半监督社团检测及其在动态网络中的应用研究

Community detection is the fundamental tool for analyzing the structure and evolution mechanism of the network. However, it is a problem of only using the topology of a complex network with unknown network structure to detect the community structure. In real networks, there exist background and domain knowledge, which can be used to improve the performance and reliability of the detection algorithm. Thus, the study of semi-supervised community detection, which integrates the prior knowledge into detection communities, is a very urgent task. Unfortunately, there are only few works to consider semi-supervised community. This project plans to employ semi-supervised learning and active learning to improve the performance of the community detection algorithms and apply them into dynamic networks. The main contents of this project are listed as follows. (1) Utilizing the prior knowledge to analysis the community structure of complex networks, and study the adaptive semi-supervised community detection models, which can find the new communities. (2) Researching on the mechanism of active selecting prior knowledge. (3) Introducing active semi-supervised learning into dynamic network, and study the active semi-supervised community detection method and the evolution mechanism of dynamic network. The research results of this project can get the same result as the real community structure of the network, and offer several theoretical supports and technical references for the application of community detection in real network.

社团检测是分析网络的结构特征和进化机制的基础工具，但在一个网络结构完全未知的复杂网络中，仅仅根据网络的拓扑结构进行社团检测是有问题的。实际网络中往往存在背景和领域知识，利用这些先验知识可以提高社团检测算法的性能和检测结果的可靠性。对将先验知识融入社团检测过程的半监督社团检测的研究十分必要，而目前只有少量的工作对其进行了研究。本项目将对半监督社团检测模型及其在动态网络中的应用进行研究。项目的研究内容包括：根据先验知识提供的信息，对网络中的社团结构进行分析，研究能够检测出新社团的自适应半监督社团检测模型；对先验知识的主动选取机制进行研究；将主动半监督学习引入动态网络，对动态网络中的主动半监督社团检测方法和网络的进化机制进行研究。项目的研究成果能够得到和网络的真实社团结构基本相同的划分结果，为社团检测在实际网络中的应用提供理论支持与技术参考。

社团检测是复杂网络研究的一个重要分支，它不仅可以发现网络中的社团结构，还能发现网络中的进化机制。如何利用充分利用网络中节点的公共邻居以及先验知识对提高社团检测算法的性能具有重要意义。本项目的研究内容包括：（1）为了能够充分利用社团之间的链接关系，对能够提升社团检测算法性能的链接预测方法进行了研究，提出了两种链接预测方法；（2）充分利用节点的邻近关系，在考虑了一阶、二阶邻居节点的对其影响的关系的情况下提出来了三种社团检测方法；（3）在总结分析半监督社团检测的基础上提出了两种半监督社团检测方法，同时提出了一种能够自动获得社团数目的自适应半监督社团检测方法；（4）在动态网络中，为了简化一些增量算法中复杂的演化事件，我们提出了基于节点相似性的增量式社团检测算法IncNSA。项目的研究成果能够得到和网络的真实社团结构基本相同的划分结果，为社团检测在实际网络中的应用提供理论支持与技术参考。