构的合成网络以及真实网络上,与现有的几种重迭社团挖掘算法实验对比表明,本算法在不同复杂结构的多组网络中均能得到稳定且良好鲁棒性的重迭社团划分结果。并且通过进一步的模拟实验验证,本算法可以很好地从各社团中抽样得到代表节点,且加权集成网络中社团的结构获得了一定的加强。(本文来源于《安徽大学》期刊2019-05-01）
尹欣红[5]（2019）在《基于连接模式的相关分析及带偏置的随机游走的社团检测方法研究》一文中研究指出复杂网络是从大量现实存在的复杂系统中抽象得到的,网络的整体功能体现在网络中节点间的相互作用上,社团结构是其关键性结构特征。社团对应于系统的功能模块,提取网络的这些模块,有助于深层探究复杂网络内部规律,从复杂网络中检测社团结构具有重要的理论研究意义和实用价值。因此,社团检测受到很多研究者的广泛关注,进而提出了很多社团检测算法,如基于模块度优化的社团检测算法、基于标签传播的社团检测算法、基于随机游走的社团检测算法等。在对这些算法进行充分研究的基础上,本文通过顶点的连接模式之间的相关性分析以及模拟带偏置的随机游走过程,提出了两种社团检测算法:(1)基于连接模式的相关分析的社团检测算法。该算法首先获得顶点间的连接模式,计算相关系数得到连接模式间的相关性,获得must-link与cannot-link成对约束,并根据must-link关系的传递性,对must-link及cannot-link关系集合进行扩展。然后将扩展后的cannot-link集合作为种子节点,结合must-link关系构造社团结构的框架。最后用最小生成树方法,将其余节点划分到相应社团,得到最终的社团结构。(2)基于带偏置的信号传播机制的随机游走算法。该算法从网络中选取一个节点作为信号源,随机选择与其相邻的节点作为下一跳节点,将衰减后的信号量传递到该节点,依次迭代并传递信号。考虑信号的衰减,为每条边增加了衰减因子,对信号传播过程进行限定。通过模拟信号的传播,将网络每个顶点均作为信号源重复这一过程,得到传播矩阵。然后,为每个顶点添加自环,并结合邻接矩阵以及顶点间的相似性,形成具有新属性的相似性矩阵。根据新属性矩阵和传播矩阵为每个顶点构造属性。最后,使用k-means算法进行聚类,得到高质量的社团结构。为了验证本文所提出方法的性能,本文在多个实际网络数据集以及人工合成网络数据集上进行了实验,并与相关算法的检测结果进行对比检测,实验结果表明,本文提出的算法能够从网络中提取出高质量的社团结构。(本文来源于《兰州大学》期刊2019-04-01）
叶磊[6]（2019）在《基于共同邻居的复杂网络社团检测算法研究》一文中研究指出随着信息技术的发展,现实世界中的许多复杂系统能够以网络的形式呈现。网络中的节点表示系统中的实体,而节点之间的连接表示实体之间的联系。由于现实世界网络的统计特征不同于规则网络和随机网络,因而将描述它们的理论模型称为复杂网络。复杂网络的社团结构表现为:紧密联系的局部节点属于同一社团,属于不同社团的节点之间联系较少。研究网络的社团结构有助于分析网络的结构特点、功能模块、信息传递、演化过程等,以及解决工程应用中的相关问题。因此,有关复杂网络社团检测的研究一直是热点问题。层次聚类方法能够实现多粒度的社团检测,揭示网络内部的层次化结构。但是,在部分应用中,非层次聚类方法给出的一种特定的社团划分方案就足以解决问题。社团划分的质量和速度一直是评价社团检测方法的关键。为了从复杂网络中挖掘出高质量的社团结构,同时保证较快的执行速度,本文提出了两个社团检测算法,分别是基于共同邻居的层次化社团结构检测算法和基于共同邻居约束标签传播的社团检测算法。本文的创新点如下:1)根据均值聚类的思想,从简单的邻接关系中提取关于共同邻居的信息,定义了节点亲密度以衡量相邻节点的相似性。基于节点亲密度,本文提出了一种分裂算法以层次化的方式分析网络的社团结构。该算法采用堆存储数据及索引,能够快速实现搜索最小亲密度、更新局部亲密度。实验结果表明该算法在层次化社团结构检测方面的良好效果,以及在节点度分布较为均匀的网络中执行速度较快。2)将社团检测问题用两个优化目标来描述:社团内的联系尽可能多,以及同一社团内的节点尽量共享邻居。在此基础上,本文提出了采用标签传播策略优化两个目标的算法。为了减弱过多节点标签趋于一致的倾向,引入了已有的关于社团内边数的约束和提出的关于社团内共同邻居数的约束。结合实验对比结果和理论分析,选择合适的约束强度和加权系数。实验结果验证了该算法在社团划分质量和速度方面的优势,特别是在社团结构模糊的情况下。(本文来源于《电子科技大学》期刊2019-04-01）
贾郑磊,谷林,高智勇,谢军太[7]（2019）在《基于节点相似性的加权复杂网络BGLL社团检测方法》一文中研究指出针对加权复杂网络中的重迭社团检测问题,提出了一种面向加权网络的基于Jaccard系数的BGLL模块密度优化算法(Modularity Density and Jaccard Based BGLL, DBGLLJ).利用节点重要度重构网络,根据模块度增益作为阶段函数和模块密度增益作为目标函数进行网络硬划分,并提出了结合改进的Jaccard系数的重迭检测方法.为验证算法,选择了3种算法在LFR网络和真实网络中进行测试,结果表明:在标准LFR网络和真实网络中,DBGLLJ算法检测效果较优,具有较高的重迭模块度以及重迭检测准确性,且运算效率较好.将所提算法应用于现实复杂机电系统因效性网络,重迭检测结果较好,具有较高的参考价值.(本文来源于《计算机系统应用》期刊2019年02期）
杨欣[8]（2018）在《基于正交化学反应优化算法的社团检测研究与实现》一文中研究指出随着复杂网络研究的发展,人们逐渐开始关注网络结构复杂性以及其与网络行为之间的关系。为了更好地理解网络结构和网络行为之间的关系,就需要详细了解网络所具备的特性。复杂网络中具有多种特性,社团结构是其中一个重要的性质,对其的深入研究在复杂网络研究领域占有重要的地位。社团结构通常表示为网络中一组节点的集合,整个网络则是由多个“团”构成的,每个社团内部节点之间的连接相对紧密,而各个社团之间的连接则比较稀疏。网络中的某些特性与社团结构关系密切,分析网络的社团结构,能够更好地了解网络结构和网络行为之间的关系。本文主要针对复杂网络中的社团结构检测问题,设计适用于发现复杂网络中隐藏的社团结构的算法,主要工作和创新点如下:1、提出了基于正交化学反应优化算法的社团检测方法。所提算法将社团结构检测问题转换为求解最低势能的优化问题,通过选择优化函数,分析社团结构的性质和特点,设计适用于社团检测问题的四个基本化学反应算子。为了避免算法早熟收敛,提高分子个体解分布的均匀性,本文基于正交试验设计对合成反应算子进行改进,将正交交叉算子作为合成反应的操作算子,其特点是利用正交表产生合成反应后的新的分子个体,提高了合成分子个体解的质量。2、将化学反应优化算法和模拟退火算法相结合,提出了一种局部搜索策略。通过将模拟退火算法作为一个局部搜索算子来提高本文算法的局部寻优能力,并且能够避免算法陷入局部最优。实验和分析表明本文算法在人工合成网络和真实网络数据中都具有较强的可行性和高效性,与传统的检测方法相比,在克服分辨率限制问题上有着显着的优越性。3、为了使实验结果的表现更加直观,本文基于Matlab GUI开发平台设计了一个社团结构的网络可视化界面。在设计过程中,本文采用了阿基米德螺线坐标方程来对网络中的节点进行布局,并且通过对这些节点进行着色来区分每个节点所属的社团。最后,通过绘制整个网络的拓扑结构图,来更方便地观察网络社团结构的划分结果。(本文来源于《河南大学》期刊2018-06-01）
聂靖靖[9]（2018）在《基于动态网络的社团检测算法研究》一文中研究指出随着对复杂网络理论研究不断深入,人们发现,现实世界中的大量现象能够使用复杂网络来刻画,复杂网络是由网络拓扑图中相互之间具有复杂关系的一些节点以某种方式连接在一起所构成的系统。社团检测能揭示社会中自然现象的变化和发展规律,对于研究动态网络具有很强的现实意义。对动态网络进行社团演化分析的传统方法,基本上均采用提取每个时刻网络快照的方式来找出此时刻的社团结构,将相邻时刻的社团相结合进行分析。针对传统的社团检测算法不能形象地刻画动态网络、并且算法时间复杂度高的缺点,本文提出了在时间平滑度框架下,对能够表征社团质量优劣的函数进行优化分析,找出最优社团。传统的社团检测算法具有时间复杂度较高的缺点,而谱分析法所花费的时间复杂度低,且能够将矩阵转换为容易理解的迹的形式。但是谱分析法需要事先知道社团的数目,将谱分析法和k-means算法相结合,能够很好地解决这个问题。基于以上基础知识,本文将谱分析法与k-means算法相结合,采用进化聚类框架以引入历史信息来指导当前时刻的社团合并策略。对能够表征社团质量好坏的模块函数Q,模块密度函数D,以及否定平均函数NA进行了优化。由此,既解决了动态网络社团质量检测的问题,又克服了需要预先知道社团数目的缺点。本文借助人工合成数据集和真实网络数据集,.并结合归一化互信息NMI和基因概率这两种评估标准,将本文提出的算法与FaceNet算法、动态多目标遗传算法(DYNOMGA)等进行仿真对比。从实验结果可以看出,跟其他算法相比,在有效的时间内,本文提出的算法在检测社团时取得了更好的效果,可用于大规模的复杂动态网络社团演化分析。(本文来源于《西安科技大学》期刊2018-06-01）
边青全[10]（2018）在《基于动力学模型的网络社团检测算法研究》一文中研究指出随着科学技术快速发展,人类社会在不断向前迈进,社会中存在的各种事物以及人之间的关系也变得越来越复杂,形成了一个大规模、具有复杂结构的网络(图)。这一系列现象促使复杂网络相关问题的研究成为当今时代的热点问题,在这些问题中社团检测问题是其中的一个重要分支,该问题同时也是数据挖掘与知识发现过程中的重要步骤。发现网络中的社团结构对于揭示网络的本质,更深一步研究事物之间的相互关系有着重要的意义。由于社团结构的普适性,该问题已经渗透到物理学、生物学、社会学等多个学科,激发了各个领域专家的研究兴趣。本文中提出了两个从动力学角度出发进行社团检测的方法,第一种是基于动力同步距离更新的社团检测算法(DDS),该方法首先使用Jaccard距离作为网络中每条边的初始距离,同时把每个节点视为一个社团。然后根据网络固有的拓扑结构,DDS算法以迭代的方式不断更新网络中每条边的距离,直到最终每条边的距离达到稳定状态。在每一次距离更新过程中,我们首先根据当前时刻边上的距离对社团进行合并与分裂,然后使用网络中节点之间的连接关系计算与边的两个端点直接相邻的节点对该边上的距离产生的影响,进而更新边的距离,在每一轮迭代中位于同一社团内的节点之间的距离会不断缩短。本文提出的第二种方法是基于相似度方差的标签传播社团检测算法(SVLPA),该方法是对传统标签传播算法的改进。SVLPA算法首先计算每个节点的相似度方差,并对节点按照相似度方差值降序排序作为节点标签更新顺序。当网络中节点更新自己标签时,如果其邻居节点中有多个出现次数最多的标签,我们在标签出现次数最多的邻居节点中选择与当前节点相似度最大的邻居节点的标签作为当前节点标签。通过引入这两种策略,SVLPA算法在保证近似线性时间复杂度的前提下,克服了传统标签传播算法产生的社团结果不稳定的缺点。最后,分别在大量真实数据集和人工数据集上对本文提出的两个社团检测算法进行实验评估。实验结果表明,本文提出的两个算法可以在不需要任何参数输入的情况下检测出高质量的社团。DDS算法准确地将网络中的社团结构以直观的方式展现出来,同时又可以有效地避免社团划分结果分布“极端”的情况。SVLPA算法在保证原始标签传播算法时间效率的前提下,从网络中检测出稳定而又准确的社团结构。通过在Ring网络上的实验更进一步说明本文提出的两个算法不会受“分辨率极限”问题的影响。(本文来源于《西安电子科技大学》期刊2018-06-01）
社团检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
现实情况中的许多系统都可以用复杂网络来表示,例如电力网络、社交网络、交通网络等。其社团结构属性作为复杂网络中最重要的属性之一已经引起了广泛的关注和发展。符号网络作为复杂网络的重要分支,因为其中负关系的存在使得它比普通的复杂网路可以表示更多的信息。但是目前基于符号网络的社团检测发展还很有限。利用非负矩阵分解的思想来进行符号网路的社团检测,并在人工生成的数据集进行实验,验证所提出的算法的有效性和准确性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
社团检测论文参考文献
[1].卜振兴.复杂网络社团检测方法研究[D].中国人民公安大学.2019
[2].刘鹏翼.基于符号网络的社团检测[J].现代计算机.2019
[3].周克飞.基于并行多目标进化算法的大规模复杂网络社团检测研究[D].安徽大学.2019
[4].杨阳.基于谱聚类的复杂网络重迭社团检测算法研究[D].安徽大学.2019
[5].尹欣红.基于连接模式的相关分析及带偏置的随机游走的社团检测方法研究[D].兰州大学.2019
[6].叶磊.基于共同邻居的复杂网络社团检测算法研究[D].电子科技大学.2019
[7].贾郑磊,谷林,高智勇,谢军太.基于节点相似性的加权复杂网络BGLL社团检测方法[J].计算机系统应用.2019
[8].杨欣.基于正交化学反应优化算法的社团检测研究与实现[D].河南大学.2018
[9].聂靖靖.基于动态网络的社团检测算法研究[D].西安科技大学.2018
[10].边青全.基于动力学模型的网络社团检测算法研究[D].西安电子科技大学.2018