社会网络分析法与网络链接分析法的比较研究

社会网络分析是社会网络理论的一种方法论,它是基于图论、数学基本理论,对社会网络进行分析。网络链接分析法是利用数学和情报学等方法对网络链接自身的属性、链接对象、链接网络等各种对象进行分析,揭示其数量特征和内在规律。两者都是定量的分析方法,但在研究对象、研究方法、研究步骤和应用领域等方面都不同,为此在这些方面对两种方法进行了对比和总结。     

基于社区信息的链接分析与预测研究

社区结构是社交网络最重要的拓扑特性之一,有助于理解用户分布和用户行为,提高链接预测的精确度。通过分析社区结构,结合贝叶斯理论,提出了一种新的基于社区信息的链接预测方法,并应用于真实的社交网络数据中对未来链接进行分析与预测。实验演示了该方法的优点和有效性,取得了很好的预测效果。     

基于属性网络表示学习的链接预测算法

网络链接预测是指通过网络结构信息及节点属性信息等网络历史信息预测2个节点之间产生新的链接关系的可能性。网络链接预测是网络分析的基础任务,在异常检测、推荐系统等方面有重要应用。网络表示学习旨在通过无监督方法,将符号化的数据编码到低维、稠密的向量空间中,从而更好地应用于机器学习任务中。由于真实网络数据极其稀疏,现有的模型在链接预测的表现上存在一定的提升空间。针对该问题,文章提出一种基于网络表示学习的属性网络链接预测算法(attributed network embedding based link prediction,ANE-LP)。首先有效提取网络结构信息和节点属性信息,并且通过深度网络结构将网络中各节点表征到低维、稠密向量空间;然后通过相似度度量模型重新定义出邻居节点间的关系;最后在2个真实数据集上进行实验验证。实验结果表明,基于网络特征学习的链接预测算法与其他方法相比更优越。     

基于链路预测算法分析虚假链接问题

链路预测与虚假链接是复杂网络的两大研究热点,目前为止,链路预测方法的研究已经非常成熟,而对于虚假链接的研究却仍旧没有得到太多的关注.根据链路预测与虚假链接的联系,用17种经典的链接预测算法,研究了这些算法在8个真实网络数据集中的识别虚假链接效果.实验结果表明,这些算法在识别虚假链接中的AUC值明显低于在链接预测中的AUC值;并且随着测试集比例的增加,在给定某个算法和数据集上,AUC值逐渐降低.     

社会网络分析中的机器学习技术综述

机器学习是智能数据分析的有力工具,可以对社会网络数据进行建模。文中讨论了机器学习技术在社会网络分析(Social Network Analysis,简称SNA)领域中的应用,尤其综述了对象分类、链接预测、群体检测等SNA子任务中的机器学习技术。此外,还分析了在SNA中使用机器学习技术所面临的若干问题和挑战,最后给出了SNA中机器学习技术的研究前景。     

网络链接分析法基本原理

阐述了网络信息计量学的内涵与研究方法,介绍了网络链接分析法、网络影响因子的测算以及当前在网络链接分析中存在的问题,指出网络链接分析法要真正成为网络文献分析的利器,还应在其理论基础和应用方法上加强研究.     

采用时间度量的半监督链接预测方法

提出了一种采用时间特征的半监督链接预测方法.该方法将链接预测问题视为机器学习中的二类分类问题.针对网络稀疏的问题,方法使用了半监督学习技术,利用网络中大量未连接的节点对辅助已连接节点对进行训练.针对网络中链接动态出现的问题,方法添加了若干时间特征来描述节点对.在现实数据集DBLP和Enron中的实验表明,该方法与未采用时间特征或者未使用半监督技术的链接预测方法相比,均具有更高的预测准确率.     

基于Attention机制的链接预测算法

针对社会网络中链接预测问题,提出了基于注意力(Attention)机制的链接表示及其预测算法.基于待预测节点的共邻关系构建其链接局部网络,设计了基于紧密游走的网络拓扑序列化方法.采用双向循环神经网络(Bi-RNN)对链接序列进行向量编码,以充分挖掘序列相关节点间的上下文依赖信息.通过Attention机制对链接中的节点进行关注和加权,强化重要节点对链接预测任务的贡献,实现链接拓扑特征的自动提取与准确分类预测.实验结果表明,在4种不同类型的社会网络数据集中,该算法的准确率和运算效率都有较大提高且普适性较强.     

动态社会网络中的社区挖掘算法研究

为解决社区挖掘问题,针对社会网络的动态特性,给出了新的社区定义,并结合连通性和频繁性概念提出一种新的算法DCSMA(Dynamic Community Structure Mining Algorithm)。挖掘时刻连通的个体集合作为社区,采用层状结构模型,根据重要性权重区分社区内个体,使社区结构更加清晰。在标准测试数据集上的实验结果表明了该算法的可行性和有效性。     

基于多层感知机的个性化链接排序预测

社交网络链接预测,即通过历史社交网络结构信息,预测未来一段时间内社交用户之间可能会产生新的链接关系,是社会网络分析中的一个重要问题。现有的模型挖掘了用户之间的浅层交互关系,或者通过深层网络去学习用户的特征描述。然而,由于社会网络数据极其稀疏,现有的模型在链接预测的表现上存在一定的提升空间。针对上述问题,文章提出基于多层感知机的个性化链接排序预测模型(PRMLP),从而实现了社交链接预测任务。PRMLP同时考虑了用户之间的交互关系,并采用了多层网络结构深入挖掘社会网络的拓扑结构,因此能够学习得到更精准的用户特征描述。文章针对模型训练中正负样本不平衡的问题提出了解决方案,在2个真实数据集进行的实验表明,文中提出的基于多层感知机的个性化链接排序预测模型相对于现有的其他链接预测模型表现更优。     

时态网络节点相似性度量及链路预测算法

详细分析和阐述了时态网络中的链路预测问题,将时态网络按时间顺序划分为具有相同时间间隔的多层网络快照序列.针对基于共同邻居的相似性指标对网络链路刻画粒度较粗糙的问题,提出了基于邻居节点聚类系数的相似性度量指标NCC和NCCP,并基于此提出时态网络链路预测算法.通过在真实数据集上的对比实验验证了利用邻居节点的聚类信息可以提高预测精度.利用真实邮件数据集验证了所提出的链路预测算法预测效果的优越性,并且实验结果证明越接近预测时间的网络结构对预测结果影响越大.     

一种链路稳定性预测的分层路由协议

提出了LSP-DOA路由协议.该协议继承了DOA算法的局部路由修复的优点,基于Two-Ray无线传播模型和Friis公式计算链路的稳定性,并构造一个阈值;当链路稳定性小于阈值时,便发出警告,启动路由发现寻找可以及时替换即将中断的链路的新路径.仿真结果表明,与路由协议AODV,DSR和DOA相比,LSP-DOA路由协议提高了系统分组投递率、路由修复成功率和平均路径长度,降低了控制开销和平均端到端延时,能够长时间维持稳定高效的活跃路径,改善了网络整体性能.     

移动Ad hoc网络中具有均衡策略的稳定性路由算法

移动Ad hoc网络是一种自组织、不依赖预设的基础设施快速展开的网络。在Ad hoc网络中,移动终端可以自由移动,从而会导致链路频繁的断裂。由于该网络动态的特性,建立稳定的路由进行数据传输显得尤为重要。提出了一种新的具有均衡策略的链路稳定性路由算法,并且将它在传统的AODV协议上实现得到了一种新的协议,即N-AODV。该算法在路由建立阶段,通过节点间的相互运动预测链路的生存时间,并且将路由稳定性与跳数之间进行均衡,选择出稳定性较高、跳数较小的路径。仿真结果表明新协议相比AODV、SSA协议具有更好的综合性能,有效地提高了网络的利用率。     

基于子图特征的科学家合作网络链路预测

提出了多种基于子图结构特征的新特征,构建了基于节点重要性、基于节点共同邻居、基于边共同邻居、基于邻居子图和基于边子图五类特征,并将这五类特征中的多种特征分别作为特征输入,运用机器学习的方法,实现科学家合作网未来合作关系的预测。研究中发现,基于边子图特征的链路预测准确率最好。此外,研究中运用基于模型的特征排序和最大信息系数特征选择方法分析类内特征的影响力以及相互关系,通过机器学习算法的分类模型进行链路预测。该方法能够有效地揭示网络类内特征在预测中的重要性和相关性,有利于发现影响力大的特征和冗余特征。     

基于卡尔曼滤波的认知无线网络路由算法

针对认知无线网络中频谱的动态性及节点移动性,提出一种基于卡尔曼滤波的认知无线网络路由算法,以提高链路的稳定性.该算法综合考虑主用户的频谱空闲概率与节点间的距离,兼顾端到端传输时延,对路由尺度进行设计,选择稳定度较高的路径进行通信;在路由维护阶段,通过卡尔曼滤波对节点移动速度进行预测,在链路断裂之前启动路由修复.最后通过NS2进行仿真,结果表明该算法在链路通信的稳定性、分组投递率、吞吐量等方面有明显的改善,提高了网络的整体性能.     

一种更稳定的链接分析算法〖CD2〗子空间HITS算法

在给定超链接情况下, Kleinberg的HITS算法采用特征向量的办法来确定页面的权威性等级. 通过分析当链接模式发生小的变化时算法的稳定性, 提出一种新的算法——子空间HITS算法, 并通过Web超链接数据作为实验数据对其性能进行研究.     

基于节点相似性和链接次数组合时间序列的链接预测

针对现有方法利用网络信息相对割裂, 很难描述链接次数与相似性分数关系的问题, 提出一种动态网络中的链接预测方法, 用节点相似性分数和链接次数组合时间序列模型进行预测. 首先通过社区演化, 预测历史上各时间快照下节点间的相似性分数; 然后用二元时间序列模型将其与各时间快照下节点间的事实链接次数相结合, 判断下一个时间段内各节点对链接发生的可能性; 最后在Weibo Net Tweet微博转发数据集上进行测试. 实验结果表明, 该方法至少提高了5%的预测准确度, 证明了社区演化与链接预测之间的内在联系, 验证了二元时间序列模型的有效性.     

Applications of Neural Networks in Spinning Prediction

Th netal network spinning prediction model (BPana RBF Networks) trained by data from the mill canpredict yarn qualities and spinning performance. Theinput parameters of the model are as follows: yarncount, diameter, hauteur, bundle strength, spinningdraft, spinning speed, traveler number and twist.