59、动态关系网络与神经网络的模式挖掘及概率训练探索

动态关系网络与神经网络的模式挖掘及概率训练探索

1. 动态关系网络分析

在动态关系网络的研究中，贸易网络、合著网络和多元时间序列数据集都有着独特的分析价值。

1.1 贸易网络分析

贸易网络中，法国与比利时、德国的贸易关系发生了变化，法国仅从这两个国家进口，这可能是因为法国向其他国家出口，或者比利时和德国决定从其他国家进口。此外，通过贸易网络生成的 EIRS 捕捉到了美国与其他国家 35 年的稳定贸易关系。美国和加拿大长期以来有着紧密的贸易联系，尽管由于地理位置相近这种紧密联系看似明显，但算法能从历史数据中发现这种关系仍十分有趣。同时，EIRS 也捕捉到了美国和日本之间的稳定关系。

1.2 合著网络分析

合著网络基于 DBLP 计算机科学文献数据库，对 1958 年至 2012 年的年度合著关系进行建模。每年的合著关系构成一个快照，形成了包含 55 个快照的动态网络。节点代表出版物的作者，无向边表示某一年两位作者之间的合作关系。为边分配标签时，将出版物标题聚类为 50 个主题相关的组，并使用聚类编号作为标签。该网络包含 1057524 个节点，每个快照平均有 72202 条边。

为了从这个动态网络中获取信息，重点在于识别关系实体的共同演化。通过算法分析 DBLP 数据集发现了一些 CRMs。根据论文标题将作者之间的年度合著关系分为 50 个聚类，并使用属于某个聚类的最频繁单词来描述该聚类所代表的主题。为了对发现的 CRMs 进行排名，使用聚类质心之间的余弦相似度（即主题相似度，范围从 0.02 到 0.52）。对于每个 CRM，通过计算基于 CRM 两个连续模式之间所有主题转换（即边标签变化）的平均主题相似度来确定