【《基于动态网络节点影响力的社区演化分析》12000字】

基于动态网络节点影响力的社区演化分析目录TOC\o"1-3"\h\u16599基于动态网络节点影响力的社区演化分析 [21]两个具有代表性的研究进行对比实验。本文的实验环境为。其中每一种模型的分类方法对比如下：表1.2演化分类方法本文GEDSGCI演化类型FormingForming—DissolvingDissolvingDecayContinuingContinuingContinuingSplittingSplittingSplitMergingMergingMergeGrowingGrowingChangeSize/AdditionShrinkingShrinkingChangeSize/Deletion——Split-Merge之所以选择这三种模型进行比较是因为这三种研究的分类模型相似，具有可比性，除了SGCI和PCET这两种分类没有考虑社区生成(Forming)这种演化类型的情况外，其余类型均是对应的。而SGCI模型独有的Split-Merge类型在该文中也只是一个概念，且没有准确的量化条件，因此不对其进行对比。1.7.4实验结果（1）社区提取结果对数据划分好时间窗口后，接下来就是针对每一个时间窗口中的网络进行社区取。本文使用了Louvain算法来提取社区，其中Facebook和DBLP社区划分的结果如下图：图Facebook不同大小社区占比图Facebook不同大小社区占比（去除社区大小为1和2）DBLP不同作者数量的论文数量变化由图1.5可知，两个数据中都是小社区占比大，且社区个数随着社区的增大呈递减趋势。Facebook数据中，社区大小为1和2的占比为65.63%，除去小型社区后，社区个数仍符合社区个数随着社区的增大呈递减趋势规律。（2）动态节点影响力本实验中，Infv=αfinnerv+βfffSIR模型在现实社会网络中已广泛应用于疾病传播、信息传播及谣言传播的研究.为了验证本文提出的动态节点影响力方法，我们采用SIR模型[？]来模拟仿真传播过程，并将其结果与我们的模型实验结果做比较。SIR模型中有三种状态，易感染状态S(susceptible)，感染状态I(infected)，免疫状态(recovered)。当个体处于感染状态时，以β的概率感染处于易感染状态邻居个体，感染状态的节点以γ的概率恢复为免疫状态。如果β值较大，节点传播能力很强，节点将很快感染整个网络，从而很难区分单个个体的重要性；较小的β能在有限时间内更好地显示出感染范围。本文中设定较小的β=0.03。实验模拟传播过程中，每次只选取网络中的一个节点作为初始传播节点，设定较短传播时间(t=10)，对每个节点进行1000次重复实验取均值，最终感染与恢复的节点总数定义为影响力F(t)。图1.6内部影响因子α与外部影响因子β取不同值对传播影响力指标的影响分析横轴表示SIR模型仿真出的实际影响力大小排序，纵坐标对应本文综合全局的节点影响力评估公式在不同的内部影响因子α与外部影响因子β取不同值的传播影响力指标变化，可以看出不同值下的影响力符合预期，表现为向右倾斜下降的曲线。且在α=0.6，β=0.4时，曲线符合好的指标理论预期，是向右倾斜单调下降的曲线。因为一个好的评估指标方法，SIR模型仿真得到的排序越靠后，其实际节点影响力应该随之减小。图1.76种指标的影响力Infv(t=10横轴表示SIR模型仿真出的实际影响力大小排序，纵坐标为对应6种指标的影响力Infv值变化情况，其中本文优化的综合全局的节点影响力公式中取值为α=0.6，β=0.4。对比其他5种节点影响力评估指标，可以看出由于数据集的特点，节点介数中心值和紧密中心值几乎不变，单纯的度指标和局部聚类系数指标抖动较大，而本文的影响力评估指标在α=0.6，β=0.4图1.8α与β取不同值对传播影响力指标前10的影响分析图1.96种指标的影响力Infv(t=10如图即只是单纯的考虑内部属性或外部属性对发现最具有影响的节点来说准确性，适用性较差。本文实验中的α，β可以根据不同数据集选取较好的值，这从另一方面证明了所提出模型的合理性及普遍性。从图1.9结果中分析，可以看到已有的7种典型方法在不同网络中影响力均有所波动，这些方法在不同网络中各有优劣，通用性不强，特别是在影响力越靠后，波动范围最为明显。指标值小的传播影响力反而比指标值大的传播影响力要大，特别是在Facebook网络中，已有的6种指标方法结果都不太精确,而我们提出的指标几乎在所有的网络中都符合向右倾斜单调下降的理论曲线。图1.10节点6095衰减与未衰减节点影响力变化图本实验充分论证了节点影响力不但由内部属性决定，而且还与其外部属性密