網(wǎng)絡(luò)中頂點間相似性度量方法研究.pdf

1、Facebook、Twitter、微信和微博等新型在線社交媒體，作為連接現(xiàn)實世界和虛擬空間的紐帶，匯聚了大量的關(guān)系、行為等可感知和可計算的人類社會的數(shù)字足跡。隨著網(wǎng)絡(luò)規(guī)模的不斷擴大，社會網(wǎng)絡(luò)分析已成為當(dāng)前研究的熱點之一，受到廣大學(xué)者的關(guān)注。其中，頂點間相似性度量方法作為研究各類社會網(wǎng)絡(luò)的基礎(chǔ)，對鏈接預(yù)測、社區(qū)發(fā)現(xiàn)、社區(qū)演化和影響最大化等問題的研究具有重要的理論意義和應(yīng)用價值。本論文引入集對分析理論，將社會網(wǎng)絡(luò)刻畫為一個同異反(確定與不確

2、定)系統(tǒng)，提出新的頂點間相似性度量方法，并基于該相似性指標(biāo)進行社會網(wǎng)絡(luò)分析的相關(guān)研究。具體研究內(nèi)容如下。
　　首先，在傳統(tǒng)社會網(wǎng)絡(luò)中，針對基于集對理論的相似性度量指標(biāo)中僅考慮了網(wǎng)絡(luò)中共同鄰居數(shù)量、忽略了拓撲結(jié)構(gòu)等問題，提出一種新的頂點間相似性度量指標(biāo)WCCD(Weighted Clustering-Coefficient Connection Degree)。該指標(biāo)采用集對聯(lián)系度重新刻畫頂點間的同異反屬性，并基于頂點度和網(wǎng)絡(luò)拓撲結(jié)

3、構(gòu)為同異反屬性進行加權(quán)，從而描述頂點間的相似性。為了驗證WCCD指標(biāo)的合理性和正確性，給出相關(guān)定理和鏈接預(yù)測算法。同時，提出基于WCCD指標(biāo)的社區(qū)發(fā)現(xiàn)算法。該算法可以減少凝聚型層次聚類算法中頻繁的更新操作，避免頂點聚合中的不合理現(xiàn)象。
　　其次，在符號網(wǎng)絡(luò)中，針對頂點間相似性度量指標(biāo)中存在的全局性指標(biāo)具有較高的復(fù)雜度、局部性指標(biāo)低估了頂點間的相似性等問題，提出一種新的頂點間相似性度量指標(biāo)SNCD(Connection Degree

4、 Between Vertices in Signed Networks)。該指標(biāo)將符號網(wǎng)絡(luò)中的確定性和不確定性關(guān)系，與網(wǎng)絡(luò)局部和全局拓撲結(jié)構(gòu)相融合，提高頂點間相似性的精確度。為了兼顧正邊和負邊預(yù)測的準(zhǔn)確率，將聚集系數(shù)和結(jié)構(gòu)平衡理論相結(jié)合，提出符號網(wǎng)絡(luò)鏈接預(yù)測算法。同時，提出基于該預(yù)測模型的符號網(wǎng)絡(luò)動態(tài)社區(qū)挖掘算法，可以提高社區(qū)劃分的準(zhǔn)確性和穩(wěn)定性，從而實現(xiàn)采用集對理論分析符號網(wǎng)絡(luò)社區(qū)演化規(guī)律。
　　最后，在主題關(guān)注網(wǎng)絡(luò)中，針對該

5、網(wǎng)絡(luò)同時具有用戶和主題兩類實體的特性，提出一種新的頂點間相似性度量指標(biāo)TANCD(Connection Degree Between Vertices in Topic Attention Networks)。該指標(biāo)側(cè)重用戶對主題的共同關(guān)注度刻畫頂點間的同異反屬性，突出主題在網(wǎng)絡(luò)結(jié)構(gòu)中的重要性。為了準(zhǔn)確劃分以主題為中心的社區(qū)，提出基于 TANCD指標(biāo)的主題社區(qū)發(fā)現(xiàn)算法。為了進一步實現(xiàn)主題在網(wǎng)絡(luò)中最大化的傳播，提出主題偏好和用戶影響力的定