科研之友
微信
新浪微博
Facebook
分享链接
摘要
在复杂网络研究领域,社区隐藏算法旨在破坏社区发现算法的有效性,从而隐藏用户之间的关系,达到保护用户隐私的目的.现有的社区隐藏算法寄希望于已有用户改变自己的社交关系实现该目标,这对用户影响较大,操作空间比较小.不同于此类算法,本文所提的算法从增加节点及其相应边的角度出发,即伪造用户及其关系,最大程度降低了对用户的影响,将社区隐藏问题转换为网络增长问题.首先基于ratio association和ratio cut,提出两种更适合社区隐藏的指标;然后基于强化学习框架,定义动作空间为不同的网络增长模型,将两个指标在l个阶段的一致性策略值作为网络的状态表示,并将指标值作为奖赏值;最后采用两种策略来对指标进行优化,即给每个Q函数赋予权重的标量化多目标Q-learning算法以及基于Pareto最优算法的多目标Q-learning算法.在真实数据集上的大量实验表明,相比于现有最新的社区隐藏算法,本文所提算法展现出更好的有效性.
- 单位
