导读:本文包含了社团探测算法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,社团探测,背景信息,势能理论
社团探测算法论文文献综述
宋砚秋,李桂君,李慧嘉[1]（2018）在《基于势能背景信息的社团标签探测算法》一文中研究指出近年来,社团结构分析已经引起很多领域的关注,一些探测方法也陆续被提出。然而,其中大多数方法只利用了网络拓扑结构,并没有考虑内在的背景信息。基于离散势能理论,提出了一种新的半监督社团探测方法,利用标记节点产生的静电场来确定未标记节点的标签(社团标号)。首先给一定数目的节点赋予用户定义的标签;然后利用稀疏线性方程组计算余下节点的标签,其中每个节点的标签被设定为计算出的最大势能值;最后将该方法与现有算法进行比较。实验结果表明,所提算法在现实世界网络和人工基准网络上都展现了很强的探测能力,特别是在只具有模糊大规模社团结构的情况下,该算法仍然具有很高的准确性。(本文来源于《计算机科学》期刊2018年S1期）
张旸[2]（2016）在《基于深度学习的多网络社团探测算法研究》一文中研究指出多网络中都存在特定的社团结构。尽管近年来对多网络社团结构探测的研究已经取得了一定的成果,但是传统多网络社团机构发现算法复杂度较高,不适合处理大规模高维度多网络数据;此外,大部分研究提出的多网络社团探测方法都存在一个缺陷,即在社团探测过程中平等地看待每一层网络,导致丢失了网络的重要度信息,造成了多网络社团划分准确度的下降。本文在总结分析现有多网络社团探测技术的基础上,提出一种基于深度学习的多网络社团探测算法,全文的贡献有以下几点:(1)提出了一种多网络社团关系特征压缩算法。针对目前多网络社团探测算法存在的缺陷,利用网络相关度和网络重要度的性质,通过这两个概念弥补现有算法的不足;并且利用大规模多网络数据的稀疏特性,提出多网络社团关系特征压缩算法,同时对关系特征重构算法进行了说明。通过实验证实,关系特征压缩算法能够有效提取多网络社团的结构信息。(2)提出了一种基于深度学习的多网络社团探测方法。深度信念网络对大规模数据集有很高的处理性能,该算法适合对大规模高维度多网络数据进行社团探测。使用深度信念网络对降维的多网络数据进行无监督学习,利用带社团标记的样本集进行有监督调优。并且,详细阐述了训练代表集的获取方法、无监督学习的方法以及有监督调优的方法。针对本文提出的算法,在不同规模的真实多网络数据集上进行了实验仿真,验证了多网络社团关系特征压缩算法的可行性和效果,以及多网络社团探测方法的性能优劣。从速度、准确度上与经典多网络社团探测算法进行比较,实验表明本文提出的算法与现有算法相比能更加高效地处理大规模多网络数据。(本文来源于《北京理工大学》期刊2016-06-01）
游涛[3]（2016）在《基于密度聚类的复杂网络社团结构探测算法与应用》一文中研究指出复杂网络理论为各学科领域中的复杂系统研究提供了简单而有效的研究方法,在近十多年里得到了学术界的高度关注。不同领域中看似迥异的真实系统在不断变化发展中会自然形成共同的特征,比如节点度的幂律度分布特征、小世界特征和社团结构特征等。由于突破了传统还原论将对象孤立研究的局限性,复杂网络能够准确刻画真实系统中的关键特征,本文研究的出发点就是网络的社团结构特征。一方面复杂网络中的社团结构可以对应于真实系统中自然形成的子系统,比如蛋白质合作网络会形成对应不同器官的功能模块,科学家合作网络会形成不同学科的研究群体,社交网络会形成基于不同兴趣爱好的俱乐部等。另一方面学术界对于复杂网络社团结构的主流认识只停留在直观层面,即把社团结构看作以更高概率相互连接的节点的集合,同时现有的社团结构探测算法也存在很多问题亟待解决,因此复杂网络社团结构研究仍然是一个开放性的课题,研究其探测算法具有重要的理论意义和现实意义。类似于聚类算法,社团结构探测算法也属于无监督学习的范畴,其目标在于把网络中的节点赋值到不同的社团中,因此基于聚类方法的理论框架提出社团结构探测算法是一个有前景的思路。密度聚类相比传统聚类技术有天然的优势,比如DBSCAN相比K-means来说无需类簇个数作为先验参数,不会落入局部最优陷进,抗噪声等,然而DBSCAN的聚类结果对两个参数的取值非常敏感,因此密度聚类的参数选择问题一直是机器学习领域亟待解决的难题。2014年发表在Science的论文中提出了新的密度聚类算法,即快速密度峰值算法(FDP:Fast Density Peak),该算法在保留DBSCAN优点的同时巧妙的克服了其参数敏感问题,为无监督学习提供了新的研究思路。受到这样的启发,本文拟利用FDP算法探测复杂网络中的社团结构。然而本文通过理论分析和数值实验发现,由于网络节点分布在极端高维空间中,导致FDP算法无法识别社团核心节点,从而无法直接应用于社团结构探测任务。除此之外,本文进一步发现当网络结构变得模糊或社团数量过多时FDP算法的决策图机制很难通过人机交互的方式准确识别社团个数。基于以上两点事实,本文提出了基于流形学习框架的ISOFDP算法,该算法有效克服了网络数据维数灾难的问题从而使得社团核心点显着区别于其它成员节点,同时提出了改进的分割密度函数以作为自动识别网络社团个数的依据,最终ISOFDP算法相比经典算法取得了更好的社团结构探测结果。更进一步的,本文将ISOFDP算法框架进行推广,分别提出了能够探测重迭社团结构、有权有向网络社团结构和动态网络社团结构的算法,并取得了优于经典算法的实验结果。本论文的内容包括九章:第1章介绍了本论文的选题背景和研究意义,并说明了本论文的研究框架和创新点。第2章介绍了复杂网络的基本理论和相关概念,然后对几类社团结构探测算法进行了综述。第3章分析了密度聚类算法fdp在探测社团结构时的缺陷,研究了克服其缺陷的方法之后提出了社团结构探测算法isofdp。第4章基于l-isomap、lle、le和lpp四种局部流形学习算法提出了快速社团结构探测算法,克服了isofdp计算性能低下的缺陷。第5章首先定义了非核心节点的社团隶属度测度,根据节点隶属度和阈值η的对比情况识别出网络的重叠节点,以此提出能够探测重迭社团结构的isofdpov算法。第6章基于信号理论的方法计算网络节点的相似度测度,该相似度充分利用了网络结构中连边的权重和方向信息,以此为基础提出了有权有向网络的社团结构探测算法isofdpdw。第7章结合时间维度的信息利用3-阶张量对所有时间点上的网络序列建模得到邻接张量,然后利用非负张量分解模型把邻接张量分解为节点社团隶属度矩阵和社团动态行为矩阵,以此求得动态社团张量,基于其各纵向切片探测各时间点上的社团结构和社团变化规律,最终提出了动态网络社团结构探测算法tenfdp。第8章基于2006年6月16日至2014年7月9日中信行业指数收盘价日数据,计算指数收益率之间的相关系数并以此为连边得到中信行业指数的平面最大过滤图(pmfg)网络,利用isofdpdw算法探测该网络金融危机前中后叁个阶段的社团结构,以揭示金融危机对该网络社团结构的影响。第9章对全文进行总结,并给出了本文现阶段提出算法的缺点和不足,同时对本文算法的进一步推广和改进工作进行了展望。本文的主要创新点包括以下几个方面:第一,提出了一种基于密度聚类的社团结构探测算法isofdp。该算法无需社团个数作为先验信息,且在准确度、参数敏感性和稳健性3个方面都优于经典算法。isofdp继承了密度聚类算法fdp的优点同时克服了其缺点。首先通过理论分析和数值实验发现网络节点具备高维数据的特点,即节点之间的距离高度同质化导致fdp无法识别社团核心节点,本文假设存在低维的本征维度可以保存原网络的社团结构特征,提出使用经典流形学习算法isomap推断出网络在其本征维度上的映射,克服同质化距离的问题。本文进一步发现当网络结构变得模糊或社团数量太多时,在fdp的决策图上通过人机交互的方法无法正确识别社团个数,本文提出了改进的分割密度函数以自动识别社团个数,避免人机交互的过程。第二,提出了一种新的重迭社团结构探测算法ISOFDPOV。首先利用ISOFDP算法对网络进行硬分割,可以得到社团核心节点以及每个社团的成员节点。本文定义了成员节点的社团隶属度测度,该隶属度测度可以衡量节点归属于某社团的强度,然后根据各成员节点关于各社团的隶属度与阈值η的对比判断成员节点的社团归属情况,社团归属不唯一的节点为重迭节点,从而找到网络中的重迭社团结构。ISOFDPOV在人工和真实网络上取得了相比经典算法更好的社团探测结果。第叁,提出了有权有向网络上的社团结构探测算法ISOFDPDW。首先分析了结构相似度只能利用二值对称邻接矩阵信息描述节点之间相似度的缺陷,提出使用信号相似度。信号相似度可以充分利用有权有向网络中连边的权重和方向信息,客观描述节点之间的相似度。另外使用有权有向模块度函数作为算法的收敛目标。最后在有权无向、无权有向和有权有向网络上验证了ISOFDPDW算法的有效性。第四,提出了基于非负张量分解模型的动态网络社团结构探测算法TenFDP。该算法假设每个时间片上的社团结构不仅与当前网络结构有关,还与上一时刻的社团结构有关。因此提出利用3-阶张量模型对每个时间点上的网络结构进行建模,得到领接张量以更好刻画网络结构随时间的变化。利用非负张量分解模型把领接张量分解为节点社团隶属度矩阵、社团动态行为矩阵,以此求得动态社团张量,基于该张量的每个纵向切片探测各时间点上的社团结构和社团变化规律。在5种类型的动态网络上验证了TenFDP算法的有效性。(本文来源于《中央财经大学》期刊2016-05-15）
胡芳[4]（2015）在《复杂网络节点中心性多元评估与社团探测新算法研究》一文中研究指出对复杂网络的定性和定量特征进行研究,有助于揭示复杂网络的普遍规律和未知信息,在计算机科学、物理科学、生物科学、社会科学、数学等诸多学科中具有重要意义。复杂网络节点中心性评估及其对社团探测影响等问题一直是复杂网络研究的热点,系统研究这些问题有利于解释网络成因,理解网络结构,指导网络行为和提高人类对复杂网络的认知。本论文主要研究复杂网络节点中心性多元评估与基于节点中心性的社团探测算法,主要工作与创新点如下：针对复杂网络节点中心性单指标评估的片面性和不稳定性等问题,以及多指标评估算法计算时间复杂度高和不精确等问题。对特征向量中心性、中介中心性、紧密中心性、点度中心性、互信息中心性等指标向量进行深入研究,同时,对主流数据降维算法进行对比分析,提出了一种节点中心性多元评估算法(MI-LDA)。该算法将高维模式样本投影到最佳鉴别矢量空间,将特征空间维数进行压缩。仿真结果表明,该算法能够更高效地找到网络的中心节点,相比其他的主流数据降维算法,MI-LDA时间复杂度更低。为进一步提高节点中心性评估的精确度,提出另外一种节点中心性多元评估算法(MI-LLE)。该算法将各项指标值作为初始数据输入,在保留邻居节点的情况下,最小化代价函数,将数据降维转化为特征分解的问题,然后将高维样本投影到低维样本空间实现数据维数的压缩,从而识别出中心节点。实验结果表明,相比其他主流数据降维算法,此算法计算精确度更高。由于大部分网络的中心节点即为社团的中心,提出一种基于节点中心性的社团探测算法Infomap-SA,该算法首先利用LDA算法识别出中心节点,并按降序排列。随后利用基于随机行走编码的Infomap算法,同时引入模拟退火思想优化模块度函数。仿真结果表明Infomap-SA算法能够对社团进行准确检测、高效划分,比Infomap算法具有更高的模块度和连接密度,更低的时间复杂度,并且更适用于大规模网络的社团探测。充分利用CNM算法全局性层次聚类的优点,同时结合节点中心性的思想,提出一种新型的基于节点中心性的社团探测算法CNM-Centrality,该算法基于快速贪婪聚类算法CNM,应用PageRank算法进行中心节点识别,然后对中心节点与其临近节点进行优化划分。实验结果表明CNM-Centrality算法能够对社团进行准确探测、高效划分,比CNM、Infomap、Walktrap等算法具有更高的模块度值和归一化互信息(NMI)值。本论文研究并实现了节点中心性多元评估算法MI-LDA和MI-LLE,以及基于节点中心性的社团探测算法Infomap-SA和CNM-Centrali ty.将这些算法在真实世界网络和基于LFR准则生成的网络中进行仿真实验,并与主流多元评估算法和主流社团探测算法进行了详细的对比分析,实验结果均表明新算法有更高的精确性和有效性,具有较好的研究意义和实用价值。(本文来源于《华中师范大学》期刊2015-12-01）
牛艳庆[5]（2015）在《基于量子模糊聚类算法的复杂网络社团结构探测》一文中研究指出研究了复杂网络的社团结构特性,探讨了复杂网络的社团结构探测算法.针对现有算法中判断社团结构时的主观性问题,提出了量子模糊聚类算法,并将该算法用于复杂网络社团结构的探测.实验结果表明:该算法可以准确、有效地探测到网络中实际存在的社团结构.(本文来源于《中南民族大学学报(自然科学版)》期刊2015年03期）
于浩杰[6]（2015）在《复杂社团网络的多路由探测漏洞修复算法》一文中研究指出对复杂社团网络的漏洞有效修复能保证网络的安全和稳定。传统的修复算法采用多分层和多标准的超网络平衡修复算法,社团区划在多路由转发情况下漏洞修复效果不好。提出一种基于多路由探测的复杂社团网络漏洞修复算法。使用线性预测模型对漏洞进行多路由网格划分,采用链路模型重组方案对数据进行攻击相位重组,得到漏洞数据生成和关联性分析结果,通过多路由探测,提取网络传输的数据多路复用器输出端口的数据,找到经过最短路径数目最多的边并将漏洞数据从网络中移除,提高了漏洞修复的性能,实现算法改进。仿真实验表明,该算法的漏洞修复效果较好,通过漏洞修复能有效提高网络数据传输的吞吐量和网络分组数据传输成功率,展示了算法的优越性能,在网络安全等领域具有较大的应用价值。(本文来源于《科技通报》期刊2015年08期）
李慧嘉[7]（2015）在《优化稳定性的多层次社团快速探测算法》一文中研究指出由于现有的社团探测算法大多只能在单一的尺度上划分社团,而且运算速度比较差,因此不利于分析大规模的科技社会网络.本文提出一种新颖的多尺度社团结构快速探测算法.该方法通过优化表示社团结构统计显着性的稳定性指标函数,来寻找多个层次上具有最佳统计意义的社团结构.为了得到具体的社团归属,开发了一种只需利用马尔科夫迭代就能更新归属向量的动力学系统,使得社团归属便能够快速地收敛到最优值,因此具有较低的计算复杂性.它不需要指定具体的社团数量,便能够找到每个节点与具体社团的归属关系,因此能够自然地支持重迭社团的划分.理论分析和实验验证共同表明,该算法可以快速而准确的发现社会网络和生物网络中的各种功能社团.(本文来源于《小型微型计算机系统》期刊2015年03期）
王长辉[8]（2014）在《基于聚类分析的网络论坛社团探测算法》一文中研究指出将网络论坛中的社团探测问题转换为聚类分析问题,将模块度函数概念应用到聚类分析的算法中进行社团结构的探测,提出一种结合模块度的模拟退火算法,使用海峡四川钓鱼论坛的实际网络论坛数据验证了算法的有效性.(本文来源于《哈尔滨师范大学自然科学学报》期刊2014年05期）
李慧嘉[9]（2014）在《基于信息扩散的多尺度重迭社团快速探测算法》一文中研究指出现有的社团分析方法由于需要网络的全局信息,并且只能在单一的尺度上划分社团,因此不利于分析大规模的科技社会网络。提出了一种新颖的多尺度社团结构快速探测算法,其只利用网络的局域信息就可以模拟复杂网络中的多尺度的社团结构。该方法通过优化表示网络统计显着性的拓扑熵,来寻找有最佳统计意义的社团结构。为了得到具体的社团归属,算法只需利用局部信息的扩散来更新归属向量便能够收敛到局部极小值,因此具有较低的计算复杂性。它不需要指定具体的社团数量,便能够找到每个节点与具体社团的归属关系,从而能够自然地支持模糊社团的划分。理论分析和实验验证共同表明,该算法可以快速而准确地发现社会网络和生物网络中的各种功能社团。(本文来源于《计算机科学》期刊2014年09期）
蔡君,余顺争[10]（2013）在《基于随机聚类采样算法的复杂网络社团探测》一文中研究指出根据网络节点的局部拓扑信息构建稀疏相似网络。基于稀疏相似网络,提出了一种改进后的随机聚类采样算法对网络社团进行探测。在人工和真实网络上,将算法与未改进的随机聚类采样算法以及几种典型的社团探测算法进行了准确率和时间复杂度的比较。实验结果表明,该方法在时间复杂度上具有明显的优势,并且具有较好的准确率。(本文来源于《计算机应用研究》期刊2013年12期）
社团探测算法论文开题报告
（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：
多网络中都存在特定的社团结构。尽管近年来对多网络社团结构探测的研究已经取得了一定的成果,但是传统多网络社团机构发现算法复杂度较高,不适合处理大规模高维度多网络数据;此外,大部分研究提出的多网络社团探测方法都存在一个缺陷,即在社团探测过程中平等地看待每一层网络,导致丢失了网络的重要度信息,造成了多网络社团划分准确度的下降。本文在总结分析现有多网络社团探测技术的基础上,提出一种基于深度学习的多网络社团探测算法,全文的贡献有以下几点:(1)提出了一种多网络社团关系特征压缩算法。针对目前多网络社团探测算法存在的缺陷,利用网络相关度和网络重要度的性质,通过这两个概念弥补现有算法的不足;并且利用大规模多网络数据的稀疏特性,提出多网络社团关系特征压缩算法,同时对关系特征重构算法进行了说明。通过实验证实,关系特征压缩算法能够有效提取多网络社团的结构信息。(2)提出了一种基于深度学习的多网络社团探测方法。深度信念网络对大规模数据集有很高的处理性能,该算法适合对大规模高维度多网络数据进行社团探测。使用深度信念网络对降维的多网络数据进行无监督学习,利用带社团标记的样本集进行有监督调优。并且,详细阐述了训练代表集的获取方法、无监督学习的方法以及有监督调优的方法。针对本文提出的算法,在不同规模的真实多网络数据集上进行了实验仿真,验证了多网络社团关系特征压缩算法的可行性和效果,以及多网络社团探测方法的性能优劣。从速度、准确度上与经典多网络社团探测算法进行比较,实验表明本文提出的算法与现有算法相比能更加高效地处理大规模多网络数据。
（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。
社团探测算法论文参考文献
[1].宋砚秋,李桂君,李慧嘉.基于势能背景信息的社团标签探测算法[J].计算机科学.2018
[2].张旸.基于深度学习的多网络社团探测算法研究[D].北京理工大学.2016
[3].游涛.基于密度聚类的复杂网络社团结构探测算法与应用[D].中央财经大学.2016
[4].胡芳.复杂网络节点中心性多元评估与社团探测新算法研究[D].华中师范大学.2015
[5].牛艳庆.基于量子模糊聚类算法的复杂网络社团结构探测[J].中南民族大学学报(自然科学版).2015
[6].于浩杰.复杂社团网络的多路由探测漏洞修复算法[J].科技通报.2015
[7].李慧嘉.优化稳定性的多层次社团快速探测算法[J].小型微型计算机系统.2015
[8].王长辉.基于聚类分析的网络论坛社团探测算法[J].哈尔滨师范大学自然科学学报.2014
[9].李慧嘉.基于信息扩散的多尺度重迭社团快速探测算法[J].计算机科学.2014
[10].蔡君,余顺争.基于随机聚类采样算法的复杂网络社团探测[J].计算机应用研究.2013