發(fā)布時(shí)間：2018-02-21 12:43

  本文關(guān)鍵詞： 復(fù)雜網(wǎng)絡(luò) 社區(qū)發(fā)現(xiàn) 統(tǒng)計(jì)推理 概率模型 非參貝葉斯 好友推薦　出處：《哈爾濱工業(yè)大學(xué)》2016年博士論文　論文類型：學(xué)位論文

【摘要】：現(xiàn)實(shí)世界中的許多復(fù)雜系統(tǒng),如互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、食物鏈網(wǎng)、神經(jīng)網(wǎng)絡(luò)以及社會(huì)網(wǎng)絡(luò)等,都可以描述成由節(jié)點(diǎn)集通過邊連接構(gòu)成的復(fù)雜網(wǎng)絡(luò)。社區(qū)發(fā)現(xiàn)作為復(fù)雜網(wǎng)絡(luò)的一項(xiàng)重要研究內(nèi)容吸引了多個(gè)領(lǐng)域的研究人員從不同視角對其進(jìn)行深入研究。盡管近年來涌現(xiàn)出一大批新穎的社區(qū)發(fā)現(xiàn)方法,但依然存在許多問題,包括網(wǎng)絡(luò)的重疊社區(qū)發(fā)現(xiàn)、異質(zhì)網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)、網(wǎng)絡(luò)社區(qū)的自動(dòng)探索以及社區(qū)發(fā)現(xiàn)的應(yīng)用等。本文提出一系列基于統(tǒng)計(jì)推理的方法來進(jìn)一步研究解決上述難題,研究內(nèi)容主要包括重疊社區(qū)發(fā)現(xiàn)和社區(qū)自動(dòng)探索兩個(gè)方面。重疊社區(qū)發(fā)現(xiàn)主要針對符號網(wǎng)絡(luò)和加權(quán)網(wǎng)絡(luò),其中符號網(wǎng)絡(luò)考慮了邊的正負(fù)極性,加權(quán)網(wǎng)絡(luò)考慮了邊的強(qiáng)弱程度;社區(qū)自動(dòng)探索主要針對同質(zhì)網(wǎng)絡(luò)和異質(zhì)網(wǎng)絡(luò),其中同質(zhì)網(wǎng)絡(luò)由單一類型節(jié)點(diǎn)和單一類型邊組成,異質(zhì)網(wǎng)絡(luò)由多類型節(jié)點(diǎn)(如帶屬性節(jié)點(diǎn))或多類型邊(如多維度邊)組成。具體內(nèi)容包括:第一,研究了基于混合模型的符號網(wǎng)絡(luò)重疊社區(qū)發(fā)現(xiàn)�，F(xiàn)有的符號網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法都僅允許網(wǎng)絡(luò)的節(jié)點(diǎn)屬于一個(gè)社區(qū),但真實(shí)世界中網(wǎng)絡(luò)的節(jié)點(diǎn)可能同時(shí)屬于多個(gè)社區(qū)(即重疊社區(qū))。針對這個(gè)問題,本文提出了一種符號概率混合模型用于發(fā)現(xiàn)符號網(wǎng)絡(luò)的重疊社區(qū)。它用混合模型同時(shí)描述正邊和負(fù)邊的生成過程,其中正邊存在于社區(qū)內(nèi),負(fù)邊存在于社區(qū)間。該模型不僅能發(fā)現(xiàn)符號網(wǎng)絡(luò)的重疊節(jié)點(diǎn),還能提供節(jié)點(diǎn)屬于社區(qū)的隸屬度信息。在大量的符號網(wǎng)絡(luò)上的實(shí)驗(yàn)表明該模型能發(fā)現(xiàn)符號網(wǎng)絡(luò)的重疊社區(qū)并取得較優(yōu)的性能。第二,研究了基于貝葉斯的加權(quán)網(wǎng)絡(luò)重疊社區(qū)發(fā)現(xiàn)�，F(xiàn)有的混合模型方法能比較好地發(fā)現(xiàn)加權(quán)網(wǎng)絡(luò)的重疊社區(qū),但在某些網(wǎng)絡(luò)上會(huì)出現(xiàn)一些節(jié)點(diǎn)不屬于任何社區(qū),從而導(dǎo)致模型不能適用于網(wǎng)絡(luò)。本文提出了一種貝葉斯混合網(wǎng)絡(luò)模型用于加權(quán)網(wǎng)絡(luò)的重疊社區(qū)發(fā)現(xiàn)。該模型通過為模型參數(shù)引入先驗(yàn)分布解決了上述問題。在人工合成網(wǎng)絡(luò)和真實(shí)網(wǎng)絡(luò)上的實(shí)驗(yàn)表明該模型能發(fā)現(xiàn)加權(quán)網(wǎng)絡(luò)的重疊社區(qū)并取得較優(yōu)的社區(qū)劃分效果。第三,研究了基于非參貝葉斯的網(wǎng)絡(luò)社區(qū)自動(dòng)探索。現(xiàn)有的社區(qū)發(fā)現(xiàn)方法要么需要預(yù)先假定網(wǎng)絡(luò)的結(jié)構(gòu)類型(如社團(tuán)結(jié)構(gòu)、多部圖結(jié)構(gòu)或混合結(jié)構(gòu)等),要么需要預(yù)先指定網(wǎng)絡(luò)的社區(qū)數(shù)目,但真實(shí)世界中許多網(wǎng)絡(luò)的結(jié)構(gòu)類型和社區(qū)數(shù)目都是未知的。針對這個(gè)問題,本文提出了一種貝葉斯非參混合模型用于自動(dòng)探索網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)類型和社區(qū)數(shù)目。它將具有探索網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)類型能力但需要預(yù)先指定社區(qū)數(shù)目的混合模型拓展到非參框架下,利用狄利克雷過程自動(dòng)確定其社區(qū)數(shù)目。在大量的人工合成網(wǎng)絡(luò)和真實(shí)網(wǎng)絡(luò)上的實(shí)驗(yàn)表明該模型能自動(dòng)探索網(wǎng)絡(luò)的結(jié)構(gòu)類型和社區(qū)數(shù)目并取得較優(yōu)的社區(qū)劃分效果。另外,基于該模型的好友推薦系統(tǒng)取得了很好的效果。第四,研究了基于非參貝葉斯的異質(zhì)網(wǎng)絡(luò)社區(qū)自動(dòng)探索。本文分別從帶屬性節(jié)點(diǎn)網(wǎng)絡(luò)和多維度網(wǎng)絡(luò)兩方面研究了異質(zhì)網(wǎng)絡(luò)的社區(qū)自動(dòng)探索。帶屬性節(jié)點(diǎn)網(wǎng)絡(luò)社區(qū)自動(dòng)探索的一個(gè)主要難點(diǎn)在于如何有效利用節(jié)點(diǎn)的屬性信息來提高探索效果。本文提出了一種貝葉斯非參屬性模型用于自動(dòng)探索帶屬性節(jié)點(diǎn)網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)類型和社區(qū)數(shù)目。它通過共享變量的方式同時(shí)融合了節(jié)點(diǎn)的連接和屬性信息。在真實(shí)和人工合成的帶屬性節(jié)點(diǎn)網(wǎng)絡(luò)上的實(shí)驗(yàn)表明該模型能自動(dòng)探索網(wǎng)絡(luò)的結(jié)構(gòu)類型和社區(qū)數(shù)目并取得較優(yōu)的社區(qū)劃分效果�，F(xiàn)有的多維度網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法的主要不足在于需要預(yù)先假定網(wǎng)絡(luò)的結(jié)構(gòu)類型(如社團(tuán)結(jié)構(gòu)等)。本文提出了一種多維度貝葉斯非參混合模型用于自動(dòng)探索多維度網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)類型和社區(qū)數(shù)目。該模型先利用網(wǎng)絡(luò)社區(qū)自動(dòng)探索方法從每一維度抽取出結(jié)構(gòu)特征信息,然后利用現(xiàn)有的聚類方法對融合后的結(jié)構(gòu)特征進(jìn)行聚類得到多維度網(wǎng)絡(luò)的結(jié)構(gòu)類型和社區(qū)數(shù)目。在真實(shí)和人工合成的多維度網(wǎng)絡(luò)上的實(shí)驗(yàn)表明該模型能自動(dòng)探索網(wǎng)絡(luò)的結(jié)構(gòu)類型和社區(qū)數(shù)目并取得較優(yōu)的社區(qū)劃分效果。
[Abstract]:Many complex systems in the real world, such as the Internet, the Internet of things, the food chain network, neural network and social network, complex network can be described by sets of nodes connected through edges. The community found as an important research content of complex networks has attracted researchers in various fields from different perspectives in-depth study on it. Although in recent years the emergence of a large number of methods to find novel community, but there are still many problems, including the overlapping community network, heterogeneous network community, network community to explore and automatic community discovery applications. This paper proposed a series of methods of statistical inference based on the further study to solve the problem the main research contents, including two aspects of automatic discovery and community overlapping community. Overlapping community discovery mainly for symbolic network and weighted network, the symbol Considering the network side of the polarity of the weighted network considering the degree of the edge of the community; automatic exploration mainly for homogeneous network and heterogeneous network, wherein the network from a single type of homogeneous nodes and single side, heterogeneous network consists of many types of nodes (such as with an attribute node) or multiple types of edges (such as multi dimension side). The specific contents include: first, the research found that symbolic network hybrid model based on symbolic network community. Overlapping community existing node discovery methods are only allowed to belong to a community network, but the network in the real world, the node may also belong to multiple communities (i.e. overlapping communities). Aiming at this problem, this paper puts forward a symbol probability mixture model to detect overlapping communities. It uses symbolic network hybrid model and description generation process and the negative side of the positive side, the positive edge exists in the community, the negative side exists Between communities. This model can not only find the overlapping node symbol of the network, but also provide the membership information of nodes belonging to the community. In the symbolic network on a large amount of experiments show that the model can detect overlapping community symbolic network and obtained the performance better. Second, the research found that the weighted network based on Bayesian overlapping communities. Hybrid model of existing methods can better detect the overlapping community weighted network, but in some network there will be some nodes do not belong to any community, resulting in the model can not be applied to the network. This paper proposes a Bayesian network model for hybrid overlapping community discovery. The weighted network model by introducing a priori model parameters to solve the above problems. The distribution in synthetic and real networks. Experimental results show that the model can detect overlapping communities and obtain the optimal weighted network community Results. Third, the non parametric Bias community network. Automatic exploration based on the existing community discovery method or structure types presuppose the network (such as community structure, multi partite graphs or mixed structures etc.), or need to specify the number of network community, but the community structure and the number of many real networks the world is unknown. To solve this problem, proposed mixed model is used to automatically explore the network number of community structure and community type non Bias. It will have a mixed model but need to explore a pre specified number is extended to the non parametric community under the framework of network community structure, automatically determine the number of communities by using the Dirichlet process. In the network a large number of synthetic and real network experiments show that the model can automatically explore the structure of the network and the number of community types And get a better community division. In addition, the model of friend recommendation system achieved good results. Based on the fourth, on the heterogeneous network community non parametric automatic exploration based on Bias. This paper respectively from the attribute node network and multi dimension network in two aspects of heterogeneous network community. An automatic exploration a major difficulty with an attribute node network community is to automatically explore how to effectively use the attribute information of the node to improve the exploration effect. This paper proposes parameter attribute model for automatic exploration with an attribute node of the network structure and the number of community community than a Bias. It's way through shared variables while fusion node attribute information in real and synthetic attribute nodes on the network experiments show that the model can automatically explore the structure type and the number of community network and make Community division effect and existing multi dimension network community detection method is the main problems need to presuppose the network structure (such as community structure and so on). This paper proposes a multi-dimensional Bayesian nonparametric mixture model for automatic multi dimension exploration network community structure and community type number. The first use of network model to explore the method of automatic extraction of community structure information from each dimension, and then use the existing clustering methods of structure types and the number of community clustering multi dimension network structure of the fused features. In multi dimension network on real and synthetic experiments show that the model can automatically explore the structure type and the number of network community and get better. Community Division

【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：O157.5

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 智源;行飛;;復(fù)雜網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)問題綜述[J];陰山學(xué)刊(自然科學(xué));2011年03期

2 王林;戴冠中;趙煥成;;一種新的評價(jià)社區(qū)結(jié)構(gòu)的模塊度研究[J];計(jì)算機(jī)工程;2010年14期

3 韓瑞凱;孟嗣儀;劉云;郭英慧;張彥超;;基于興趣相似度的社區(qū)結(jié)構(gòu)發(fā)現(xiàn)算法研究[J];鐵路計(jì)算機(jī)應(yīng)用;2010年10期

4 劉旭;易東云;;基于保守合并策略的復(fù)雜網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)發(fā)現(xiàn)[J];復(fù)雜系統(tǒng)與復(fù)雜性科學(xué);2011年04期

5 黃發(fā)良;肖南峰;;用于網(wǎng)絡(luò)重疊社區(qū)發(fā)現(xiàn)的粗糙譜聚類算法[J];小型微型計(jì)算機(jī)系統(tǒng);2012年02期

6 馬瑞新;鄧貴仕;王曉;;啟發(fā)式動(dòng)態(tài)社區(qū)挖掘算法研究與實(shí)現(xiàn)[J];大連理工大學(xué)學(xué)報(bào);2012年02期

7 梁沙沙;;復(fù)雜網(wǎng)絡(luò)重疊社區(qū)結(jié)構(gòu)發(fā)現(xiàn)算法研究[J];陰山學(xué)刊(自然科學(xué));2013年02期

8 劉大有;金弟;何東曉;黃晶;楊建寧;楊博;;復(fù)雜網(wǎng)絡(luò)社區(qū)挖掘綜述[J];計(jì)算機(jī)研究與發(fā)展;2013年10期

9 時(shí)京晶;;三種經(jīng)典復(fù)雜網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)劃分算法研究[J];電腦與信息技術(shù);2011年04期

10 黃發(fā)良;肖南峰;;基于線圖與PSO的網(wǎng)絡(luò)重疊社區(qū)發(fā)現(xiàn)[J];自動(dòng)化學(xué)報(bào);2011年09期

相關(guān)會(huì)議論文 前3條

1 刁元波;李夢龍;文志寧;印家健;鄭波;;人類細(xì)胞信號網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)分析[A];第九屆全國計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2007年

2 劉欣;李德毅;李兵;王樹良;陶志偉;;復(fù)雜網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)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

3 單波;姜守旭;張碩;高宏;李建中;;IC:動(dòng)態(tài)社會(huì)關(guān)系網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)的增量識(shí)別算法[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（A輯）[C];2009年

相關(guān)重要報(bào)紙文章 前1條

1 記者 熊明 實(shí)習(xí)生 李瑞瑩;度假區(qū)不斷創(chuàng)新社區(qū)結(jié)構(gòu)[N];云南日報(bào);2013年

相關(guān)博士學(xué)位論文 前8條

1 閔磊;復(fù)雜網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)算法研究[D];華中師范大學(xué);2015年

2 蔡清;基于群體智能優(yōu)化的大數(shù)據(jù)復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)分析[D];西安電子科技大學(xué);2015年

3 陳毅;基于統(tǒng)計(jì)推理的復(fù)雜網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)分析[D];哈爾濱工業(yè)大學(xué);2016年

4 杜楠;復(fù)雜網(wǎng)絡(luò)中社區(qū)結(jié)構(gòu)發(fā)現(xiàn)算法研究及建模[D];北京郵電大學(xué);2009年

5 李一嘯;基于復(fù)雜網(wǎng)絡(luò)和演化博弈理論的社會(huì)[D];浙江大學(xué);2010年

6 韓院彬;Web服務(wù)網(wǎng)絡(luò)分析和社區(qū)發(fā)現(xiàn)研究[D];天津大學(xué);2014年

7 謝輝;基于復(fù)雜網(wǎng)絡(luò)的若干動(dòng)態(tài)機(jī)制研究[D];西安電子科技大學(xué);2013年

8 任薇;基于微博的社會(huì)網(wǎng)絡(luò)特征研究[D];西南大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 王童童;社區(qū)框架與隱藏社區(qū)的挖掘[D];山東建筑大學(xué);2015年

2 賀成龍;復(fù)雜網(wǎng)絡(luò)中的社區(qū)發(fā)現(xiàn)算法研究[D];解放軍信息工程大學(xué);2015年

3 賈娜;基于矩陣分解的重疊社區(qū)探測研究[D];吉林大學(xué);2016年

4 李青云;多階信息模型及推薦技術(shù)研究[D];北京理工大學(xué);2015年

5 萬云;基于模塊度最大化的社區(qū)發(fā)現(xiàn)算法的研究[D];燕山大學(xué);2016年

6 戴飛飛;基于進(jìn)化算法的復(fù)雜網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)發(fā)現(xiàn)[D];電子科技大學(xué);2008年

7 王熙;復(fù)雜網(wǎng)絡(luò)中的層次重疊社區(qū)發(fā)現(xiàn)及可視化[D];北京交通大學(xué);2010年

8 徐李恒;復(fù)雜網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法研究[D];太原理工大學(xué);2011年

9 李兆南;基于距離相似度的復(fù)雜網(wǎng)絡(luò)社區(qū)挖掘方法[D];吉林大學(xué);2011年

10 商源純;復(fù)雜網(wǎng)絡(luò)中的重疊社區(qū)發(fā)現(xiàn)算法研究[D];北京交通大學(xué);2011年

，

本文編號：1522006