社区发现新算法及其在商品推荐中的应用
这是一篇关于复杂网络,模块度,社区检测,推荐系统的论文, 主要内容为复杂网络是一种具有非平凡的拓扑特征的图,其作为新兴且活跃的科研领域,发展迅猛,聚集了来自许多领域的研究人员。在复杂网络中检测社区是非常有意义的,通过社区的检测,我们可以发现隐藏在网络中的结构和信息。现有的确定社区结构的算法大多都是基于社交网络的拓扑结构及特征,而不考虑结点之间的相互关系。本着对两结点之间连边关系的研究,本文提出一个新的算法方案。本文首先由复杂网络社区划分的国内外研究现状为切入点,并对现有的一些经典算法进行介绍,最后引入本文所要提出的新算法。新算法给结点之间的连边关系定义了一个新的指标,该指标用来描述结点之间的关系强度,该指标值越大,说明该边两边对应的两个结点(两个小团体)之间的联系更加紧密,也就是说他们处在同一社区的可能性更大,如果该指标值相对较小,则处在同一社区的可能性就越小。通过该指标,可以有顺序的试探两结点(两个小团体)之间是否应该划分在同一社区,当计算到模块度增益为负值时,理论上就可以停止后续的划分。对新的算法在无标度网络和随机网络上进行数值模拟,并在真实网络上进行试验,将最终的结果与Louvain算法划分的结果在模块度上进行比较,结果都表明了新算法的有效性。后将新算法应用到商品推荐中,针对某平台销售数据构建商品-商品网络进行分析研究。本文提出的算法能够对商品网络进行一个有效的分离,把关系强度比较大的商品划分在一起,对比较重要的商品进行提取,可以对现在被广泛使用的关联规则做一个有价值的补充。
社区发现新算法及其在商品推荐中的应用
这是一篇关于复杂网络,模块度,社区检测,推荐系统的论文, 主要内容为复杂网络是一种具有非平凡的拓扑特征的图,其作为新兴且活跃的科研领域,发展迅猛,聚集了来自许多领域的研究人员。在复杂网络中检测社区是非常有意义的,通过社区的检测,我们可以发现隐藏在网络中的结构和信息。现有的确定社区结构的算法大多都是基于社交网络的拓扑结构及特征,而不考虑结点之间的相互关系。本着对两结点之间连边关系的研究,本文提出一个新的算法方案。本文首先由复杂网络社区划分的国内外研究现状为切入点,并对现有的一些经典算法进行介绍,最后引入本文所要提出的新算法。新算法给结点之间的连边关系定义了一个新的指标,该指标用来描述结点之间的关系强度,该指标值越大,说明该边两边对应的两个结点(两个小团体)之间的联系更加紧密,也就是说他们处在同一社区的可能性更大,如果该指标值相对较小,则处在同一社区的可能性就越小。通过该指标,可以有顺序的试探两结点(两个小团体)之间是否应该划分在同一社区,当计算到模块度增益为负值时,理论上就可以停止后续的划分。对新的算法在无标度网络和随机网络上进行数值模拟,并在真实网络上进行试验,将最终的结果与Louvain算法划分的结果在模块度上进行比较,结果都表明了新算法的有效性。后将新算法应用到商品推荐中,针对某平台销售数据构建商品-商品网络进行分析研究。本文提出的算法能够对商品网络进行一个有效的分离,把关系强度比较大的商品划分在一起,对比较重要的商品进行提取,可以对现在被广泛使用的关联规则做一个有价值的补充。
复杂网络的社区发现算法研究
这是一篇关于复杂网络,社区发现,DRDPSO-net,模块度,多目标优化的论文, 主要内容为在大数据时代,需要亟待处理的数据形式日渐增多。在关系型数据中,可将个体抽象为节点,个体的联系映射为节点的边,组织成具有社区结构的复杂网络。在复杂网络中,处于某一个社区中的个体可能来自实际网络中具有相似特点或相同生活背景的社会团体。若能有效的挖掘网络中隐藏的社区结构,则可以寻找到社区内部与社区之间的重要信息。社区发现算法的本质则是用以揭示网络中存在的社区。实际场景中,如个性化推荐系统,流行疾病的传播都是在社区发现的基础之上实现的。因此,社区发现算法具有着重要的研究意义和广泛的应用前景,也是数据挖掘领域的热点研究内容之一。各种规模的网络中存在着异构性、复杂性,使得发现社区算法划分社区结构工作变的更具有挑战性。目前诸多社区发现算法已经被广泛地应用于挖掘网络社区问题,但其获取高质量社区结构与提高算法划分社区的准确度,一直是社区发现算法不断被研究和改进的方向。本文针对复杂网络社区发现,主要做了如下工作:(1)为得到高质量的社区结构,提出了一种离散的随机漂移粒子群优化模块度(DRDPSO-net)算法。在初始时,基于节点之间的邻居相似性获取粒子群体的初始值,使其发现潜在的社区结构。其次,为了能使传统的随机漂移粒子群算法能在网络数据中取得理想结果,重新定义粒子的离散更新公式。在局部搜索过程中贪婪地更新粒子的社区信息,改善局部网络结构逐渐增强全局模块度值。在不同规模大小的生成网络与真实网络中进行对比实验,表明了该算法的有效性。在不同的网络中能获得的社区结构更为理想。(2)基于DRDPSO-net社区发现算法的实验结果分析,优化最大模块度可能造成的分辨率限制问题,且算法在真实网络中划分准确率较低。为解决此问题,提出了一种多目标优化社区的mDRDPSO-net社区发现算法。通过核均值(KKM)和比率削减(RC)两个互相冲突的目标函数来控制网络中的社区规模、缓解模块度分辨率。另外,根据多目标求解策略逐步更新Pareto非劣解集,从Pareto非劣解集中可选取满足需求的目标社区结构。在各算法的对比之下,mDRDPSO-net社区发现算法可以进一步提高地网络社区划分的准确度。(3)对具有属性信息的复杂网络的社区发现进行分析,将上述的多目标优化框架基于拓扑与属性相似进一步探究社区的挖掘。通过实验结果表明,该方法也能有效地应用于Facebook-Ego网络上。
社区发现新算法及其在商品推荐中的应用
这是一篇关于复杂网络,模块度,社区检测,推荐系统的论文, 主要内容为复杂网络是一种具有非平凡的拓扑特征的图,其作为新兴且活跃的科研领域,发展迅猛,聚集了来自许多领域的研究人员。在复杂网络中检测社区是非常有意义的,通过社区的检测,我们可以发现隐藏在网络中的结构和信息。现有的确定社区结构的算法大多都是基于社交网络的拓扑结构及特征,而不考虑结点之间的相互关系。本着对两结点之间连边关系的研究,本文提出一个新的算法方案。本文首先由复杂网络社区划分的国内外研究现状为切入点,并对现有的一些经典算法进行介绍,最后引入本文所要提出的新算法。新算法给结点之间的连边关系定义了一个新的指标,该指标用来描述结点之间的关系强度,该指标值越大,说明该边两边对应的两个结点(两个小团体)之间的联系更加紧密,也就是说他们处在同一社区的可能性更大,如果该指标值相对较小,则处在同一社区的可能性就越小。通过该指标,可以有顺序的试探两结点(两个小团体)之间是否应该划分在同一社区,当计算到模块度增益为负值时,理论上就可以停止后续的划分。对新的算法在无标度网络和随机网络上进行数值模拟,并在真实网络上进行试验,将最终的结果与Louvain算法划分的结果在模块度上进行比较,结果都表明了新算法的有效性。后将新算法应用到商品推荐中,针对某平台销售数据构建商品-商品网络进行分析研究。本文提出的算法能够对商品网络进行一个有效的分离,把关系强度比较大的商品划分在一起,对比较重要的商品进行提取,可以对现在被广泛使用的关联规则做一个有价值的补充。
基于结构熵的社区发现及应用研究
这是一篇关于社区发现,结构熵,内聚度,耦合度,模块度的论文, 主要内容为近年来,复杂网络的社区发现由于可以发现隐藏在网络中的有用信息,在社交网络、电子邮件网络、引文网络和生物网络等应用领域上引起了广泛的关注。在社交网络中,社区发现可以用于预测推荐系统中用户之间的信息传播或预测行为之间的缺失环节,由于大规模的在线社交网络已经深深地融入到我们的日常生活中,从中发现有意义的社区对于各种目的的研究和应用变得至关重要。本文基于结构熵对社区结构在内聚度度量、耦合度度量、社区发现等方面展开研究。本文主要研究内容如下:(1)提出了基于结构熵的社区内聚度度量。社区密度通常用来定义社区内部连接紧密程度,但忽略了社区内部的异构性性(即均匀性)。因此,本文提出将社区密度和社区结构熵结合起来进行社区内聚度的度量,以达到更好的度量效果。本文给出了社区内聚度的性质,并分析了网络演化对内聚度的影响,得出可以根据社区内聚度的降低率来标识网络的演化过程。(2)提出了基于结构熵模块度的社区发现。本文基于社区内聚度和耦合度提出了一种基于结构熵的模块度(SE模块度),基于结构熵的模块度表现为高内聚低耦合,并将其应用到社区发现算法中,最后在真实网络上验证了基于结构熵模块度的社区发现的有效性和适用性。(3)提出了基于关联度和结构熵的蛋白互作网络之间的耦合度度量。本文基于关联度和结构熵分析了不同蛋白之间的拓扑关联,最后得出结论,与其他蛋白相比,致病蛋白与必需蛋白拓扑耦合度较少。
基于社团划分的电子邮件网络分析系统的设计与实现
这是一篇关于社团划分,复杂网络,电子邮件,模块度,关系分析的论文, 主要内容为无论在自然界还是人类的社会生活中广泛存在着复杂的关系系统，这些复杂的系统以网络的形式表现出来。由于这样的网络规模非常大，而且各个节点之间的关系十分复杂，所以称这样的网络被称为复杂网络。近些年随着人们对复杂网络研究的不断深入，复杂网络的很多特征被发现，其中最引人注意的是复杂网络的社团结构。 随着现代科技的快速发展，人与人之间的关系越来越密切，在人们生活中关系网络也越来越复杂，这不仅体现在网络范围的扩大，也体现在人与人之间的联系也越来越复杂。而这些大规模复杂信息里面包含了大量的有用信息，通过分析这些网络数据可以为我们的日常生活、工作、商业、国防提供重要的参考信息。同样由于人与人之间的关系网络复杂度在急剧增加，以前的很多算法的处理效率和准确度越来越不适用，因此高效的社团划分算法成为了当前的研究热点。 本文针对上述问题，在分析了现有算法的优点与缺点基础上，分别改进和提出了一个比较高效的算法。其中，第一个算法吸收了现有算法使用的分层思想，在每个层次迭代处理的过程中，首先在社团之间移动节点，然后把稳定后的社团转化为超点。同时在移动节点过程中引入判断剪枝算法，减少了大量的重复性运算，从而提高了算法时间效率。第二个算法是重叠社团划分算法，通过引入社团核心探测算法来探测社团核心，并利用现有的经典局部社团划分算法不断拓展已经探测到的社团核心，从而获得最初的社团结构，然后采用修整算法对最初的社团结构进行修整，从而得到准确的社团结构。在实现算法后，我们利用这些算法实现了电子邮件网络分析系统。系统使用了Spring来管理类对象，Hibernate框架来操作数据库，并且使用JNI技术来实现Java与C++算法的互连，在可视化处理部分采用了优秀的Prefuse框架来进行图形化展示，大大提高了网络结构的直观性。同时为了方便用户了解统计信息，系统并提供了报表功能，可以将计算结果保存为报表用于查看处理结果的详细信息。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码港湾 ，原文地址：https://m.bishedaima.com/lunwen/51826.html
