【摘 要】
：
在社交网络极大普及的今天，如何获取和维护社交网络中一些关键和重要的属性成为了一项极有意义的工作。通常来说，大多数工作都将社交网络抽象化为动态图模型进行结构分析，在图论与网络分析中，中心性是判定网络中节点重要性的指标，是节点重要性的量化。这些中心性度量指标最初应用在社会网络中，随后被推广到其它类型网络的分析中。在对于社会网络的分析过程中，其中一项最基本的任务就是需要区分一个社区中那些对象比其他人更具
论文部分内容阅读
在社交网络极大普及的今天，如何获取和维护社交网络中一些关键和重要的属性成为了一项极有意义的工作。通常来说，大多数工作都将社交网络抽象化为动态图模型进行结构分析，在图论与网络分析中，中心性是判定网络中节点重要性的指标，是节点重要性的量化。这些中心性度量指标最初应用在社会网络中，随后被推广到其它类型网络的分析中。在对于社会网络的分析过程中，其中一项最基本的任务就是需要区分一个社区中那些对象比其他人更具有影响力，进而帮助研究人员分析和理解扮演者在网络中担当的角色。为完成这种分析，这些人以及人与人之间的联系被模型化成网络图，网络图中的节点代表人，节点之间的连边表示人与人之间的联系。基于建立起来的网络结构图，使用一系列中心性度量方法就可以计算出哪个个体比其他个体更重要。
中心性(Centrality)是指在社交网络分析(Social network analysis, SNA)中用以表达社交网络中某一个对象在整个网络中所在位置对于整个网络拓扑结构而言所处中心的程度，而当这个程度在用以数字来进行计量时就被称作为中心度(也就是可以通过计算一个节点的中心度来分析和判断这个节点对于当前网络中所有相关节点的重要性)。梯级型接近中心度(Hierarchical Closeness Centrality)针对于社交网络本身所具有的小世界特性，通过引入了梯级(hierarchy)这一特性，强化突出了社交网络中所具有的逐级链接并集中到重要结点的特点，从而较传统的接近中心度能够更好地描绘出受分析的社交网络的结构特征。同时针对于动态性的特征，为了减少计算梯级型接近中心度的时间开销，同时提出了与之对应的分布式算法。
测试结果表明，梯级型接近中心度(Hierarchical Closeness Centrality)能够有效提高所描述的社交网络的结构使其更加符合本身所具有的小世界特性，并且在标记最大影响力结点和社区发现的具体问题中体现出来比传统接近中心度更好的结果。同时所提出的并行计算算法与基本方法相比，也表现出来更小的时间开销。
其他文献
固态盘(Solid State Drive)因具有高内部并行性、低随机访问延迟、低能耗以及小尺寸等优势，作为主流的存储设备被广泛用于个人电脑和数据中心。近年来，随着5G和大数据技术发展，对存储容量、性能和可靠性提出了更高需求。得益于半导体制程工艺技术、单元多比特技术以及三维堆叠技术的发展，闪存存储密度大幅提升。然而，存储密度的增长是以牺牲可靠性为代价，不可靠的存储介质会引起数据存储可靠性维护开销大
键值存储是支撑数据中心和众多数据密集型应用的关键技术，广泛应用于网页检索、电子商务、云存储、社交网络等领域。大数据时代下，键值存储的发展始终围绕着三大需求，即更高的访问效率、更大的存储容量和稳定可预测的性能。在近些年发展的新型存储器件中，瓦记录磁盘显著提高了磁盘面密度，具有低成本、高存储容量的优势；非易失性内存则能够明显提升访问效率，兼具传统硬盘的持久性和接近DRAM的存取速率。因此，新型存储器件
为从大规模图中挖掘出有价值的信息和知识，分布式图计算系统首先通过图分割方法，将图中的顶点和边分配到各计算节点上；然后，执行特定的图处理流程，迭代计算图中的顶点数值，直至图算法收敛。因此，图分割方法和图处理流程在很大程度上决定了分布式图计算系统的整体性能。传统的分布式图计算系统通常基于同构计算集群，并采用静态的、通用的图分析模式。但随着图计算应用在广度和深度上的不断扩展，新型的分布式图计算系统需要能
在互联网时代，大规模近似最近邻检索方法在海量多媒体数据检索，人脸识别等领域具有广泛应用。如何快速、准确、高效地对大规模(十亿级别)多媒体数据进行近似最近邻检索成为当前检索技术方向研究的热点和难点。 目前主流的大规模近似最近邻检索方法主要采用基于量化方法的索引结构和压缩编码方法来提高检索准确率和速度，并利用图形处理器(GPU)强大的并行计算能力对检索方法进行加速。由于GPU的内存空间有限与不同于C
移动边缘计算(Mobile Edge Computing, MEC)将大量的计算和频谱资源转移到接近最终用户的地方，减少了服务时延。面向MEC的延迟敏感的人工智能(Artificial Intelligence, AI)应用，如情感识别，人脸识别等，通常受到能量消耗和计算资源的限制，不能满足QoS要求。计算卸载与迁移作为MEC关键技术之一，研究者们提出各种方案以解决MEC中的计算与通信问题。 然
图像分类与目标检测是计算机视觉领域中众多人工智能应用中的关键技术，是重要的研究方向。其中图像分类是判别图像的类别问题，目标检测是实现对图像中的多个目标的定位和分类，即图像分类是目标检测的基础。近些年，研究人员利用深度学习方法大大提高了图像分类与目标检测的性能，使用卷积神经网络进行特征学习已经成为图像处理的主要方法。但是，由于图像中场景变化，目标遮挡，目标模糊，分辨率过低等原因，使得图像分类与目标检
随着云存储规模的不断增大，云存储系统面临数据丢失的风险也不断提升，因此云存储系统中数据可靠性问题是当前学术界和工业界关注的一大热点。为了解决该问题，云存储系统通常使用具有低存储成本的纠删码技术。区别于一般存储系统，云存储系统需要满足海量用户复杂多变的存储需求，以及提供7×24高可用的存储服务，而这给云存储系统中纠删码技术带来两大关键性科学问题，分别是纠删码的存储扩展性能较低与频繁变化的存储扩展需求
深度学习作为目前人工智能领域的前沿技术，在处理现实世界复杂问题时优势显著。与传统的人工神经网络相比，深度神经网络拥有更多的隐藏层及神经元，同时产生了大量不同种类的中间数据。这些数据对训练与推理任务的执行效果能够起到至关重要的作用，但与此同时，也在系统层面上带来庞大的计算体量、存储开销以及通信负载。目前深度学习系统优化领域存在不少问题，训练运行时效率较为低下，主要问题集中在两方面，其一是高性能加速硬
组合优化主要研究最优匹配、划分与排序等问题的求解方法，从有限个离散状态中搜索最佳状态。交通、物流、医疗、电信、能源、零售、军事等众多领域中均存在大量组合优化问题。尽管各个行业的业务背景千差万别，经过数学建模，绝大多数组合优化问题均可抽象为混合整数规划问题，本质上属于同一类问题。为高效求解该类问题，众多启发式优化算法被相继提出，面向政府与企业的需求提供解决方案。 一方面，路径规划与人员排班作为极具
肺癌严重威胁着人类的生命安全，是目前世界上发病率和死亡率最高的一种癌症。肺癌的早期诊断和早期治疗是提高肺癌患者五年存活率的关键。肺结节是肺癌早期的主要表现形式，基于CT影像学的肺结节检测、分割以及良恶性分类是肺癌早期诊断的关键步骤和有效手段。研究基于卷积神经网络的肺结节诊断算法并开发相应的系统，可为肺癌的早期诊断提供理论依据和手段。 肺结节的检测和诊断通常包含三个步骤，首先进行肺结节的检测、然后