基于主动异构监督的重叠社区发现及其模型选择方法研究

Community detection in complex networks is of great significant importance for comprehending network functions, which has been widely used in many areas, such as terrorist organization recognition, social network analysis, etc. As network structures become complicated, approaches based solely on network topology cannot yield satisfactory results. Thus, some semi-supervised community detection algorithms have been proposed to alleviate this problem in the last few years. Most of them, however, are deficient in efficiency, scope of application and determination the number of communities, which limits their practical application. To make semi-supervised community detection can be applicable to more real areas and achieve better performance, this proposal conducts research on how to improve their efficiency, applicability and automaticity, i.e., detect the community structures and determine the number of communities simultaneously. We aim to develop a group of algorithms which can efficiently make use of heterogeneous supervised information and automatically detect the overlapping community structures. The proposal consists of three components. 1) To improve the efficiency, we carry out research on how to efficiently make use of obtained supervised information and how to actively select the most useful component for human labeling. 2) To improve the applicability, we conduct research on how to simultaneously integrate heterogeneous supervised information and how to design algorithm that can be used to networks with many kinds of community structures, e.g., overlapping community structure. 3) To improve the automaticity, we will design a novel semi-supervised community detection algorithm that can simultaneously detect the community structures and determine the number of communities.

复杂网络中社区结构的检测对理解网络功能有着十分重要的意义,被广泛用于恐怖组织识别、社交网络分析等实际问题。但随着网络结构的愈加复杂，单纯依靠拓扑信息的社区检测很难获得令人满意的效果。近年来，已提出了一些通过融合各类背景信息的半监督社团发现方法，但这些方法在效率、适用范围和自动确定社区个数等方面存在较大的不足，故而限制了他们的实际应用。为了使半监督社区发现方法在现实场景中有着更广的适用范围和更好的性能，项目拟从如何提升半监督社区发现的高效性、适应性和自动性等三个方面开展研究，旨在开发能够高效利用异构监督信息、在具有重叠社区结构的网络中进行自动化（同时检测社区结构和确定社区个数）精确社区发现的算法。项目主要包括：1）从被动高效利用和主动有选择性的获取监督信息两个方面来提升效率；2）从适应多类异构监督信息和多类复杂社区模式两个角度提升适应性；3）设计同时检测社区结构和社区个数的算法来提升自动性

传统的半监督社区发现算法存在对监督信息利用不够充分、无法适用于异构监督信息及各类复杂网络、无法自动确定社团个数等问题。项目主要对“如何高效的利用异构监督信息在多类型复杂网络中进行自动化的精确社区发现“进行深入的研究，并关注于半监督社区发现算法的效率、适应性和自动性三个方面。..项目对提升对成对监督信息监督信息的利用率、基于深度学习的网络表征与划分算法、异构监督信息的统一融合策略、提升半监督社区发现算法速度、基于多视角的半监督网络表征与划分及其推断方法、以节点属性作为监督信息的属性拓扑融合算法、基于非负矩阵分解的模型选择方法等子问题的深入研究。项目显著提升了半监督社区发现算法的效率、适应性和自动性，使半监督社区发现方法在现实场景中有了更高的性能，从而有了更广泛的适用范围。此外，项目还在利用监督信息进行网络表征，及分析、描述、利用包括节点属性在内的多模态信息与网络拓扑结构信息之间的关系上开展了有益的尝试。..项目完成论文12篇，其中CCF A类会议论文7篇，SCI三区以上期刊论文3篇。其中总数量达到申请书中的目标，高水平论文（CCF A会议与SCI期刊）数量超过申请书中的目标。提出的很多算法受到了国内外同行的认可。.其中论文[Liang Yang et al. IJCAI-16 (Oral)]开辟了用深度学习进行社区发现和半监督社区发现的新方向，并被来自NIPS、CIKM、AAAI、 Information Sciences、Pattern Recognition、IEEE Transactions on Cybernetics和IEEE Transactions on Knowledge and Data Engineering的论文所引用。发明专利申请3项，软件著作权3项。..基于现有成果所开发的半监督社区发现系统已经被应用于多个互联网公式在线SNS社区中自动发现用户的兴趣社团。该类方法还可以被用在蛋白质网络和脑网络等新兴领域。此外，本项目研究的框架和扩展的网络表征学习算法可以被用于基于关系网络的恐怖分子检测等关系国计民生的重要领域。