层次粒化的不确定多态网络重叠社区发现方法研究

The big data research prompts the researchers to concern about the community mining with complex structure. The study on community mining based on the classical graph theory, ignores the attributes of vertexes and edges and their relationships, and cannot reflect multi-source heterogeneous data, fuzzy structures, rough attributes, uncertain connection as well as the multi dimensional relationships. Specially, it is unable to detect communities with uncertain information. The research based on local community detection algorithm combines with granular computing. With information of nodes and links both with attributes, the project proposes a fast heuristic community seeds algorithm on complex large-scale multimodal network . Through analysis on the individual and their relation structure, hierarchical granulation communities was carried out by community stability measurement, and the initial coarse grained description on the community could be given. With hierarchical analysis on individual attributes and their structural relationships, the community stability measurement based on attributes and links is put forward, which could effectively evaluate overlapping communities. Then the hierarchical granulation method could accurately describe the uncertainty and mine communities on networks. This project researches on the community discovery in aspects of algorithm design, theoretical proof, performance index, comprehensive test. Finally, the granulation theory on multimodal network is build, which could comply with the network economy era, promote community discovery research, and expand the application fields of granular computing.

大数据研究的兴起使得现实具有复杂关联的网络社区挖掘问题成为前沿热点。但当前社区挖掘研究多基于经典图论，忽略节点和链接的属性关联。面对不确定多态网络的多源异构、节点隶属模糊、属性信息粗糙等特征，已有方法无法解决这种不确定网络社区发现问题。本项目以社区扩张算法为依托，结合粒计算层次粒化思想，有效利用多态网络的节点属性和链接结构特征，提出大规模多态网络的快速社区启发式算法。根据社区稳定性度量进行社区隶属分析，给出初始社区的粗粒度描述。通过对个体属性及其结构关系分析对网络进行层次粒化，提出基于属性和链接整合的社区稳定性度量来有效评价重叠区域，并构建层次粒化的多态网络重叠社区发现方法来全面准确地描述多态网络的不确定状态，挖掘网络的重叠社区。项目从算法设计、理论证明、性能指标、综合测试多方面进行研究，形成多态网络社区结构粒化的理论和方法体系，顺应网络经济时代需求，推动社区发现研究，拓展粒计算应用领域。

图挖掘技术作为近年来在知识发现领域兴起的一类面向大规模复杂结构数据的有效分析手段，其中社区发现方法现被广泛用于解决现实复杂系统中具有复杂关联的海量数据挖掘问题，如社会网络、传感网络、脑功能网络等。但现实中的复杂数据往往具有海量、多源异构、复杂关联等特征，甚至包含大量不确定信息甚至是噪声。本课题将层次粒化的方法用于多态网络社区发现问题研究。紧密围绕多态网络海量、多源异构且包含不确定信息的特征开展研究。将粒计算与社区发现方法结合，通过多视角、多层次、多粒度网络社区发现的粒化分析方法，从中挖掘不同粒度层次的结构与属性关联，最终建立多粒度计算模型来对复杂多态网络社区不确定性问题进行高效的结构化分析与求解。.本项目以社区发现算法为依托，结合粒计算层次粒化思想，针对多态网络中个体和链接均具有属性的复杂特征，通过梳理当前重叠社区发现方法的进展。在理论上，提出一种面向大规模多态网络层次粒化社区发现方法，给出相应的多态网络社区稳定性度量评价；技术上，构建复杂数据背景下基于局部非对称三角化的多态网络多粒度粗糙计算模型，初步设计并实现一个面向大规模复杂多态网络的评测；应用上，将提出的复杂多态网络的多粒度建模与分析方法应用于解决社交网络重叠社区发现、异构物联网的网络优化和多态脑网络的网络知识发现的现实问题。.综上所述，结合智能计算领域的先进成果，通过有效利用多态网络的属性信息，消除不确定信息带来的影响。均衡全局与局部结构特征和有效利用网络属性信息，智能化的提升不确定性环境中的社区探测能力。本课题研究不但为具有复杂特征的网络知识发现问题求解提供理论支持，推动具有先进智能的社区发现技术发展，还可进一步丰富和完善粒计算的理论体系。现实的应用也表明可以增强粒计算相关方法对复杂问题的分析与建模能力，拓展了实际应用领域。