论文部分内容阅读
现实世界的诸多关系均以复杂网络的形式存在,对复杂网络的研究具有重要的理论意义和应用价值。统计网络模型作为复杂网络和机器学习等领域的重要研究内容之一,有助于人们了解网络的结构特性、生成机制及发展演化,有助于人们探索隐含在网络背后的本质规律。近年来,随机块模型与随机游走模型吸引了学者的广泛关注,成为当前复杂网络领域的研究热点,众多研究成果表明两类模型具有诸多优点,在结构模式发现、链接预测、节点排序等方面表现出了优秀的性能。然而由于复杂网络/复杂系统的复杂性,两类统计模型面临着一些挑战与难题。本文重点关注了随机块模型与随机游走模型,深入研究了它们在网络建模、统计推理、模型应用等方面的若干关键问题:1)针对现有随机块模型无法处理符号网络的问题,提出了一种新的符号随机块模型及其学习算法,有效解决了符号网络的统计建模问题,并首次利用统计网络模型与变分推理方法解决了符号网络的社区发现问题;2)针对现有随机块模型学习算法时间复杂度过高的问题,提出了一种新的细粒度随机块模型及其快速学习算法,首次实现了随机块模型参数估计与模型选择的并行学习机制,有效降低了随机块模型学习的时间复杂度;3)基于社区结构特性,在随机游走模型框架内提出了一种新的节点排序算法,实现了利用社区描述的全局结构和近邻节点序列描述的局部结构进行节点排序,此外,为了降低在线计算时间、有效处理大规模网络,为该算法提供了一种线下/在线计算方案。在人工网络与真实网络上的实验结果表明本文提出的这些模型与算法均具有较好的性能,达到了预期的效果和目的。