摘要：现有符号网络社区检测方法中,局部搜索策略作为符号网络社区检测算法的重要组成部分,可加速算法收敛速度,但符号网络局部搜索策略大多仅利用连边及节点等低阶结构信息,忽略了可挖掘符号网络更深层、更丰富信息的高阶结构.为提升现有符号网络社区检测的局部搜索策略性能,提出了一种基于符号模体的局部搜索策略,设计了一种基于符号模体进行社区迁移的新方法,将传统社区编号在二元组之间的迁移扩展到了三元组,综合利用符号网络低阶和高阶拓扑结构信息来优化节点的结构平衡性,提升算法收敛速度和检测性能.在模型网络和实证网络上的实验表明,设计的局部搜索策略相对于现有算法表现出更高的精度和质量.

摘要：社交网络中的链接关系根据其潜在的含义可分为正关系和负关系.若对网络中的链接关系进行正负标注,则可形成一个符号网络.符号网络在社会学、信息学、生物学等多个领域存在广泛应用.针对符号网络中链接关系的正负预测,已经成为当前研究的热点之一.在大数据背景下,随着符号网络规模的日益扩大,符号预测算法的可伸缩性问题日益突出.一些研究者提出了分布式环境下的符号预测方法,使得算法的可伸缩性问题部分得到缓解.但是由于大多数算法采用了服务器-客户端方式的分布式框架,导致问题并没有得到根本上的解决.提出了一种端到端分布式框架(client to client distributed framework,简称C2CDF),相比传统服务器-客户端架构的集中通信模式,C2CDF的各个节点间地位平等,不存在集中通信,集群的带宽瓶颈和压力得以减轻.通过在社交网络正负符号预测、广告点击率预测及森林类型预测这3个不同真实数据集上的实验结果表明:C2CDF能够在拥有更高准确性的同时,获得2.3倍~3.3倍的加速比,而且拥有良好的泛化性,不仅应用在了社交网络正负符号预测方面,也能作用于广告点击预测等其他领域.

摘要：符号网络可以描述实体之间的多种关系,对符号网络中的社团检测可以挖掘出其中的有效信息。同时考虑连接密度和连接符号,将社团发现问题建模为一个多目标优化问题,基于MOEA/D框架,提出一种改进的符号网络社团发现算法,设计了基于字符串的编码方式、预分区策略、交叉合并策略、变异方式等。实验结果表明,本算法可以有效检测出社团结构。

摘要：符号网络链接预测包括网络结构上两个节点间未知链接的可能性预测与符号预测两方面,其相关研究对于分析和理解符号网络的拓扑结构、功能及演化行为具有十分重要的意义,在个性化推荐、态度预测、蛋白质交互作用研究等领域有着重大的应用价值。文中综述了符号网络链接预测问题的研究成果,介绍了相关概念、符号网络的理论基础、常用符号网络数据集以及预测精度评价标准;将目前主要的符号网络链接预测算法按照设计思路分为有监督学习与无监督学习两大类,详细阐述了每种算法的主要思想;归纳总结了符号网络链接预测问题的特点和规律,讨论了目前存在的问题并指出了面临的挑战和未来可能的发展方向。这能为信息学、生物学、社会学等领域的相关研究人员提供有益参考。

摘要：针对已有符号网络不平衡度计算方法大都只关注局部网络单元的平衡信息,没有考虑网络更大范围乃至全局角度的平衡,无法揭示网络中的不平衡区域这一问题,提出基于文化算法的符号网络全局不平衡度计算方法。该方法利用伊辛自旋玻璃模型描述符号网络的全局状态,将不平衡度的计算转换为一个优化问题,并设计一种具有双层进化结构的文化算法——CA-SNB进行求解。首先,该算法采用遗传算法进行种群空间进化;其次,在信度空间中记录较优个体,并采用贪婪算法提取状况知识;最后,利用状况知识引导种群空间的进化,在保证种群多样性的基础上提高了收敛速度。实验表明,与遗传算法和矩阵变换算法相比,CA-SNB能较快地收敛到最优解,具有较高鲁棒性,在计算全局不平衡度的同时识别不平衡区域。

摘要：一些网络中的边根据其潜在涵义可分为正关系和负关系,若用正号和负号来标记网络中的边,则形成一个符号网络.符号网络的应用场景非常丰富,在社会学、信息学、生物学等多个领域广泛存在,逐渐成为当前研究的热点之一.对符号社会网络中链接的正负预测问题进行研究,其成果对社会网络的个性化推荐、网络中异常节点的识别、用户聚类等都具有非常重要的应用价值.主要介绍符号社会网络中正负关系预测问题在国内外的研究现状和最新进展.首先介绍了社会结构平衡理论和地位理论,并将目前主要的预测算法按照设计思路分成两类:基于矩阵的符号预测算法和基于分类的符号预测算法,详细介绍各类算法的基本思路,并从算法效率、准确性和可伸缩性等角度进行详细的对比和分析,总结了符号社会网络预测问题具有的一些特点以及所面临的挑战,同时指出未来可能的发展方向,为相关研究人员提供有价值的参考.

摘要：社团结构作为复杂网络的中尺度特征,对于深入理解网络的结构和属性具有重要的意义。与无符号网络不同,符号网络包括正边和负边,分别代表了友好和敌对的关系。在形成社团时,节点通常会选择与朋友在同一社团内,而与对手在不同的社团。基于这种思想,构建了一种用于符号网络中社团发现的博弈论模型,设计了一种社团发现算法。实验结果表明,该算法在非重叠社团和重叠社团的识别中都具有卓越的性能。另外,对算法的运行效率进行了分析,提出了一种优化方法,有效地提高了算法的运行效率。

摘要：符号网络的预测准确度越来越高,但是时间复杂度也越来越难以接受。必须寻找有效预测方法,既保证算法预测准确度高,同时时间复杂度低。本文设计了一个优化算法,使用平衡环算法预测符号,利用函数拟合方法分别拟合预测准确度与步长、时间复杂度与步长的函数关系,分析随步长增加预测准确度与时间复杂度的关系并提出优化方案。实验显示,本文的优化算法能够有效获得预测准确度与时间复杂度的关系。本文可供设计符号预测算法的研究者参考。

摘要：网络节点嵌入是将网络中的节点映射为低维的向量表示,从而可以直接应用基于向量空间的学习方法来处理链路预测等下游任务。现有的网络节点嵌入模型大多针对无符号网络,不能直接用于处理符号网络(通常需要将符号网络转换成无符号网络进行处理,因而丢弃了边上的正负号所蕴含着的大量有价值的信息)。基于图神经网络(GNNs)提出了一种可以直接处理符号网络的节点嵌入模型,即基于双重注意力机制的符号网络节点嵌入(SNEDA)。依据结构平衡理论和地位理论,将节点间的路径按照方向和边上的正负信息划分成20种不同的模体(motif)结构。设计了包含2层注意力机制的网络传播模型,当汇聚节点i的直接邻居信息时,通过节点级注意力机制捕获不同邻居节点对节点i的向量表示的贡献和影响;当汇聚节点i的二阶及二阶以上各阶邻居信息时,用路径级注意力捕获不同motif对节点i的向量表示。通过引入两层注意力机制综合考虑节点层面和路径层面的不同贡献和影响,不仅提高了算法的时间效率,而且使得最终得到节点i的向量表示更有利于提高下游链路预测任务的预测准确性。在4个真实的社交网络数据集上进行实验,与基准模型相比,SNEDA模型在AUC和F1指标上分别提高了约3.1%和1.1%。结果表明该模型得到的网络表示有助于提高链路预测的准确性。

摘要：研究符号网络多智能体系统领导—跟随一致性问题.考虑到外界环境的不确定因素,将转移概率引入至切换规则,使得研究的多智能体系统更具一般性.为了降低控制成本和减少控制器更新频率,设计了一类新颖的事件触发控制协议.最后,结合李雅普诺夫泛函、线性矩阵不等式等技术获得所考虑多智能体系统双向一致性的充分判据,并通过数值模拟验证所得理论结果的有效性.