导读:本文包含了网络社区结构论文开题报告文献综述及选题提纲参考文献，主要关键词:网络表示学习,异构社交网络,神经网络,元结构
网络社区结构论文文献综述
王旭[1]（2019）在《结合社区结构信息的异构社交网络表示学习研究》一文中研究指出近年来,微博,Facebook,微信等大型社交网络迅速普及,形成了海量的社交网络数据。海量的社交网络数据使得经典的网络表示方法在进行网络的数据挖掘时遇到了瓶颈,经典的网络表示方法在表示大型网络时存在占用空间过大,数据形式不利于后续的数据挖掘算法等问题。作为解决这些问题的一种途径,网络表示学习近年来受到了越来越多的研究者的关注。网络表示学习的目的是将网络中的节点映射到一个低维的向量空间中,把每一个网络节点表示为一个特征向量,使得原始网络的结构信息能够蕴含在向量中。网络表示学习通过把网络节点表示成一个低维向量,使得网络数据更容易存储,同时向量形式的网络数据也更容易作为机器学习算法的输入。然而网络表示学习算法的效果会随着社交网络的逐渐稀疏很快地降低。因为如果社交网络很稀疏,那么网络中的很多用户之间没有直接或者间接的联系,网络表示学习算法就无法确定用户向量在向量空间中相互之间的距离。为了解决这一问题,本文利用了社交网络中用户节点的属性信息。通过将用户的各种属性提取出来,形成新的属性节点,将其加入到社交网络中,形成新的异构社交网络。异构社交网络中用户之间通过不同类型的属性节点和链接关系互相链接,蕴含了丰富的语义关系,从而有效地缓解了社交网络的稀疏性问题。但是目前的网络表示学习算法主要是关注于同构网络的表示学习,即网络中的节点和链接关系都是同一个类型。而异构社交网络中包含了不同类型的节点和链接,用户节点之间的不同的链接类型蕴含着不同的语义关系,用户在不同语义关系下可能具有不同的距离,所以针对同构网络而设计的网络表示学习算法不一定能够很好地学习到社交网络中用户的向量表示。为了解决这一问题,本文提出了一种基于元结构的用户相似度计算方法,利用异构社交网络中不同类型的元结构来更加准确地描述用户之间在不同情景下的语义关系。然后使用栈式降噪自编码器融合多种关系信息,从而学习异构社交网络中用户的低维表示。此外,社交网络中往往存在着比较明显的社区结构,如果在异构社交网络表示学习过程中能够学习到社交网络的社区结构,那么学习到的网络节点向量则能够更加准确地反映出原始网络的结构特点。所得到的网络节点向量在后续的网络数据挖掘任务中也能发挥更好的效果,如用户节点分类等。基于此想法,本文通过把社交网络中的社区类比成自然语言中的主题,利用自然语言处理中的主题模型方法,学习到每个用户节点的社区信息。并将其加入到网络表示学习的过程中去,最终学习到社交网络中用户的最终表示。最后我们通过在叁个真实数据集上的实验,验证了本文算法的效果。本文主要工作和创新点主要如下:(1)为了解决社交网络过于稀疏影响网络表示学习效果的问题,本文通过引入更加丰富的信息来缓解社交网络的稀疏性问题。通过挖掘用户节点的属性信息,加入到社交网络中,构造了新的异构社交网络。(2)针对同构网络表示学习算法不适用异构社交网络,无法准确地学习到网络中丰富的语义信息的问题,本文利用异构社交网络中的元结构,提出一种计算异构社交网络中用户相似度的方法。通过该方法来挖掘异构社交网络中的用户之间不同类型的语义信息。然后利用深度神经网络来融合多种语义信息,从而学习到网络的节点表示。(3)为了在网络表示学习中学习异构社交网络中宏观的社区结构信息,得到更加精确的用户表示,本文将社交网络中的社区类比成自然语言中的主题,然后借鉴自然语言处理方法中的LDA主题模型算法来学习用户的社区信息,并将其应用到网络表示学习中去。(本文来源于《吉林大学》期刊2019-05-01）
张丹,孔晓丹[2]（2018）在《创新网络社区结构对合作行为演化的影响》一文中研究指出基于复杂网络与演化博弈相关理论,建立社区规模均匀性可调和社区间交互水平可变的无标度社区网络模型,仿真研究在网络社区规模均匀和非均匀两种条件下,社区间交互水平对创新网络合作行为演化的影响。实验结果表明,随着社区间交互水平的提高,创新网络合作水平呈现先上升后下降的趋势,即社区间存在最优交互值使合作水平较高;对于社区规模不均匀的创新网络,随着社区间交互水平的增加,大社区对整体网络合作水平的提升作用相比小社区更加明显。(本文来源于《软科学》期刊2018年11期）
王思檬,曹佳[3]（2019）在《边异质网络中的社区结构发现算法》一文中研究指出为解决社区结构发现算法功能社区与拓扑社区不一致的问题,提出一种基于边类型相似性聚类(TESC)的社区结构发现算法。该算法以局部拓扑特征与异质信息为目标进行节点聚类,基于节点邻接边类型构造网络节点之间的相似矩阵,从而获取边异质信息。在该相似矩阵的基础上,通过传统层次聚类的思想将相似度大的节点进行合并,进而利用轮廓系数优化社区数量,得到最终社区划分结果。选取社区结构已知的4个真实网络和6个人工合成基准LFR网络,通过与同质网络的GN、Louvain算法以及异质网络的Hete-SPAEM、Hetero-Attractor算法对比,结果表明TESC算法获得的社区结构更接近于网络实际社区结构。(本文来源于《计算机工程》期刊2019年06期）
曲瑞[4]（2018）在《具有社区结构的网络建模和信息传播研究》一文中研究指出复杂网络在自然界中普遍存在,如社会网络、蛋白质互作用网络、新陈代谢网络等,它们具有一些相同的网络特性,如社区结构、小世界特性和无标度特性,深入研究和探索这些复杂网络的网络特性和行为是当前的研究热点。建立合理的复杂网络模型,研究网络模型上的信息传播特性和免疫策略,有助于理解和研究复杂系统的结构和动力学行为。本文对具有社区结构的复杂网络建模及信息传播问题展开研究,主要工作有:(1)提出了一种具有社区结构的可调节聚集系数和模块性的无标度网络生成算法TCMSN,生成拓扑性质可调的具有社区结构的无标度复杂网络。通过调节模型的输入参数(如混合参数、连边概率)等调整所生成网络的模块性、聚集系数等重要拓扑属性;设计合理的连边策略,在不破坏网络结构多样性的情况下,尽可能维持网络的无标度特性。实验结果表明,TCMSN算法能够生成最接近真实网络社区结构特征的网络模型。(2)对算法TCMSN生成的网络模型和真实网络的传播特性进行分析。根据节点在网络中的作用,分别考虑以rich节点和diverse节点作为信息传播源时,网络在不同传播模型下的信息传播特性,实验表明rich节点在网络中传播速度较快和传播范围较广;而diverse节点作为传播源,与网络中度数相当的非diverse节点相比,其信息传播速度更快,传播范围更广。此外,论文分析了社区结构对网络信息传播的影响,可以通过控制混合参数抑制网络中信息传播的速度和范围。(3)提出了一种基于局部信息的信息免疫策略CHBD(Community Hub and Bridge Detector),在无需知道网络的全局信息和社区结构的前提下,有效发现并免疫网络中的潜在桥节点和中心节点,从而抑制网络中信息的传播。人工数据和真实网络的模拟实验表明,CHBD免疫策略对于抑制不同社区结构的网络中的信息传播具有更好的效果。(本文来源于《山西大学》期刊2018-06-01）
王亚卫[5]（2018）在《基于社区结构的复杂网络分布式关键节点挖掘算法》一文中研究指出在复杂网络中挖掘关键节点具有重要的现实应用价值,本文通过对复杂网络结构和特性的研究分析,同时考虑到网络规模不断变大的问题,进行了如下工作。首先,构建复杂网络的分布式处理模型。分别对HDFS文件中复杂网络数据的划分,算法中间结果数据的存储方式和基于MapReduce的多任务计算框架做了详细的设计。其次,针对无权复杂网络,提出基于社区结构的关键节点分布式挖掘算法。该算法针对节点社区结构属性、节点的直接邻里关系,得到节点对应的社区因子、信息扩散系数和信息传播依赖度,在此基础上,计算得出节点自身重要度;接着通过对节点间接邻里关系的考虑,得出节点综合重要度,其大小决定节点在整个网络中的关键程度。再次,针对加权复杂网络,提出基于核心点社区的分布式关键节点挖掘算法。该算法基于节点相似度,划分邻域点社区;接着对互为合并点社区的邻域点社区进行合并,得到核心点社区,进而完成整个网络的社区划分;每个核心点社区的核心点作为嫌疑关键节点群,考虑度属性、权重属性、多层邻里关系,计算核心节点综合重要度,并在每个社区中按照重要度值从大到小排序,取出每个社区中前几个节点作为全网的关键节点。最后,针对本文提出的两个算法,基于分布式平台进行实现,并与经典的关键节点挖掘算法进行了对比分析,验证本文算法在性能上的优势。(本文来源于《燕山大学》期刊2018-05-01）
马飞[6]（2018）在《几类复杂网络模型的拓扑性质：小世界无标度特性，生成树的数目和社区结构》一文中研究指出作为一个跨学科的新型研究领域——复杂网络,不论是理论上的建模模拟,还是基于真实数据的计算机仿真,都吸引了大批科研人员的高度关注.特别是小世界效应和无标度特性的发现,致使研究热度高居不下,更甚至一路高涨.随着时间的延续,小世界无标度网络的拓扑结构和内在性质都在不断地发生着变化,基于这一特性,国内外的学者提出了一系列网络模型去刻画和逼近现实中的复杂网络.为此,本文的第二部分将介绍一类复杂系统,通过建立相应的动力学方程,初步讨论了其与真实现象之间的联系.网络的变化是复杂而精密,为了揭示其内部蕴含的演化机理,许多理论网络模型被不断地创造和改进.鉴于此,文中的第叁、四部分引入了几类网络模型,包括:随机模型和确定模型.考虑到随机网络的拓扑性质很难捕捉,仅仅通过计算顶点的度分布来验证了模型的无标度特性.对于确定的网络模型,不仅能证明其拥有无标度特性,而且可以数值解析它的直径和平均距离来验证它的小世界效应.生成树的数目被看做一个图的结构不变量,它可以联系到很多重要的结构拓扑性质,如:渗流、疾病传播、同步现象和随机游走等.第五部分主要介绍了一种计算生成树数目的技术方法以及将这种方法应用在几类确定的小世界无标度网络模型,通过与一些现行枚举法的对比,彰显了该方法的便捷性和可操作性.社区结构,一个现实世界和虚拟世界中普遍存在的拓扑性质,从另一个角度刻画了网络内部结构的演化机理.类比于经典图论中图的剖分问题,第六部分探讨了一些现存的社区发现技术之间的相互关系,以及与图的剖分之间的区别.文章末尾就未来的研究方向和相关问题做了简短的总结和展望.(本文来源于《西北师范大学》期刊2018-05-01）
苏静[7]（2018）在《几类无标度网络模型的构建、特性和社区结构》一文中研究指出复杂网络的研究是当今网络研究的重要课题,它的复杂性表现在:网络自身的拓扑结构复杂;增长机制复杂,因为伴随着节点与连边的增加与消失;节点间连接方式复杂,生活中一些网络里的连边还存在方向;动力学复杂性等等,这些复杂性可以同时存在,并且它们对网络研究带来了很多的困难.复杂网络技术能直观地展现复杂网络系统各类要素之间的关联互动,又能够通过计算实现对复杂系统的结构特征、规律的深入分析,因此被广泛应用于生活中的各个领域.无标度网络是复杂网络中的一个重要分支,大量研究表明:绝大多数真实网络都是无标度网络,如:万维网、社交网络、新陈代谢网络等等都与我们息息相关.为了更好地刻画和认识无标度网络的拓扑结构和相关性质,通常选择建立网络模型来模拟真实网络.研究者提出了许多网络模型,但大部分是确定的、特殊的网络模型.实际上网络并不是规则的,具有随机性和极其复杂的动态结构,增长方式也并不会呈现出很强的规律性,因此本文定义了几种网络运算,并从吻合网络模型拓扑结构、网络运算的角度出发构造了几类动态无标度网络模型,其中包括SA-混合网络模型,AS-混合网络模型,超网络模型和广义混合网络模型,这些模型更具有随机性,并且这几类模型的生成机制各不相同,文章也通过分析度谱,计算平均度、度累积等参数对这些模型的拓扑结构进行分析,利用新定义的发展速度估计网络模型的增长快慢,又从概念和微分方程的角度分别刻画其无标度性质.(本文来源于《西北师范大学》期刊2018-05-01）
刘强[8]（2018）在《社交网络中社区结构与关键节点探测技术研究》一文中研究指出随着Web2.0技术的迅速发展,人们的生活方式发生了很大的变化。现实社会中的人与人之间的关系在互联网上又有了新的延伸,人们通过互联网进行着各种各样的交互,从而促进了社交网络的蓬勃发展。近年来,一些典型的社交网络服务平台,如Facebook,维基百科,新浪微博等,其用户数量得到了较快的增长。在社交网络中,用户是网络的核心和主体,用户之间通过链接关系形成了社交网络的基本结构。通过这种结构,社交网络上的用户在共同目标或兴趣的驱动下,进行着各式各样信息的传递与共享。在现实世界中,人们的活动往往表现出明显的群体特性,如家庭群体,朋友群体等等。在网络社会中,用户之间的交互同样也表现出明显的群体特性,也称为网络的社区结构特性,即一些用户之间的交互较为紧密,另一些用户之间的交互则较为稀疏,这些交互紧密的用户便形成了网络上的社区。同时,网络社会所呈现出的群体聚集效应使得现实社会中的众多事件、活动的产生和发展变得更加容易。比如,恐怖组织和极端组织等通过社交网络进行恐怖活动的组织和发动,从而极大的危害了国家的安全和社会的稳定。另外,群体聚集效应的形成也离不开网络中的一些信息传播关键个体,这些个体在网络群体中往往具有较高的影响力水平,从而促进了群体的形成及其聚集的速度。通过对这些关键个体的识别,可以有效地对信息传播的进程予以控制,避免不良事件的发生。因此,开展社交网络中群体发现技术以及关键个体识别技术的研究,对于维护社会的稳定,抑制不良信息的传播和巩固国家的安全稳定,具有重要的理论意义和现实意义。目前,研究者可以从多个不同角度对社交网络的相关特性进行分析和研究,但对其结构特性的分析是其它分析方法的基础。社交网络中的各个个体都是基于个体间的链接关系进行着信息的交互与传递,其结构关系的变化直接影响着信息传递的广度与深度。因此,本文从社交网络结构特性的角度出发,分别就群体发现技术和信息传播关键节点识别技术进行了相关研究。本文的主要贡献具体可以概括为以下四个方面:(1)在静态网络社区发现方面,针对当前基于优化的社区发现技术所存在的准确性不高的问题,提出了一种基于群体智能策略的果蝇优化社区发现方法。相对于传统的基于生物进化或群体智能策略的社区发现方法,基于果蝇优化的社区发现方法具有人为设置参数较少,计算过程简单,易于理解等优点。然而,单纯的果蝇优化社区发现方法在寻找最优社区划分的过程中,容易陷入局部极值,全局搜索能力偏弱。针对这一不足,本文通过采用局部爬山搜索来增强算法的局部搜索能力,采用多种群策略来增强算法的全局搜索能力。通过在四个真实网络和人工网络上的实验研究和分析,表明了该方法在解空间上具有良好的全局搜索能力和局部搜索能力,从而使得最终的社区划分结果具有较高的准确性。(2)在静态网络社区发现方面,针对当前大多数社区发现方法需要获取网络的全局结构信息,从而具有较高时间复杂度,难以适应较大规模社交网络社区发现的问题,本文在定义了一种新的节点影响力评估方法(LH-index)的基础上,根据网络的核心—边缘结构特性,提出了一种基于节点LH-index影响力传播的社区发现方法。该方法通过节点的LH-index值的大小来判断节点的影响力水平并对其进行排序,然后根据该顺序进行节点影响力的标签传播,从而克服了传统标签传播社区发现算法中的两个随机性问题(初始节点选择的随机性和标签更新策略的随机性)所导致的社区划分结果的不稳定性。通过在真实网络和人工合成网络上的实验研究和分析,表明了该方法不但具有较低的时间复杂度,而且能够较好的发现网络的社区结构特征,并且发现的社区划分结果较为稳定。(3)在动态网络社区发现方面,针对当前大多数动态社区发现方法不能同时发现动态网络中社区结构的层次性和重迭性(层迭性)问题,以及忽略了节点之间交互强度的变化对节点社区归属的影响,本文以网络中的边为研究对象,提出了一种基于动态加权网络的层迭社区发现方法。该方法不仅可以揭示出动态变化网络中的社区结构,而且能够检测出网络中的重迭社区。同时,该方法还能够通过调整一个参数获得边社区的层次结构。该方法的基本思想是基于加权边聚类系数以及加权边分区密度,从而可以确定种子边的选择和初始边社区的构建,扩展以及合并。通过在人工网络和真实世界网络上实验研究和分析,表明了该方法可以有效地检测出动态加权网络中的层迭社区结构。(4)在信息传播关键节点识别方面,针对当前大多数方法在评估节点影响力水平方面,所得的节点理论影响力水平(该评估方法所得的计算值)与其实际影响力水平(该节点作为信息传播源,利用信息传播模型计算其最终所感染网络中节点的实际数目)存在较大差异的问题,提出了一种基于局部h-index(LH-index)的信息传播关键节点识别方法。H-index作为一种新近提出的节点影响力度量方法,在评估节点的实际影响力水平方面,优于传统方法,且具有准确性较高,对节点度数值微小变化不敏感,只需要网络局部信息等优点。然而,h-index方法在识别信息传播关键节点时,存在分辨率限制的问题。针对h-index方法的这一不足,本文在考虑了一个节点h-index值的基础上,同时考虑了与该节点相邻的邻居节点的h-index值的大小,从而提出了一种基于LH-index的信息传播关键节点识别方法。该方法的基本思想在于一个节点的邻居节点中具有较高影响力的节点数目越多,该节点影响力水平就越强。通过在四个真实网络和两种网络模型所生成的人工模拟网络上的实验研究和分析,表明了LH-index方法在识别信息传播关键节点上的有效性。同时,针对网络的社区结构对节点的信息传播能力存在一定影响的特性,在前述LH-index方法的基础上,考虑了网络的社区结构特性对信息传播关键节点识别技术的影响,提出了一种基于网络社区结构的信息传播关键节点识别方法。通过在真实网络上的实验研究与分析,表明了该方法能够对具有社区结构网络上的信息传播关键节点进行有效的识别。(本文来源于《国防科技大学》期刊2018-04-01）
郭杨志[9]（2018）在《复杂网络社区结构的重迭社区发现和鲁棒性分析》一文中研究指出在现实世界中,许多的真实系统都可以建模为复杂网络,比如常见的社交网络、交通网络、计算机网络等等。在复杂网络中节点往往呈现出集群特性,社区发现是用以揭示网络中节点集群行为的方法。社区发现算法可以帮助我们更好的分析网络和理解网络功能,在实际中也具有十分广泛的应用前景,如个性化推荐,影响最大化等。网络的鲁棒性指网络的健壮性,当网络遭受到攻击时,网络的结构完整性会受到损坏,从而造成系统功能的损失。网络鲁棒性用来衡量复杂网络遭受攻击时网络完整性的一个重要指标。研究网络的鲁棒性可以帮助我们构建稳定的网络结构,从而使得实际系统免受恶意伤害。本文主要研究复杂网络的重迭社区发现和针对特殊桥节点攻击下的社区鲁棒性,在这两个工作中我们分别使用了Memetic算法和模拟退火算法,均取得了良好的效果。本文主要工作包括以下两个部分:1、重迭社区检测算法是用来发现网络中的重迭社区。基于传统的模块度和模块度密度优化函数,结合网络中全部节点对每个社区的隶属度提出了模糊度评价指标,该指标能够发现不同分辨率下网络的社区结构。本文将该问题建模为一个单目标优化问题,提出了一个新的Memetic算法,通过优化模糊度评价指标检测复杂网络中的重迭社区结构。在新提出的算法中我们重新设计了交叉、变异操作,同时使用模糊K均值作为局部搜索策略。在真实网络中的实验表明,与模块度和模块密度函数相比,所提出的模糊度评价指标能够检测到不同的分辨率下的社区结构,同时该算法可以有效地找到网络中的重迭社区。2、网络的鲁棒性描述了网络出现故障或者被攻击情况下,能够维持其功能和结构完整性的能力,因此提高网络的鲁棒性是非常必要的。本文将对社区结构的鲁棒性提高问题进行建模,提出了一种基于模拟退火算法的社区鲁棒性优化方法。在文中首先使用传统的社区检测算法对网络进行划分,然后提出了一种新的桥节点攻击方式,实验表明该攻击模式可以高效地破坏网络中最大联通子图和社区结构完整性。随后提出了一个评估桥节点攻击下社区完整性的指标。同时为了保持优化的网络与原始网络的社区结构的一致,该算法增加了一个新的约束条件。实验证明了该算法能够有效的提高该攻击模式下的社区鲁棒性。(本文来源于《西安电子科技大学》期刊2018-04-01）
郑文萍,曲瑞,穆俊芳[10]（2018）在《具有社区结构的无标度网络生成算法》一文中研究指出近年来,生成图模型在复杂网络研究中的作用越来越重要。图的生成过程对于研究疾病的蔓延和信息的传播具有重大意义,同时图模型的生成也有助于更深入地研究复杂网络的特性。为了能够生成既符合真实网络特征又具有结构多样性的复杂网络,提出了一种具有社区结构的可调节聚集系数和模块性的无标度网络生成算法——TCMSN(Scale Free Network with Tunable Clustering Coefficient and Modularity)。通过调节混合参数可以调节生成网络的模块性,通过调节社区内连边的概率和混合参数可以对网络聚集系数进行调节。TCMSN采用了合理的连边策略,在不破坏网络结构多样性的情况下,能尽可能维持网络的无标度特性。人工构造数据和真实网络数据的对比实验结果表明,TCMSN算法能够生成可调节聚集系数和模块性的无标度网络模型,且能够生成最接近真实网络社区结构特征的网络模型。(本文来源于《计算机科学》期刊2018年02期）
网络社区结构论文开题报告
（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：
基于复杂网络与演化博弈相关理论,建立社区规模均匀性可调和社区间交互水平可变的无标度社区网络模型,仿真研究在网络社区规模均匀和非均匀两种条件下,社区间交互水平对创新网络合作行为演化的影响。实验结果表明,随着社区间交互水平的提高,创新网络合作水平呈现先上升后下降的趋势,即社区间存在最优交互值使合作水平较高;对于社区规模不均匀的创新网络,随着社区间交互水平的增加,大社区对整体网络合作水平的提升作用相比小社区更加明显。
（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。
网络社区结构论文参考文献
[1].王旭.结合社区结构信息的异构社交网络表示学习研究[D].吉林大学.2019
[2].张丹,孔晓丹.创新网络社区结构对合作行为演化的影响[J].软科学.2018
[3].王思檬,曹佳.边异质网络中的社区结构发现算法[J].计算机工程.2019
[4].曲瑞.具有社区结构的网络建模和信息传播研究[D].山西大学.2018
[5].王亚卫.基于社区结构的复杂网络分布式关键节点挖掘算法[D].燕山大学.2018
[6].马飞.几类复杂网络模型的拓扑性质：小世界无标度特性，生成树的数目和社区结构[D].西北师范大学.2018
[7].苏静.几类无标度网络模型的构建、特性和社区结构[D].西北师范大学.2018
[8].刘强.社交网络中社区结构与关键节点探测技术研究[D].国防科技大学.2018
[9].郭杨志.复杂网络社区结构的重迭社区发现和鲁棒性分析[D].西安电子科技大学.2018
[10].郑文萍,曲瑞,穆俊芳.具有社区结构的无标度网络生成算法[J].计算机科学.2018