基于动力学机制的符号网络社区检测研究

With the rapid development of information acquisition and information processing technology, it has been a hot topic that how to achieve high-efficiency complex data perception and recognition. We start with the problems that the current deficiency of slow detection speed, low accuracy and weak general adaptability. Based on the dynamic behaviors of the nodes, community detection algorithms on signed networks are shown in this subject. By Defining the similarity of the nodes and constructing reasonable network model, the community structure can be discovered according to the dynamic behaviors of nodes. Subsequently, the distance function is defined combining with the topology structure, and the community detection algorithm is presented based on the revolutionary dynamic distance results. Besides, the real-time community detection in signed networks is considered. Edge betweenness and real-time information are combined to derive the temporal community detection algorithms. In our subject, the users only require the information of the neighbors with high similarity. They have wide application range with low complexity and the efficiency can be tested by data sets. We further analyze the influence of the parameters on the presented algorithms.

随着信息获取与处理技术的飞速发展，如何高效地感知与识别复杂数据成为热点。针对符号网络社区检测目前检测速度慢，精度低，普适性不强的问题，本课题给出一类基于节点动力学机制的符号网络社区检测方法。针对符号网络社区检测问题，定义相似度函数，建立合理的网络模型，通过节点按照网络模型所体现的动力学行为来实现社区划分；根据符号网络的拓扑结构定义节点的距离函数，结合节点的动力学行为，给出基于节点动态距离变化的社区检测算法；考虑符号网络的动态改变，结合节点的边介数和实时信息，给出动态社区检测算法。本课题所给出的模型中，用户只需要获取与其相似度较高的邻居用户信息，复杂度低适用范围广。通过目前公认的测试集验证所提出方法的有效性，并分析所提出算法参数对模型的影响及推动。

本课题是基于动力学演化结果揭示符号网络社区结构及其在推荐系统中的应用研究。符号网络社区检测在社会网络、生物网络，尤其是信息技术领域被越来越多的研究人员所关注。针对现有符号网络社区检测算法仍存在检测速度慢，精度低，普适性不强的问题，我们把符号网络的动力学演化行为建模作为研究切入点，将时间和属性统一建模的观点，建立符号网络的动力学演化模型。准确刻画节点状态随动力学方程演化的新模式；提出符号网络社区检测问题，定义相似度函数，建立合理的网络模型，通过节点按照网络模型所体现的动力学行为来实现社区划分；根据符号网络的拓扑结构定义节点的距离函数，结合节点的动力学行为，给出基于节点动态距离变化的动态符号网络社区检测算法；综合考虑符号网络的动态改变，结合节点的边介数和实时信息，给出动态社区检测算法。对于符号网络社区检测的结果无论是人工合成大规模网络还是真实网络，我们所提出的算法都取得了较高的检测精度和模块度；进而以符号网络的社区检测结果为背景，开展推荐系统中的应用研究，所提出的推荐算法可以得到较高的预测评分精度和较好的推荐列表精度。因此在解决目前社区检测算法中存在的复杂度高、速度慢和检测精度较低等本质性问题上，有实质性进展；并对社区检测及相关领域的进一步研究提供了理论基础和技术支持，其研究具有重要的理论意义和广阔的应用前景。