赵琪琪,马慧芳,2,刘海姣,贾俊杰

(1.西北师范大学 计算机科学与工程学院,兰州 730070; 2.桂林电子科技大学 广西可信软件重点实验室,广西 桂林 541004)

0 概述

随着信息技术的快速发展,各行业的数据规模日益增加,因此数据异常检测显得尤为重要,其广泛应用于政务数据异常检测、商业欺诈检测、医疗记录异常分析等方面,而针对网络社区的异常检测成为近年来研究的热点。传统无属性网络异常社区检测方法通常仅利用社区结构信息无法检测到内部属性不一致的社区[1-2],可用于稠密子图的社区挖掘及仅考虑结构的异常社区检测,但不适用于真实世界中的复杂网络。这是因为现实世界的网络多数由节点、边和与节点相关的属性向量组成,且这些网络质量层次不齐、数量庞大,如何量化属性网络中的社区质量显得尤为重要。近年来,研究人员面向属性网络提出一些异常社区检测方法,例如将所有可用属性视为同等重要[3-4],或者采用无监督技术来确定属性的重要性权重构成属性子空间向量用于节点属性相似度计算[5-6]。社区子空间在结构上是内部紧密连接,与网络其余部分分离,并且在此类属性子空间下社区内部节点间具有相似性。在属性网络中,高质量的社区更加模块化并且趋向于具有相似属性特征的社区[7],即具有相同属性的节点结构也相似。

因此,研究人员利用属性对异常社区检测的影响所提出的方法,通过社区内部属性信息来衡量社区质量,并对社区之间存在边界边的连通性进行量化,用以衡量社区质量[8],或用于寻找属性网络中的离群点及子图[9-10]。……