动态不确定环境下置信社团挖掘及在信息流控制中的应用

Community detection is the foundation for the structural and functional analysis of complex networks, and it has many applications such as network security, recommendation systems, and guiding public opinion. The real-world networks are usually dynamic. The inconsistency among the topology in different times will increase the uncertainty in community structure. Moreover, there is usually some uncertain information about the nodes’ community structure in the network. This project focuses on the community detection model under dynamic and uncertain environment, and will study the following contents. 1. The credal partitions in the framework of belief functions will be adopted to describe the uncertain community structure. The dynamic evidential label propagation rule based on active and uncertain supervision will be studied. The method will take use of the supervised information and the topology from different times to improve the model. 2. We will conduct some research on the methods to evaluate the credal communities in terms of both accuracy and imprecision, which can improve the evidential community detection approach. 3. The credal partitions will be applied to network information propagation control. This is to correctly lead the information flow, including expanding the positive information and inhibiting the negative one. Our goal is to construct a health and effective information network. This project is potential to extend the community partition model in classical probabilistic framework and to give some solutions for dealing with the uncertain information in complex networks. It will also provide some new research ideas for the control of network information flow.

社团挖掘是复杂网络结构功能分析的基础，并在网络安全、商业推荐、舆情引导等领域都有重要应用价值。现实网络具有动态性，不同时刻拓扑的不一致造成社团结构不确定程度的增大；另外，网络中通常存在或容易获得关于某些节点类别的不确定先验信息。本项目针对动态不确定环境下的网络社团结构挖掘问题，拟开展以下方面研究：1.利用证据理论模型下的置信划分刻画社团结构的不确定性，研究基于主动不确定监督的动态置信标签传播方法，通过合理融合监督成分和不同时刻拓扑信息提升模型性能；2.定义能综合考虑准确率和不精确率的社团置信划分评价指标，完善置信社团挖掘方法体系；3.利用置信社团结构，研究网络信息传播的控制策略，扩大正面信息影响范围，抑制危险信息传播，构建信息网络健康高效运行机制。相关研究结果将拓展传统概率框架下的社团划分模型，为动态社团挖掘中的不确定信息建模融合问题提供新的方法, 并为网络信息流控制问题开辟新的研究思路。

网络社团挖掘是数据挖掘领域的研究热点。现实世界网络中，通常存在关于某些节点类别的先验信息，这些先验知识呈现出不确定强、完备性差等特点。另一方面，网络具有动态性，不同时刻拓扑信息的不一致造成社团结构不确定程度的增大；本项目针对动态不确定环境下的网络社团结构挖掘问题，开展了以下方面研究：1.在证据理论框架下构建了网络不确定信息统一表征方法，利用置信划分刻画社团结构的局部不确定性，设计了训练样本的有效动态扩充准则，建立了基于动态置信标签传播的半监督社团挖掘方法，通过对少量监督信息的融合利用，实现了动态不确定环境下的社团精细化划分。在一些人工合成网络和实际网络数据集上的实验结果表明，随着数据集中监督信息的动态积聚，网络节点类别划分的错误率在逐渐降低，并且聚类算法性能优于传统概率框架下的社团挖掘算法。2.利用置信社团结构，建立了基于密度峰值的网络中心节点识别方法，能够利用幂集框架下的不确定类别，对不同社团之间桥节点进行精确识别。这些节点对网络信息传播有关键作用，从而能够为网络信息传播控制提供决策支持。研究了利用置信社团结构的推荐算法，解决了传统推荐算法用户稀疏的问题，提高了推荐性能。3.开展了异构网络信息主动提取与融合方法研究，建立了复杂网络拓扑特征与图谱之间的函数映射关系，定义了网络能量度量，提高了小样本不完备环境下的网络关系数据聚类准确率。通过相关研究，解决了网络不确定信息的建模融合问题，拓展了传统概率框架下的社团划分模型，提高了复杂环境下社团划分准确率，并实现了对网络信息的有效利用和控制。