基于統(tǒng)計推理的復(fù)雜網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)分析.pdf

1、現(xiàn)實世界中的許多復(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)以及社會網(wǎng)絡(luò)等，都可以描述成由節(jié)點集通過邊連接構(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)的一項重要研究內(nèi)容吸引了多個領(lǐng)域的研究人員從不同視角對其進行深入研究。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)計推理的方法來進一步研究解決上述難題，研究內(nèi)容主

2、要包括重疊社區(qū)發(fā)現(xiàn)和社區(qū)自動探索兩個方面。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)考慮了邊的正負極性，加權(quán)網(wǎng)絡(luò)考慮了邊的強弱程度；社區(qū)自動探索主要針對同質(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)點和單一類型邊組成，異質(zhì)網(wǎng)絡(luò)由多類型節(jié)點（如帶屬性節(jié)點）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)。現(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)點屬于一個社區(qū)，但真實世界中網(wǎng)絡(luò)

3、的節(jié)點可能同時屬于多個社區(qū)（即重疊社區(qū)）。針對這個問題，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)。它用混合模型同時描述正邊和負邊的生成過程，其中正邊存在于社區(qū)內(nèi)，負邊存在于社區(qū)間。該模型不僅能發(fā)現(xiàn)符號網(wǎng)絡(luò)的重疊節(jié)點，還能提供節(jié)點屬于社區(qū)的隸屬度信息。在大量的符號網(wǎng)絡(luò)上的實驗表明該模型能發(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)

4、的重疊社區(qū)，但在某些網(wǎng)絡(luò)上會出現(xiàn)一些節(jié)點不屬于任何社區(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)引入先驗分布解決了上述問題。在人工合成網(wǎng)絡(luò)和真實網(wǎng)絡(luò)上的實驗表明該模型能發(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)自動探索?，F(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)

5、先指定網(wǎng)絡(luò)的社區(qū)數(shù)目，但真實世界中許多網(wǎng)絡(luò)的結(jié)構(gòu)類型和社區(qū)數(shù)目都是未知的。針對這個問題，本文提出了一種貝葉斯非參混合模型用于自動探索網(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確定其社區(qū)數(shù)目。在大量的人工合成網(wǎng)絡(luò)和真實網(wǎng)絡(luò)上的實驗表明該模型能自動探索網(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。

6、r>　　第四，研究了基于非參貝葉斯的異質(zhì)網(wǎng)絡(luò)社區(qū)自動探索。本文分別從帶屬性節(jié)點網(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)自動探索。帶屬性節(jié)點網(wǎng)絡(luò)社區(qū)自動探索的一個主要難點在于如何有效利用節(jié)點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探索帶屬性節(jié)點網(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融合了節(jié)點的連接和屬性信息。在真實和人工合成的帶屬性節(jié)點網(wǎng)絡(luò)上的實驗表明該模型能自動探索網(wǎng)絡(luò)的結(jié)構(gòu)類型和社區(qū)數(shù)目并取

7、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。在真實和人工合成的多維度網(wǎng)絡(luò)上的實驗表明該模型能自動探索網(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