基于統(tǒng)計推理的復雜網絡社區(qū)結構分析.pdf

1、現(xiàn)實世界中的許多復雜系統(tǒng)，如互聯(lián)網、物聯(lián)網、食物鏈網、神經網絡以及社會網絡等，都可以描述成由節(jié)點集通過邊連接構成的復雜網絡。社區(qū)發(fā)現(xiàn)作為復雜網絡的一項重要研究內容吸引了多個領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，包括網絡的重疊社區(qū)發(fā)現(xiàn)、異質網絡的社區(qū)發(fā)現(xiàn)、網絡社區(qū)的自動探索以及社區(qū)發(fā)現(xiàn)的應用等。
　　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)主要針對符號網絡和加權網絡，其中符號網絡考慮了邊的正負極性，加權網絡考慮了邊的強弱程度；社區(qū)自動探索主要針對同質網絡和異質網絡，其中同質網絡由單一類型節(jié)點和單一類型邊組成，異質網絡由多類型節(jié)點（如帶屬性節(jié)點）或多類型邊（如多維度邊）組成。具體內容包括：
　　第一，研究了基于混合模型的符號網絡重疊社區(qū)發(fā)現(xiàn)?，F(xiàn)有的符號網絡社區(qū)發(fā)現(xiàn)方法都僅允許網絡的節(jié)點屬于一個社區(qū)，但真實世界中網絡

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)符號網絡的重疊社區(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，負邊存在于社區(qū)間。該模型不僅能發(fā)現(xiàn)符號網絡的重疊節(jié)點，還能提供節(jié)點屬于社區(qū)的隸屬度信息。在大量的符號網絡上的實驗表明該模型能發(fā)現(xiàn)符號網絡的重疊社區(qū)并取得較優(yōu)的性能。
　　第二，研究了基于貝葉斯的加權網絡重疊社區(qū)發(fā)現(xiàn)?，F(xiàn)有的混合模型方法能比較好地發(fā)現(xiàn)加權網絡

4、的重疊社區(qū)，但在某些網絡上會出現(xiàn)一些節(jié)點不屬于任何社區(qū)，從而導致模型不能適用于網絡。本文提出了一種貝葉斯混合網絡模型用于加權網絡的重疊社區(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。在人工合成網絡和真實網絡上的實驗表明該模型能發(fā)現(xiàn)加權網絡的重疊社區(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絡社區(qū)自動探索?，F(xiàn)有的社區(qū)發(fā)現(xiàn)方法要么需要預先假定網絡的結構類型（如社團結構、多部圖結構或混合結構等），要么需要預

5、先指定網絡的社區(qū)數(shù)目，但真實世界中許多網絡的結構類型和社區(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絡的社區(qū)結構類型和社區(qū)數(shù)目。它將具有探索網絡社區(qū)結構類型能力但需要預先指定社區(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絡和真實網絡上的實驗表明該模型能自動探索網絡的結構類型和社區(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網絡社區(qū)自動探索。本文分別從帶屬性節(jié)點網絡和多維度網絡兩方面研究了異質網絡的社區(qū)自動探索。帶屬性節(jié)點網絡社區(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)點網絡的社區(qū)結構類型和社區(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)點網絡上的實驗表明該模型能自動探索網絡的結構類型和社區(qū)數(shù)目并取

7、得較優(yōu)的社區(qū)劃分效果?，F(xiàn)有的多維度網絡社區(qū)發(fā)現(xiàn)方法的主要不足在于需要預先假定網絡的結構類型（如社團結構等）。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絡的社區(qū)結構類型和社區(qū)數(shù)目。該模型先利用網絡社區(qū)自動探索方法從每一維度抽取出結構特征信息，然后利用現(xiàn)有的聚類方法對融合后的結構特征進行聚類得到多維度網絡的結構類型和社區(qū)數(shù)目。在真實和人工合成的多維度網絡上的實驗表明該模型能自動探索網絡的結構類型和社區(qū)數(shù)目并取得較優(yōu)的社區(qū)劃分