主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
胡云,王崇骏,谢俊元,吴骏,周作建.社群演化的稳健迁移估计及演化离群点检测.软件学报,2013,24(11):2710-2720
社群演化的稳健迁移估计及演化离群点检测
Robust Transition Estimation for Community Evolution and Evolutionary Outlier Detection
投稿时间:2013-04-29  修订日期:2013-07-17
DOI:10.3724/SP.J.1001.2013.04477
中文关键词:  时序数据集  社群演化  迁移矩阵  稳健回归  离群点检测算法
英文关键词:temporal dataset  community evolution  transition matrix  robust regression  outlier detection algorithm
基金项目:国家自然科学基金(61375069,61105069);中国博士后科学基金(2011M500846);江苏省科技支撑计划(BE2012181);江苏省教育厅自然科学基金(11KJB520001);江苏高校优势学科建设工程资助项目;计算机软件新技术国家重点实验室自主课题(ZZKT2013B11)
作者单位E-mail
胡云 南京大学 计算机科学与技术系, 江苏 南京 210093
淮海工学院 计算机工程学院, 江苏 连云港 222005 
 
王崇骏 南京大学 计算机科学与技术系, 江苏 南京 210093 15250998131@139.com 
谢俊元 南京大学 计算机科学与技术系, 江苏 南京 210093  
吴骏 南京大学 计算机科学与技术系, 江苏 南京 210093  
周作建 南京大学 计算机科学与技术系, 江苏 南京 210093  
摘要点击次数: 3298
全文下载次数: 2324
中文摘要:
      时序数据集中的社群演化模式是网络行为动力学研究与应用的重要领域.基于社群演化的离群点检测不仅能够发现新颖的异常行为模式,同时也有利于更准确地理解社群的演化趋势.运用成员关于社群隶属关系的变化,提出了社群演化迁移矩阵的概念,研究并揭示了迁移矩阵的若干性质及其与社群结构演化之间的关系.在采用稳健回归M-估计方法进一步优化迁移矩阵降低异常点干扰的同时,对社群演化离群点加以刻画和定义.鉴于复杂网络包含大量随机游走的边缘个体,所定义的离群点综合考虑其在社群中角色的变化和相对于社群总体迁移模式的差异.基于上述思想提出的演化离群点检测算法能够适应各类社群演化趋势,更有效地聚焦和发现大规模社会网络中重要成员的异常演化行为.实验结果表明,所提出的方法能够从大规模社会网络演化序列中发现重要的离群演化模式,并在现实中找到合理的解释.
英文摘要:
      Community evolutionary pattern analysis in temporal datasets is a key issue in social network dynamics research and applications. Identifying outlying objects against main community evolution trends is not only meaningful by itself for the purpose of finding novel evolution behaviors, but also helpful for better understanding the mainstream of community evolution. Upon giving the belonging matrix of community members, this study defines a type of transition matrix to characterize the pattern of the evolutionary dynamic between two consecutive belonging snapshots. A set of properties about the transition matrix is discussed, which reveals its close relation to the gradual community structural change in quantity. The transition matrix is further optimized using M-estimator Robust Regression methods by minimizing the disturbance incurred by the outliers, and the abnormality of the outlier objects can then be computed at the same time. Considering that large proportion of trivial but nomadic objects may exist in large datasets like those of complex social networks, focus is placed only on the community evolutionary outliers that show remarkable difference from the main bodies of their communities and sharp change of their membership role within the communities. A definition on such type of local and global outliers is given, and an algorithm on detection such kind of outliers is proposed in this paper. Experimental results on both synthetic and real datasets show that the proposed approach is highly effective in discovering interesting evolutionary community outliers.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利