复杂网络聚类算法研究.ppt

目 录 1.复杂网络聚类方法的研究背景及意义 2.复杂网络聚类方法的研究现状及分析 3.复杂网络聚类所面临的问题 4.我们的工作 5.复杂网络vs时空数据挖掘 1.复杂网络聚类方法的研究背景及意义 1.复杂网络聚类方法的研究背景及意义 1.复杂网络聚类方法的研究背景及意义 应用例子1– 聚类分析 聚类基因网络 聚类新陈代谢网络 聚类蛋白质网络 动态社会网络簇结构分析 基于网络簇结构分析的链接预测 1.复杂网络聚类方法的研究背景及意义（续） 2.复杂网络聚类方法的研究现状及分析 2.1 复杂网络聚类方法的分类 2.2 基于优化的复杂网络聚类算法 2.3 启发式复杂网络聚类算法 2.4 其它网络聚类算法 2.1 复杂网络聚类方法的分类 ? 基于优化的方法将复杂网络聚类问题转化为优化问题，通过最优化预定义的目标函数来计算复杂网络的簇结构。 ? 启发式方法将复杂网络聚类问题转化为预定义启发式规则的设计问题。 ? 除以上两类方法之外，还存在其它类型的复杂网络聚类方法。 2.1 复杂网络聚类方法的分类 2.2 基于优化的复杂网络聚类方法 2.2.1 谱方法 2.2.2 基于局部搜索的复杂网络聚类方法 2.2.3 其它基于优化方法的复杂网络聚类方法 2.2.1 谱方法（Spectral Method） 谱方法采用二次型优化技术最小化预定义的“截函数”。当一个网络被划分成两个子网络时，“截”指子网间的连接密度。具有最小“截”的划分被认为是最优的网络划分。 谱方法具有严密的数学理论，已发展成数据聚类的一种重要方法(称为谱聚类法)，被广泛应用于图分割和空间点聚类等领域。 针对复杂网络聚类，谱方法的主要不足是： 1）需要借助先验知识定义递归终止条件，即谱方法不具备自动识别网络簇总数的能力； 2）现实世界中的复杂网络往往包含多个网络簇，而谱方法的递归二分策略不能保证得到网络划分是最优的多网络簇结构。 1970年，针对图分割问题克宁汉－林(B.W. Kernighan和S. Lin)提出了 KL 算法 ，该算法也可用于复杂网络聚类。 KL算法简介KL的优化目标是：极小化簇间连接数目与簇内连接数目之差的绝对值 ； KL算法的不足： ? 找到的解往往是局部最优而不是全局最优解。 ? KL 对初始解非常敏感，它需要先验知识。 KL算法的时间复杂性: O(tn2)，t 表示算法终止时的迭代次数，n表示网络节点个数。 快速Newman算法(《Physical Rev. E》,2004) 2004年，纽曼(M.E.J. Newman)提出了基于局部搜索的快速复杂网络聚类算法FN. 算法FN简介? FN的优化目标：极大化纽曼与格万(M.E.J. Newman和M. Girvan)于同年提出的网络模块性评价函数：Q函数. Q 函数定义为簇内的实际连接数目与随机连接下簇内的期望连接数目之差，用来定量地刻画网络簇结构的优劣. Q值越大则网络簇结构越好。 ? FN算法的时间复杂性:是O (m ? n)，m和n分别表示网络的连接数和节点数 Guimera - Amaral算法(《Nature》,2005) 2005年， 吉莫热与阿麦拉尔(R. Guimera和L.A.N. Amaral)采用与算法FN相同的优化目标函数，提出了基于模拟退火算法(SA)的复杂网络聚类算法GA，并应用到新陈代谢网络分析中。《Nature》2005年2月刊报道了该项研究工作。 算法GA的优缺点 GA采用模拟退火控制策略，因此GA具有跳过局部最优解、找到全局最优解的能力，因而具有很好的聚类精度。 GA的效率取决于算法SA的效率，而后者通常收敛很缓慢。 GA对输入参数非常敏感，不同的参数设置往往导致不同的聚类结果。 启发式复杂网络聚类算法的共同特点是：基于某些直观假设来设计启发式算法，对大部分网络来说，它们能快速找到最优解或近似最优解，但无法从理论上严格保证它们对任何输入网络都能在令人满意的时间内找到令人满意的解。 本报告介绍几个典型的启发式复杂网络聚类算法： 算法 GN(Girvan-Newman)