【摘要】：自然界和人類社會(huì)中眾多的復(fù)雜系統(tǒng)可以抽象成復(fù)雜網(wǎng)絡(luò),從而通過研究得到有價(jià)值的結(jié)論。因此,復(fù)雜網(wǎng)絡(luò)廣泛應(yīng)用于各個(gè)領(lǐng)域,比如生物領(lǐng)域、人際關(guān)系領(lǐng)域、互聯(lián)網(wǎng)領(lǐng)域等等。根據(jù)復(fù)雜網(wǎng)絡(luò)中節(jié)點(diǎn)間連接類型不同,可以將復(fù)雜網(wǎng)絡(luò)分為無符號(hào)網(wǎng)絡(luò)和符號(hào)網(wǎng)絡(luò)。無符號(hào)網(wǎng)絡(luò)節(jié)點(diǎn)之間的連接類型可以分為有連接和無連接兩種。符號(hào)網(wǎng)絡(luò)中,將節(jié)點(diǎn)之間的有連接進(jìn)一步分成了正連接和負(fù)連接,因此節(jié)點(diǎn)之間的連接有三種類型。作為復(fù)雜網(wǎng)絡(luò)研究中重要的統(tǒng)計(jì)模型,隨機(jī)塊模型因其能夠靈活地發(fā)現(xiàn)網(wǎng)絡(luò)中多種潛在的結(jié)構(gòu),吸引了眾多學(xué)者的研究。因此,出現(xiàn)了符號(hào)和無符號(hào)隨機(jī)塊模型在這兩種類型網(wǎng)絡(luò)上的研究。但是現(xiàn)實(shí)世界的符號(hào)網(wǎng)絡(luò)中存在噪聲,無符號(hào)網(wǎng)絡(luò)往往比較稀疏,隨機(jī)塊模型在復(fù)雜網(wǎng)絡(luò)上的研究存在一些挑戰(zhàn)。本文針對(duì)以上存在的問題做了如下的兩項(xiàng)工作:1)擴(kuò)展了非監(jiān)督符號(hào)隨機(jī)塊模型,提出了該模型下符號(hào)預(yù)測(cè)的方法,并對(duì)該模型在社區(qū)發(fā)現(xiàn)和符號(hào)預(yù)測(cè)方面的能力進(jìn)行了全面的實(shí)驗(yàn)驗(yàn)證。本文基于貝葉斯理論的思想,利用邊分布的先驗(yàn)分布和社區(qū)發(fā)現(xiàn)的結(jié)果,推斷出在各個(gè)塊中三種類型邊的后驗(yàn)分布,然后根據(jù)推斷出的邊的后驗(yàn)分布預(yù)測(cè)未知邊的符號(hào)。由于該方法考慮了邊先驗(yàn)分布以及邊的密度和符號(hào),因此該方法在平衡網(wǎng)絡(luò)和非平衡網(wǎng)絡(luò)上有更好的表現(xiàn)。此外,本文充分地驗(yàn)證了符號(hào)隨機(jī)塊模型的性能,主要包括:在人工數(shù)據(jù)集和不同規(guī)模的真實(shí)數(shù)據(jù)集上社區(qū)發(fā)現(xiàn)的能力、在平衡網(wǎng)絡(luò)和非平衡網(wǎng)絡(luò)上模型選擇能力、在人工數(shù)據(jù)集和真實(shí)數(shù)據(jù)集上的符號(hào)預(yù)測(cè)的能力。2)提出了一種基于半監(jiān)督學(xué)習(xí)的隨機(jī)塊模型。由于現(xiàn)實(shí)世界的網(wǎng)絡(luò)存在噪聲并且比較稀疏,非監(jiān)督學(xué)習(xí)的算法往往無法得到準(zhǔn)確的劃分結(jié)果。在一些真實(shí)的場景中,部分節(jié)點(diǎn)的標(biāo)簽信息可以得到。本文具有相同標(biāo)簽的節(jié)點(diǎn)更傾向于在同一塊內(nèi)的假設(shè),結(jié)合標(biāo)簽信息和網(wǎng)絡(luò)本身的拓?fù)浣Y(jié)構(gòu)信息提出一般化的半監(jiān)督隨機(jī)塊模型,并提出該模型基于變分貝葉斯推理的學(xué)習(xí)方法。該模型既可以處理符號(hào)網(wǎng)絡(luò)也可以處理無符號(hào)網(wǎng)絡(luò),而且既可以發(fā)現(xiàn)網(wǎng)絡(luò)中的社區(qū)結(jié)構(gòu)也可以發(fā)現(xiàn)多分結(jié)構(gòu)。本文是第一次提出用半監(jiān)督學(xué)習(xí)的思想發(fā)現(xiàn)符號(hào)網(wǎng)絡(luò)中的隱藏結(jié)構(gòu)。此外,本文通過將該模型與無監(jiān)督、半監(jiān)督以及監(jiān)督學(xué)習(xí)算法對(duì)比,發(fā)現(xiàn)該模型在社區(qū)結(jié)構(gòu)和多分結(jié)構(gòu)發(fā)現(xiàn)方面表現(xiàn)優(yōu)異。
[Abstract]:Many complex systems in nature and human society can be abstracted into complex networks. Therefore, complex networks are widely used in various fields, such as biology, interpersonal relations, the Internet and so on. Complex networks can be divided into unsigned networks and symbolic networks according to the different types of connections between nodes in complex networks. The connection types between unsigned network nodes can be divided into two types: connected and connectionless. In symbolic networks, the connections between nodes are further divided into positive and negative connections, so there are three types of connections between nodes. As an important statistical model in the study of complex networks, the stochastic block model has attracted many scholars for its flexible discovery of many potential structures in the network. Therefore, symbolic and unsigned random block models are studied on these two types of networks. But in the real world, there is noise in symbolic networks, and unsigned networks are often sparse. There are some challenges in the research of stochastic block models on complex networks. In this paper, the following two works are done to solve the above problems: 1) the unsupervised symbol random block model is extended, and the method of symbol prediction under the model is proposed. The ability of the model in community discovery and symbol prediction is verified. Based on the idea of Bayesian theory, using the prior distribution of edge distribution and the result of community discovery, we infer the posteriori distribution of three types of edges in each block, and then predict the symbols of unknown edges according to the deduced posteriori distribution of edges. Because the prior distribution of edges and the density and symbol of edges are considered in this method, the method has better performance in balanced and non-equilibrium networks. In addition, this paper fully verifies the performance of the symbolic random block model, mainly including: the ability of community discovery on artificial data sets and real data sets of different scales, the ability of model selection on balanced and unbalanced networks. The ability of symbol prediction on artificial data sets and real data sets. 2) A stochastic block model based on semi-supervised learning is proposed. Because the real world networks are noisy and sparse, unsupervised learning algorithms are often unable to obtain accurate partition results. In some real-life scenarios, the label information of some nodes can be obtained. In this paper, nodes with the same label tend to assume in the same block, combining the label information and the topology information of the network itself, a generalized semi-supervised random block model is proposed. A learning method based on variational Bayesian reasoning is proposed. The model can deal with both symbolic and unsigned networks, and can find both community structure and multi-division structure in the network. This paper is the first time to use the idea of semi-supervised learning to discover hidden structures in symbolic networks. In addition, by comparing the model with unsupervised, semi-supervised and supervised learning algorithms, it is found that the model performs well in community structure and multi-component structure discovery.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：O157.5

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李文林;苗靜;劉振紅;;含時(shí)滯的復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)模型的指數(shù)同步[J];河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年05期

2 劉強(qiáng);方錦清;李永;;4種類型超網(wǎng)絡(luò)模型構(gòu)建方法[J];中國原子能科學(xué)研究院年報(bào);2013年00期

3 劉強(qiáng);方錦清;李永;;超網(wǎng)絡(luò)模型交叉度分析[J];中國原子能科學(xué)研究院年報(bào);2013年00期

4 宣士斌;有限離散屬性網(wǎng)絡(luò)模型及分類搜索方法[J];廣西民族學(xué)院學(xué)報(bào)(自然科學(xué)版);2002年03期

5 張子賢;劉家春;袁德明;李瑞森;吳興國;;承壓水漏斗動(dòng)態(tài)研究的BP網(wǎng)絡(luò)模型及其研制中的若干問題[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2011年15期

6 方紅遠(yuǎn),陳建軍;水文預(yù)測(cè)的BP網(wǎng)絡(luò)模型及其擬合度分析[J];揚(yáng)州大學(xué)學(xué)報(bào)(自然科學(xué)版);2001年04期

7 路蘭;高齊圣;楊洪勇;;基于財(cái)富重分機(jī)制的網(wǎng)絡(luò)演化模型[J];控制與決策;2013年03期

8 方錦清;畢橋;盧新彪;李永;劉強(qiáng);梁勇;;一種和諧統(tǒng)一的混合網(wǎng)絡(luò)模型[J];中國原子能科學(xué)研究院年報(bào);2005年00期

9 王亞平,葉仁蓀,郭耀煌;一類搭接作業(yè)模糊網(wǎng)絡(luò)模型及其算法研究[J];鐵道學(xué)報(bào);1999年02期

10 劉強(qiáng);方錦清;李永;;隨機(jī)性連接對(duì)大統(tǒng)一混合網(wǎng)絡(luò)模型同步能力的影響[J];中國原子能科學(xué)研究院年報(bào);2011年00期

相關(guān)會(huì)議論文 前10條

1 張書超;那日薩;;具有老化機(jī)制的阿波羅網(wǎng)絡(luò)模型[A];2006全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會(huì)議論文集[C];2006年

2 王仲君;黃紅球;;一個(gè)具有確定度分布的有向網(wǎng)絡(luò)模型[A];2006全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會(huì)議論文集[C];2006年

3 李季明;張寧;;具有隨機(jī)性的確定性網(wǎng)絡(luò)模型[A];2006全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會(huì)議論文集[C];2006年

4 秦紹萌;陳勇;;生態(tài)系統(tǒng)宏觀演化的網(wǎng)絡(luò)模型[A];2006全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會(huì)議論文集[C];2006年

5 駱繼明;郭新軍;;分布復(fù)雜機(jī)電系統(tǒng)網(wǎng)絡(luò)模型圖自動(dòng)生成算法研究[A];煤礦機(jī)電一體化新技術(shù)創(chuàng)新與發(fā)展2012學(xué)術(shù)年會(huì)論文集[C];2012年

6 周勝利;耿顯民;;具有真實(shí)網(wǎng)絡(luò)一般特性的復(fù)雜網(wǎng)絡(luò)模型[A];第七屆中國不確定系統(tǒng)年會(huì)論文集[C];2009年

7 楊洪勇;王福生;;基于帶寬的Internet網(wǎng)絡(luò)模型[A];2007中國控制與決策學(xué)術(shù)年會(huì)論文集[C];2007年

8 趙雁飛;劉永忠;陳三強(qiáng);孫皓;;冷凍干燥過程相遷移和相分布的孔尺度網(wǎng)絡(luò)模型與模擬[A];第八屆全國冷凍干燥學(xué)術(shù)交流會(huì)論文集[C];2005年

9 梁昌洪;鄭家駿;;復(fù)電介質(zhì)反演的精確網(wǎng)絡(luò)模型[A];2001年全國微波毫米波會(huì)議論文集[C];2001年

10 劉杰;陸君安;;兩類復(fù)雜網(wǎng)絡(luò)模型及其同步能力研究[A];2006全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會(huì)議論文集[C];2006年

相關(guān)重要報(bào)紙文章 前3條

1 ;智能光網(wǎng)絡(luò)的網(wǎng)絡(luò)模型[N];人民郵電;2003年

2 馮衛(wèi)東;美構(gòu)建可快速確認(rèn)基因功能的基因網(wǎng)絡(luò)模型[N];科技日?qǐng)?bào);2008年

3 賀贊暉　唐大海;價(jià)格網(wǎng)絡(luò)與金融屬性定價(jià)[N];期貨日?qǐng)?bào);2010年

相關(guān)博士學(xué)位論文 前10條

1 齊峰;人工神經(jīng)樹網(wǎng)絡(luò)模型的優(yōu)化研究與應(yīng)用[D];山東師范大學(xué);2011年

2 李淑靜;復(fù)合復(fù)雜網(wǎng)絡(luò)模型研究與應(yīng)用[D];青島大學(xué);2011年

3 譚利;復(fù)雜網(wǎng)絡(luò)模型及應(yīng)用研究[D];中南大學(xué);2010年

4 隋毅;多子網(wǎng)復(fù)合復(fù)雜網(wǎng)絡(luò)模型及其相關(guān)性質(zhì)的研究[D];青島大學(xué);2012年

5 黃朝琴;基于離散縫洞網(wǎng)絡(luò)模型的多尺度兩相流動(dòng)模擬理論研究[D];中國石油大學(xué)（華東）;2012年

6 岳博;Bayes網(wǎng)絡(luò)模型及其學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2002年

7 彭利民;基于Cayley圖的無線P2P覆蓋網(wǎng)絡(luò)模型及相關(guān)技術(shù)研究[D];華南理工大學(xué);2011年

8 王晨晨;碳酸鹽巖介質(zhì)雙孔隙網(wǎng)絡(luò)模型構(gòu)建理論與方法[D];中國石油大學(xué)（華東）;2013年

9 蔡先鋒;礦井三維地理網(wǎng)絡(luò)模型及網(wǎng)絡(luò)分析研究[D];中國礦業(yè)大學(xué)(北京);2012年

10 姜江;證據(jù)網(wǎng)絡(luò)建模、推理及學(xué)習(xí)方法研究[D];國防科學(xué)技術(shù)大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 王芳;基于深度信念網(wǎng)絡(luò)的資源檢索與推薦系統(tǒng)[D];北京郵電大學(xué);2015年

2 楊光勇;科研合作超網(wǎng)絡(luò)模型的構(gòu)建及其應(yīng)用研究[D];上海理工大學(xué);2013年

3 李倩;深度網(wǎng)絡(luò)模型構(gòu)建及學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2014年

4 閆廷亞;基于GHSOM網(wǎng)絡(luò)模型的FY-2E夜間衛(wèi)星云圖分類方法研究[D];華東交通大學(xué);2015年

5 劉峰;軌道車輛MVB網(wǎng)絡(luò)模型研究與設(shè)計(jì)[D];長春工業(yè)大學(xué);2016年

6 齊亞萍;具有實(shí)數(shù)詞匯結(jié)構(gòu)的語言競爭復(fù)雜agent網(wǎng)絡(luò)模型[D];昆明理工大學(xué);2016年

7 邵春昌;基于圖理論的信息網(wǎng)絡(luò)模型研究[D];中央民族大學(xué);2016年

8 鄭光璞;模擬視覺皮層工作機(jī)制的發(fā)育網(wǎng)絡(luò)模型研究[D];鄭州大學(xué);2016年

9 張磊;微博超網(wǎng)絡(luò)模型的建立及關(guān)鍵節(jié)點(diǎn)識(shí)別方法研究[D];南京航空航天大學(xué);2016年

10 田茂根;并行超網(wǎng)絡(luò)的研究及其在電影評(píng)分預(yù)測(cè)等問題中的應(yīng)用[D];重慶郵電大學(xué);2016年

，

本文編號(hào)：2361153