动态信息网络是当前复杂网络领域中极具挑战的新问题之一,对其动态的演化过程进行研究,有助于分析网络结构、理解网络特性、发现网络中潜在的信息及演化规律,具有重要的理论意义与应用价值.基于网络结构本身量化表示的复杂性以及网络演...动态信息网络是当前复杂网络领域中极具挑战的新问题之一,对其动态的演化过程进行研究,有助于分析网络结构、理解网络特性、发现网络中潜在的信息及演化规律,具有重要的理论意义与应用价值.基于网络结构本身量化表示的复杂性以及网络演化时序、复杂、多变的挑战,使用角色来量化动态网络的结构,并对模型进行分析,给出了两种角色解释的方法;在角色发现的基础上,将动态网络结构预测问题转换为可以表示结构特征的角色预测问题,通过向量自回归的方法,以历史网络角色分布矩阵作为训练数据构建模型,预测未来时刻网络可能的角色分布情况,提出了基于潜在角色的动态网络结构预测方法 LR-DNSP(latent role based dynamic network structure prediction).该方法克服了已有基于转移矩阵方法忽略历史信息的不足,并且考虑了多个预测目标之间可能存在的相互关系.实验结果表明,提出的LR-DNSP方法具有更准确的预测效果.展开更多
针对复杂网络中基于节点结构特征的角色发现问题,在RolX角色发现算法的基础上,引入节点的局部及全局结构特征进行特征提取,构建节点结构特征矩阵。使用非负矩阵分解对节点结构特征矩阵进行降维,获得对应的节点角色矩阵。选用节点的全局...针对复杂网络中基于节点结构特征的角色发现问题,在RolX角色发现算法的基础上,引入节点的局部及全局结构特征进行特征提取,构建节点结构特征矩阵。使用非负矩阵分解对节点结构特征矩阵进行降维,获得对应的节点角色矩阵。选用节点的全局、局部以及邻居节点重要性评价指标对分析所得的角色进行意义建构。在Facebook及Email-Enron两个数据集上的实验结果表明,该算法在局部以及全局等评价指标上与RolX(Role eXtraction)、GLRD(Guided Learning for Role Discovery)等算法相比,均具有更高的准确性。展开更多
文摘动态信息网络是当前复杂网络领域中极具挑战的新问题之一,对其动态的演化过程进行研究,有助于分析网络结构、理解网络特性、发现网络中潜在的信息及演化规律,具有重要的理论意义与应用价值.基于网络结构本身量化表示的复杂性以及网络演化时序、复杂、多变的挑战,使用角色来量化动态网络的结构,并对模型进行分析,给出了两种角色解释的方法;在角色发现的基础上,将动态网络结构预测问题转换为可以表示结构特征的角色预测问题,通过向量自回归的方法,以历史网络角色分布矩阵作为训练数据构建模型,预测未来时刻网络可能的角色分布情况,提出了基于潜在角色的动态网络结构预测方法 LR-DNSP(latent role based dynamic network structure prediction).该方法克服了已有基于转移矩阵方法忽略历史信息的不足,并且考虑了多个预测目标之间可能存在的相互关系.实验结果表明,提出的LR-DNSP方法具有更准确的预测效果.
文摘针对复杂网络中基于节点结构特征的角色发现问题,在RolX角色发现算法的基础上,引入节点的局部及全局结构特征进行特征提取,构建节点结构特征矩阵。使用非负矩阵分解对节点结构特征矩阵进行降维,获得对应的节点角色矩阵。选用节点的全局、局部以及邻居节点重要性评价指标对分析所得的角色进行意义建构。在Facebook及Email-Enron两个数据集上的实验结果表明,该算法在局部以及全局等评价指标上与RolX(Role eXtraction)、GLRD(Guided Learning for Role Discovery)等算法相比,均具有更高的准确性。
