基于子空间学习的多层网络社团协同检测研究

•.Community detection is the core component of the complex network analysis. In order to describe the real network with various connections preciously, it must build multiplex network model on the different types of connection hierarchical organization. However, the multilayer structure not only has the sparsity and promiscuity of intra-layer connections, but also leads to inconsistencies between the network layers. These make the multiplex network community detection become a significant issue of the complex network analysis at present. Subspace learning is an efficient way for detecting community structure. It can fulfill the low dimension expression and clustering for the complex network. For solving these problems this project proposes to perform a research on the multiplex network community collaborative detection based on subspace learning theory. Specifically, for the issue of sparse and messy multiplex network connection, it aims to investigate the cooperative structure optimization of multiplex networks. For the issue of the unclear community structure of multi-layer network, this research aims to investigate the joint representation of multi-layer network communities based on subspace learning, and consequently form a multiplex network community collaborative detection algorithm system. This project will provide a feasible solution and computing model for the multiplex complex network community detection. It is of a good scientific significance and application prospect.

社团检测是复杂网络分析的核心组成部分。为准确刻画连接类型多样的真实网络，必须将不同类型的连接分层组织构建多层网络模型。然而，多层的网络结构不仅具有层内连接的稀疏性和混杂性，还带来了网络层间的不一致性，这使得多层网络的社团检测已成为目前复杂网络分析面临的重要问题。子空间学习是挖掘社团结构的一种有效手段，可以对复杂网络实施低维表示与聚类。本项目以解决上述问题为出发点，在子空间学习理论基础上，深入研究多层网络社团协同检测问题。具体针对多层网络连接稀疏、杂乱的问题，研究多层网络的协同结构优化；针对多层网络社团结构不清晰的问题，研究基于子空间学习的多层网络社团联合表示；针对多层网络的异构连接不一致与动态变化问题，研究基于子空间分割的多层网络社团协同发现，最终形成基于子空间的多层网络社团协同检测算法体系。本项目的研究将为多层复杂网络的社团检测提供一种可行的方案与计算模型，具有良好的科学意义和应用前景。

项目组围绕多层网络社团检测中的若干重要问题开展深入研究，提出了相应的解决思路。在多层网络结构优化方面，提出了半监督的网络链接置信度协同推断方法和无监督的自适应链接选择方法，并成功扩展到多层网络中。在多层网络表示方面，利用最新的图自编码器模型与子空间学习理论相结合构建了无监督网络表示模型，并提出了自适应融合的多层网络表示方法，从而获取了多层网络的鲁棒协同低维嵌入。在多层网络社团检测方面，研究了不同网络层的自适应权重设置，探索了面向多层网络的非负矩阵自适应协同分解策略，提出了基于稀疏子空间聚类的多层网络社团检测等方法。本项目的研究为多层网络结构分析提供了较为完整的创新链条，形成了基于多层次、多信息融合的复杂网络分析理论与技术框架，为网络数据挖掘和机器学习提供了一批新的计算模型与解决思路。同时，项目还将多层网络相关算法应用于计算机视觉、生物信息等领域，开展了一系列应用研究，取得了相关应用成果，推动了社会网络行为分析与复杂系统理解，具有良好的科学意义与应用前景。项目自执行以来，在论文发表、人才培养等多方面取得了一定的成果，达到了预期的目标。项目组共发表期刊和会议论文20篇，其中SCI/EI检索18篇，JCR二区以上论文8篇，授权发明专利1项，进入实审2项，培养研究生4人。