节点角色驱动的大规模动态复杂网络社团检测和演化研究

Community detection and evolution analysis is one of the most important research problems in studying the complex networks, the nodes of which usually have different roles. Most of current works on dynamic community detection always ignore the impact of role of nodes on the community structure, community evolution and the varying of network structure. This project is to solve the problem of how the role of nodes drives the evolutionary behavior of communities in large-scale dynamic complex network: 1.what is the relationship between the role of nodes and the community evolution? 2.how the nodes with different roles affect the community evolution? 3.how to fast detect the community structure, analyze its evolution and discovery the role of nodes in large-scale networks? So in this project, under a same framework, it tried to study the following: 1.association analysis of node features, node roles, community structure and its evolution in dynamic complex networks; 2.constructing generation models for dynamic complex network based on the network structure and node features, to solve the driving relationship between node role discovery, community detection and community evolution; 3.designing efficient optimization algorithms for the generation model based on variational theory and stochastic optimization theory with different sampling strategies to cope with the applications of large-scale (with millions of nodes) dynamic complex networks. Overall, this project proposes a class of scalable generation models of fusion node roles and evolutionary community to enhance the community analysis and draw widely applications of dynamic complex networks.

社团检测和演化分析成为当下动态复杂网络科学研究中的核心问题之一，但在真实的社交网络中节点具有不同的角色和特征，目前的工作在分析动态网络时忽略了节点角色对社团生成、演化和网络形成的影响。课题拟解决大规模动态复杂网络中节点角色对社团演化行为的驱动问题：1.节点的角色和社团演化的关系；2.不同角色的节点如何影响社团的演化；3.大规模动态网络中如何快速的同时实现社团检测、演化和节点角色识别。在同一模型框架下研究：1.动态复杂网络中节点的特征、角色和社团结构、社团演化的关联；2.构建以网络结构和节点特征为观测的动态复杂网络生成模型，解决节点的角色识别和社团检测、社团演化之间的驱动关系；3.基于变分思想和随机优化理论，设计高效的模型优化算法，并设计不同的采样策略，以应对大规模动态复杂网络的应用。课题整体上拟提出可扩展的融合节点角色和演化社团结挖掘生成模型，提升动态复杂网络的研究和应用价值。

社团检测和演化分析成为当下动态复杂网络科学研究中的核心问题之一，尤其是近年来以图神经网络为代表的网络表示学习方法。然而，真实的社交网络中节点具有不同的角色和特征，目前的工作在分析动态网络时忽略了节点角色对社团生成、演化和网络形成的影响。课题主要针对大规模动态复杂网络中节点角色对社团演化行为的驱动问题，分别提出了基于高阶与局部特征对抗学习的模型，融合层间相似性的多层网络表示学习模型，基于自引导机制的社团检测模型，以及同时融合微观-介观-宏观异常的动态网络异常检测算法等。本课题围绕以上研究内容完成学术论文29篇，其中CCF A类的权威期刊和会议论文共8篇，并申请了相关专利5项，荣获自然科学省部一等奖1项。这些成果也获得了国内外同行的广泛认可，三年的引用约500次，已经初步取得一定的影响力。课题整体上提出了可扩展的融合节点角色和演化社团结挖掘生成模型，提升动态复杂网络的研究和应用价值。从统计网络模型的角度，完善节点角色驱动的动态社团演化分析，为社团检测和角色识别在复杂网络中的应用提供新的途径。