基于密度的半监督复杂网络聚类法研究开题报告.docVIP

中 国 矿 业 大 学 2012级 硕士研究生 选 题 报 告 选题 名称： 基于密度的半监督复杂网络聚类算法研究 学 院： 计算机科学与技术学院 学科 专业： 计算机应用技术 研究生姓名： 导师 姓名： 2013年 11月30日 1 研究背景 复杂网络是由数量巨大的节点和节点之间错综复杂的关系共同构成的网络结构，用数学的语言来说，就是一个有着足够复杂的拓扑结构特征的图。复杂网络广泛存在于自然界和社会系统中，例如，计算机科学领域的各种网络（如 Internet、World Wide Web、Peer to Peer、Wireless Sensor Network等网络）、生命科学领域的各种网络（如蛋白质相互作用网络、蛋白质折叠网络、DNA 网络、神经网络、RNA 网络）、社会学领域的网络（如流行疾病的传播网络、电影演员合作网络、语言学网络、通讯网络、Email网络），等等。我们生活中存在着极为丰富的复杂网络，研究与分析这些复杂网络将极大的便利我们的生活，比如：新陈代谢网络分析有助于我们理解新陈代谢的相关活动；蛋白质交互网络分析能帮助我们了解各种蛋白质的功能与联系，还能对未知的蛋白质进行功能预测；基因网络分析能帮助我们了解基因的调控模式，识别主控基因；万维网分析可以进行文档聚类、搜索引擎、热门主题挖掘等。 复杂网络的研究最早源自于18世纪伟大的数学家欧拉对著名的“格尼斯堡七桥问题”的研究，由此引出图论的方法，随着计算机的发展,图论开始出现在各个领域中,包括电信网络、电力网络、地图着色等。1998年6月，美国康奈尔大学理论和应用力学系的博士生Watts及其导师Strogatz在Nature杂志上发表了题为《“小世界”网络的群体动力行为》的文章，揭示了复杂网络的小世界特性，并建立了一个小世界网络模型，证明了复杂网络中任意两个节点之间的最短距离的平均值一般都很小。1999年10月，美国圣母大学物理系的Barabasi教授及其博士生Albbert在Science杂志上发表了题为《随机网络中标度的涌现》一文，揭示了复杂网络的无标度性质，并建立了一个无标度网络模型，证明了复杂网络中节点的度不是服从高斯分布，而是服从幂律分布。以这两篇文章的发表为标志，复杂网络研究进入了一个新时代。可以说，小世界网络模型和无标度网络模型引领了复杂网络的研究热潮，来自数学、物理、生物、社会学、计算机等众多领域都开始对复杂网络进行了深入的研究。例如，复杂网络的拓扑模型及其性质、复杂网络上的传播机理和动力学分析、复杂网络中的搜索与查询以及复杂网络中的同步机制等等。由此可见，复杂网络的研究是当前科研领域的热点之一。 随着对网络性质的物理意义和数学特征的深入研究，学者们发现了复杂网络的第三个重要特性：聚类系数，即社区特性。也就是说，整个网络是由若干个“群（group）”或“簇（cluster）”构成的，通常我们称之为社区结构。如图1-1所示。图中的网络包含三个社区，分别对应图中三个虚线圆圈包围的部分。每个簇内部的节点之间的连接相对非常紧密，但是各个簇之间的连接相对来说却比较稀疏。任何一个网络都具有社区特性，如果能有效的发现这些社区将对我们研究复杂网络的功能和关系提供极大的便利。 图1-1 复杂网络中的社区结构 复杂网络聚类是寻找复杂网络中社区结构的一种策略。复杂网络社区结构的研究已经有了很长的历史。它与计算机科学中的图形分割（graph partition）和社会学中的分级聚类（hierarchical clustering）有着密切的关系。为了更好的研究复杂网络的社区特性，学者们一直致力于复杂网络聚类研究。它是基于各个节点之间连接的相似性或者强度，把网络自然的分割成为各个社区，为我们研究这些复杂网络的性质、行为和结构等知识提供坚实的理论和实践基础。 理论上，复杂网络聚类研究涉及到图论、数据挖掘、机器学习、自然语言处理、统计物理学、计算机网络研究、自动控制、社会学，甚至包括经济学、生态学等众多领域。在某种程度上来说，需要多个领域的知识相结合才能进行更加深入的研究。例如，本课题既需要通过传统的数据挖掘方法对内容进行挖掘，又需要复杂网络聚类理论对网络的结构进行挖掘，而且还要将二者结合起来，因此复杂网络聚类研究具有重要的理论意义。 在实际应用中，通过复杂网络聚类技术发现的网络的社区结构，其内部的节点往往扮演着相同的角色或者具有相似的特征。例如，在当前热门的微博等社交网络中，社区代表着具有共同兴趣爱好的群体，根据社区结构