近日，研究组两位硕士研究生分别在仲恺农业工程学院和华南师范大学顺利通过毕业论文答辩，分别是：

仲恺农业工程学院食品安全与智能控制方向的19级研究生魏海昱，论文题目为《食品安全网络舆情的话题发现方法研究与应用 》，该论文所做的主要工作包括：
（1）食品安全网络舆情的数据爬取技术研究。面对动态网页数据获取困难与爬取不稳定的问题，分析研究动态网页使用的 Ajax 技术，结合 Scrapy 爬虫框架采用Selenium 自动化与逆向分析两种方式爬取哔哩哔哩视频网站有关食品安全的视频评论。对比分析了爬取技术的运行性能及爬取限制的应对策略，为获取具有时效性的食品安全网络舆情数据提供了可靠的方法。
（2）食品安全网络舆情的话题发现模型研究。对爬取的舆情数据进行预处理和特征表示，为提高话题发现模型的稀疏性与光滑度提出基于 Elastic Net 的非负矩阵分解（Non-negative Matrix Factorization，NMF）话题模型，通过奇异值分解对模型初始化，并采用非线性 Gauss-Seidel 方法对模型进行求解。与潜在狄利克雷分布（Latent Dirichlet Allocation，LDA）话题模型进行了对比实验，结果表明 NMF 话题发现模型具有耗时短和获取话题质量高的优势。此外，根据舆情评论时间、点赞数与回复数进一步分析了话题演变和热点话题。
（3）食品安全网络舆情的话题发现系统开发。基于 Scrapy、Flask、Bootstrap 以及 MongoDB 等技术设计与实现了具有爬虫控制、数据采集、数据可视化以及话题分析等功能的食品安全网络舆情话题发现系统。该系统实现了基于 Web 从食品安全网络舆情数据爬取至话题发现的可视化操作，预期可以有效应用于食品安全网络舆情的监测。

目前基于这些工作形成的成果已发表（含待发表）论文2篇，获得软著1项。

华南师范大学软件工程方向的19级研究生成其伟，论文题目《面向动态网络的社区发现方法研究及应用》，所做的主要工作包括：

（1）针对动态社区的历史划分错误结果保留以及社区转移节点信息过时的问题，提出了一种融合节点变化信息的半监督非负矩阵分解模型NCI-SeNMF(Semi-supervised Nonnegative Matrix Factorization combining Node Change Information)。该模型首先通过提取前一时刻社区网络的degeneracy-core，并构造成对约束充当先验信息，以此来过滤潜在错误节点；然后进一步量化节点相邻时刻的局部结构变化程度，并将其用于修正节点的先验信息，以削弱社区转移节点信息过时的负面影响；最后将构造的先验信息通过图正则化项融合到非负矩阵分解模型中。对比实验结果证明了NCI-SeNMF在动态社区发现任务上具备较好的有效性与鲁棒性。
（2）针对现实世界动态网络的节点通常具备属性信息的情况，提出了一种面向动态属性网络的非负矩阵分解模型DAN-NMF(Nonnegative Matrix Factorization for Dynamic Attribute Network)。该模型以联合矩阵分解的形式统一集成网络拓扑结构信息、节点属性信息以及网络历史快照信息，同时基于最大最小化框架设计了相应的模型优化算法。对比实验结果验证了DAN-NMF不仅具备优秀的动态社区发现性能，还能进一步挖掘出社区演化模式，并对社区进行语义解释。
（3）设计与实现了一个能够应用于动态网络的社区发现原型系统。该系统集成了网络数据集管理、网络统计指标分析、静态/动态社区发现、社区演化模式挖掘以及社区语义解释等核心功能，并对网络分析与社区挖掘任务的部分关键结果进行了相应的可视化。该系统为针对各类动态复杂网络的分析与挖掘工作提供了一种有效工具，让用户能高效便捷地提取其中有价值的信息。

目前基于这些工作形成的成果已发表（含待投）论文4篇，其中2篇SCI论文，申请软著及专利各1项。