复杂网络社团结构挖掘算法的分析-控制理论与控制工程专业论文.docx

PAGE PAGE III 目 录 摘 要 I Abstract II 目 录 III 第一章 绪论 1 1.1 研究背景及意义 1 1.2 研究现状与发展趋势 2 1.3 研究内容和结构安排 4 1.3.1 研究内容 4 1.3.2 结构安排 5 第二章 复杂网络概述 6 2.1 复杂网络的表示方式 6 2.1.1 图表示法 6 2.1.2 矩阵表示法 6 2.2 复杂网络的统计特性 6 2.2.1 度和度分布 7 2.2.2 平均路径长度 7 2.2.3 聚类系数 7 2.3 复杂网络的典型模型 8 2.3.1 规则网络模型 8 2.3.2 随机网络模型 10 2.3.3 小世界网络模型 11 2.3.4 无标度网络模型 12 2.4 本章小结 14 第三章 复杂网络社团结构挖掘算法分析 15 3.1 社团结构的定义 15 3.2 社团结构划分的衡量标准 16 3.3 社团结构挖掘算法 17 3.3.1 图分割法 17 3.3.2 层次聚类算法 19 3.4 本章小结 21 第四章 一种基于节点相似性的社团挖掘算法 23 4.1 相关知识 23 4.1.1 节点的相似性度量 23 4.1.2 新的相似性函数 24 4.2 算法实现 24 4.2.1 算法思想 24 4.2.2 算法步骤 26 4.3 算法测试 27 4.3.1 实验环境及数据集 27 4.3.2 真实网络 27 4.3.3 算法分析 33 4.4 本章小结 33 第五章 基于节点中心度的社团挖掘算法 34 PAGE PAGE IV 5.1 相关知识 34 5.1.1 节点中心度 34 5.1.2 局部模块度 34 5.1.3 节点性相似性度量 35 5.2 算法实现 35 5.2.1 算法思想 35 5.2.2 算法步骤 35 5.3 算法测试 36 Zachary 网络 36 Dolphins 网络 37 5.4 本章小结 38 第六章 总结与展望 39 6.1 总结 39 6.2 展望 39 参考文献 41 致谢 44 作者简历、在学期间发表的学术论文 45 个人简历 45 在学期间发表的学术论文 45 PAGE PAGE 1 第一章 绪论 1.1 研究背景及意义 上个世纪末，以 Internet 为代表的信息技术得到了较快的发展，计算机的数据处理能力 和数据存储技术有了很大的提高。现实世界中与人类息息相关的各种数据能够得以有效地 存储，人们能够运用数据挖掘、机器学习等相关技术从累积的海量数据中挖掘出具有潜在 使用价值的信息。研究发现，自然界和人类社会的大多数系统中普遍存在网络结构。如果 忽略每个系统的自身细节，构建网络模型来表示复杂的现实系统，人类能够借助对生成的 网络模型的研究来了解原现实系统的性质和功能以及它们两者之间存在的某些对应关系， 我们把这种研究方法称为复杂网络研究。近年来，复杂网络的研究已渗透到计算机、数学、 物理、生物等众多学科领域，成为网络时代科学研究中的一个非常具有挑战性的研究课题， 也被称为“网络的新科学(new science of networks)”[1]。 复杂网络是复杂系统的一种抽象表示方式，网络中的节点代表复杂系统中的个体，节 点之间的连边则代表了复杂系统中的个体按照某种规则自然形成或人为构造的一种关系， 可以看作是由大规模节点和链接关系复杂的边构建的网络结构。现实世界中许多领域的复 杂系统均可以用复杂网络进行描述，如社会学领域的语义联系网、舆情传播网络、科学家 合作网络、人际关系网络和传染病传播网络；科技领域的电力网络、交通网络、通信网络、 因特网（如图 1.1 所示）和在线交友网络；生物领域的基因调控网络、神经网络、蛋白质 网络、DNA 网络和生态网络等。 图 1.1 因特网虚拟展示 复杂网络的研究起源于图论，可以说图论是最早涉及该领域并且支撑其发展的数学理 论。对现实网络的初次研究可以追溯到 18 世纪中叶，大数学家 Euler[2]运用图论的相关知识 成功地解决了 Konigsberg 七桥问题。20 世纪 60 年代，数学家 Erd?s 和 Rényi[3]提出的随机 图理论开创了复杂网络理论在数学领域的系统性研究。在之后长达四十年的时间里，随机 图理论一直是研究复杂网络的主要理论根据。人们根据随机图理论构建了大量网络的理想 模型。由于现实网络的类型种类繁多，同一个网络中的节点具有不同的特性，网络结构比 较复杂，通过大量实例网络的研究发现：这些各具特色的现实网络的拓扑结构并不是完全 随机的，不同类型的现实网络却具有一些相同的结构统计特性和控制规律。1998 年 Watts 与 Strogatz 提出