基于多标记学习的网络重叠社区发现模型及应用研究

For overlapping community detection in complex network, this project aims to study an overlapping community detection framework which is based on multi-label learning, improving the performances of the overlapping community detection algorithms, and apply this new framework in the real networks which have hierarchical community structures and the problem of link prediction. The main content includes, how to change a network into the data set which can be used in classification and how to model an overlapping community detection framework based on multi-label learning. Furthermore, we study the relationship of overlapping community and multi-label, following the traditional objection functions in classification, we try to propose a new function to estimate the modularity of a network and solve the problems of the traditional modularity function such as Q function. In its applications, use the new model in the problems of hierarchical overlapping community detection and link prediction. Combining with the traditional link prediction methods, this project aims to improve the model's performances in the problems of both link prediction and overlapping community detection.

针对复杂网络重叠社区发现问题，本项目致力于研究基于多标记学习的重叠社区发现模型，以提高重叠社区发现的精度，并将该框架应用于具有层次社区结构的实际网络和链接预测等实际问题。主要内容包括：研究如何将网络数据转化成有监督的分类数据进而建立基于多标记学习发现重叠社区的一般模型；研究多标记学习和重叠社区发现的内在联系，并借鉴分类算法丰富的目标函数，设计针对网络数据新的目标函数，从而解决传统网络模块化评价函数Q函数存在的问题；在实际应用方面，将基于多标记学习的重叠社区发现框架用于具有层次社区结构的实际网络和链接预测的实际问题当中，研究传统链接预测方法和结合该模型的方法在解决链接预测问题时的优势和劣势，进一步提高该模型在解决相关问题的性能。

针对复杂网络重叠社区发现问题，本项目研究了基于多标记学习的重叠社区发现模型，以提高重叠社区发现的精度，并将该框架应用于具有层次社区结构的实际网络和链接预测等实际问题。本项目围绕上述问题，从理论研究和技术创新上取得一下成果：针对网络数据表示，通过设计有效的结构加权策略引入局部信息的方法，构建了表示类内和类间关系的网络图表示；针对以集合形式存在的数据，提出了基于双系数正则的图像集距离学习框架并在欧式空间和流形空间中进行了度量；对模块化评价函数，我们给出了一种高效的凝聚式快速社区发现算法，解决了分辨率限制的问题并具有较好的社区划分效果；在对人类蛋白互作用网络的功能模块检测中，提出了将蛋白质复合体数据融入到模块检测算法中，解决了因数据获取不完整导致的基于拓扑结构的社团检测算法那精度低的问题；在层次重叠社区发现模型研究中，我们建立了迭代型划分聚类算法与差分方程的关系，利用差分方程稳定性分析研究聚类算法解的稳定性以及参数选择等问题，提出了相应框架；我们对模糊C均值聚类算法进行了改进，通过上述框架对算法收敛性质进行了分析；我们还设计提出了针对滤色器阵列、多标签等任务的相关算法。