前言

随着信息技术的不断发展和社交媒体的大量涌入，网络数据呈现爆炸式的增长。如何有效地对网络数据进行表示，并在理想的网络表示上实现重要知识和结构的准确挖掘，逐渐成为近年来社会计算研究的热点。在复杂网络中，社团结构是广泛存在的重要潜在结构。挖掘网络中的社团结构对探索网络潜在特性、理解网络组织结构、发现网络隐藏规律和交互模式等具有重要的理论和现实意义，是网络分析任务的关键研究内容。本书对复杂网络中的符号网络、重叠网络、动态网络、大规模网络的社团发现进行梳理和研究，并对其在卫星通信网络组网规划中的应用进行探索。本书的主要研究内容和创新点如下。

(1) 基于博弈论的符号网络社团发现方法。针对符号网络社团发现问题，构建一种用于符号网络中社团发现的博弈论模型，并设计一种符号网络社团发现算法。将节点作为参与者，根据社团内外的正、负边数构造增益函数，并从理论上证明模型局部纳什均衡的存在。当博弈达到纳什均衡状态时，所有节点的最优策略空间就是最终社团划分的结果。

(2) 基于双尺度图小波神经网络的重叠社团发现方法。针对重叠社团发现问题，提出一种基于双尺度图小波神经网络的重叠社团发现模型，并设计一个具有低频带通滤波特性的图小波核函数，用于挖掘复杂网络中隐含的重叠社团结构。另外，考虑到图概率生成模型在重叠社团中的卓越性能，构建一个基于概率推断模型的损失函数，实现对重叠社团结构的完全无监督学习。

(3) 基于演化聚类框架的动态网络社团发现方法。针对动态时序网络社团发现问题，提出一种基于演化聚类框架的动态网络社团发现方法，该方法利用前一时刻的社团发现结果作为先验信息来减少网络噪声对社团发现的影响。引入社团演化矩阵对社团的演化模式进行建模和跟踪，实现社团演化模式的分析和可视化，同时平滑连续时刻社团演化。

(4) 基于深度网络表示学习的大规模社团发现方法。针对基于拓扑表示的社团发现算法存在计算复杂度高、不能并行计算和无法挖掘网络非线性结构等问题，将网络表示学习与社团发现领域相结合，提出一种基于深度网络表示学习的社团发现方法，实现在大规模、稀疏和高维网络中的社团结构挖掘。通过深度自编码器生成面向社团结构的节点向量，在捕捉潜在社团信息的嵌入空间中执行聚类策略，进而得到准确的社团结构。

(5) 社团发现和网络表示学习的联合优化方法。网络表示学习作为社团发现的前驱服务，决定社团发现的性能，有效的网络表示有助于获得准确的社团结构。同时，作为网络重要的介观描述，在网络表示中融合社团结构有助于生成更具有表征性的网络表示。联合利用两种任务之间相互促进的协同关系，提出一种社团发现和网络表示学习的联合优化框架。在统一的框架中联合优化基于非负矩阵分解的表示学习模型和基于模块度的社团发现模型，在得到准确的社团结构的同时也生成理想的节点低维表示。

(6) 社团发现在卫星通信地球站组网规划中的应用。随着卫星通信需求和地球站数量的增加，如何对卫星通信地球站进行合理的组网规划，提出一种智能且高效的组网规划方法是亟须解决的问题。本书将卫星通信地球站组网规划问题建模为社团发现问题，为大规模和动态卫星通信地球站的智能化组网规划提供了可行方案。

本书是作者在中国人民解放军陆军工程大学攻读博士期间和在国防科技大学博士后流动站工作期间完成的，在这里首先感谢作者的博士生导师胡谷雨教授和潘志松教授，还要感谢在编辑和出版过程中，国防科技大学系统工程学院和清华大学出版社的大力支持。

限于作者水平有限，书中难免有不妥与疏漏之处，敬请各位读者不吝赐教。

著者

2025年1月