基于粗糙集的重叠社区发现算法研究
这是一篇关于重叠社区发现,粗糙集,密度峰值,距离动态模型,属性节点的论文, 主要内容为随着互联网的发展和社会的进步,各个领域每天都会产生大量相互关联、彼此依赖的数据,这些数据根据不同的主题形成了不同的复杂系统。我们将复杂系统抽象成复杂网络,即将复杂系统中的研究对象看作复杂网络中的节点,将对象之间的联系看作网络中的边。对复杂网络的理解和分析可帮助我们根据不同主题挖掘不同的知识,发现其中隐藏的信息从而对问题进行处理和预测。挖掘网络中的社区结构是复杂网络中的一项重要研究内容,在推荐系统、信息传播、行为预测和数据挖掘等各方面起到了不可代替的作用。社区结构的重叠节点在实际生活中普遍存在,重叠社区发现算法使得划分的社区结构更有效。复杂网络除了表现出重叠性之外,还具有动力学复杂性,即社区结构中的节点状态不断改变。在实际网络数据中,除了包括网络的拓扑结构信息,还含有丰富的节点属性信息。目前一些社区发现算法未能很好地刻画出社区的重叠区域,且没有考虑到节点的动态性和属性信息等。针对网络具有重叠性、动态性和节点富含属性信息,本文具体工作有以下三个方面:1.提出了一种基于粗糙集和密度峰值的重叠社区发现算法。该算法在传统的节点局部相似性度量基础上,结合灰色关联分析方法得到节点的全局相似性,进而将其转化为节点间距离。将密度峰值算法的思想应用在该方法中,根据网络结构自动选取中心节点。结合粗糙集理论,根据距离比例关系,定义了社区的近似集和边界域,针对边界域进行计算,得到重叠社区结构。实验验证了该算法具有有效性和可行性。2.针对网络社区结构的重叠性和动态性,提出了一种基于粗糙集和距离动态模型的重叠社区发现方法。该算法首先根据网络的拓扑结构,结合节点度中心性和定义的全局距离得到K个中心节点,然后结合粗糙集理论和距离动态模型的思想,根据边界域与下近似集节点间相连的边的距离变化,缩小边界域节点,迭代找到最佳的重叠社区结构。最后根据两条规则处理“伪”重叠节点。实验验证了改进算法的可行性和有效性。3.网络除了含有拓扑结构信息,还富含节点属性信息。针对网络社区结构具有重叠性和属性节点,提出了一种结合网络结构和属性的基于粗糙集的重叠社区发现算法。首先在传统的节点局部属性相似性和节点局部结构相似性的基础上,定义了融合两者信息的全局节点相似性,进而转化为节点全局距离,然后结合节点聚集系数和节点全局距离得到K个中心节点,最后结合粗糙集理论划分重叠社区结构。实验结果表明该算法的有效性和可行性。
基于图神经网络的社区发现
这是一篇关于复杂网络,图神经网络,社区发现,重叠社区发现的论文, 主要内容为复杂网络通过节点和边组成,有助于理解现实存在的网络结构。对复杂网络的研究与认识最重要的一个方向就是社区发现,通过研究社区,不仅可以得到网络现有的拓扑结构,也可以知晓网络未来演化方向;近年来,社区发现的成果也广泛应用到推荐系统、舆情分析等领域。社区发现可以分为非重叠社区发现与重叠社区发现,然而,目前存在非重叠社区发现算法划分效率低下,重叠社区算法较少问题,而且适用于大规模网络社区发现的算法较少。本文引入图神经网络(GNN),因为在深度学习的广泛使用与发展中,图神经网络表现出良好的使用效果,能够在节点分类和链路预测等多个图下游任务上实现可靠的性能。本文采用网络嵌入生成节点向量表示,结合GNN实现非重叠社区发现和重叠社区发现。本文主要研究内容包括以下四个部分:(1)提出了用于重叠社区发现的表示学习方法BC-node2vec。本文根据重叠节点的结构特征,对Node2vec算法的游走策略进行改进,引入节点介数概念,进行有偏向的重叠节点游走,生成节点的特征向量。通过实验证明,与传统的表示学习方法相比,该算法对于重叠节点有更好的表示能力。(2)提出了基于集聚系数的图卷积模型C-GCN。集聚系数可以反应节点邻居连接的稠密程度,将节点集聚系数与邻接矩阵融合,作为图卷积网络的初始输入,为了更好的反应节点信息,令GCN中的属性矩阵为模块度矩阵,实现图卷积神经网络的改进。经过与GCN进行节点分类对比实验,证明了C-GCN有更好的网络表征能力。(3)提出了基于局部和全局信息提取的社区发现模型NC-GCN。本文根据所提的Node2vec算法获取网络的局部信息,根据C-GCN获取网络的全局信息,并将获得的信息进行融合,得到最终的网络节点表示,最后依据k-means聚类实现社区发现。通过与经典的社区发现算法对比,证实该模型对于社区发现任务有更好的表现。(4)提出了基于图注意力网络的重叠社区发现模型BC-GAT。本文利用BC-node2vec算法得到网络中节点的特征向量,然后将BC-node2vec学到的节点特征作为图注意力网络初始的节点向量,并结合邻接矩阵运用多头注意力机制,学习社区隶属度关系矩阵,最后利用Bernoulli-Poisson(BP)模型的最大负对数似然估计来学习真实社区隶属度关系矩阵,进而依据矩阵值将节点分配给社区,最终实现高维数据下重叠社区发现。经过对比实验证明,此算法对重叠社区发现效果更好。
基于粗糙集的重叠社区发现算法研究
这是一篇关于重叠社区发现,粗糙集,密度峰值,距离动态模型,属性节点的论文, 主要内容为随着互联网的发展和社会的进步,各个领域每天都会产生大量相互关联、彼此依赖的数据,这些数据根据不同的主题形成了不同的复杂系统。我们将复杂系统抽象成复杂网络,即将复杂系统中的研究对象看作复杂网络中的节点,将对象之间的联系看作网络中的边。对复杂网络的理解和分析可帮助我们根据不同主题挖掘不同的知识,发现其中隐藏的信息从而对问题进行处理和预测。挖掘网络中的社区结构是复杂网络中的一项重要研究内容,在推荐系统、信息传播、行为预测和数据挖掘等各方面起到了不可代替的作用。社区结构的重叠节点在实际生活中普遍存在,重叠社区发现算法使得划分的社区结构更有效。复杂网络除了表现出重叠性之外,还具有动力学复杂性,即社区结构中的节点状态不断改变。在实际网络数据中,除了包括网络的拓扑结构信息,还含有丰富的节点属性信息。目前一些社区发现算法未能很好地刻画出社区的重叠区域,且没有考虑到节点的动态性和属性信息等。针对网络具有重叠性、动态性和节点富含属性信息,本文具体工作有以下三个方面:1.提出了一种基于粗糙集和密度峰值的重叠社区发现算法。该算法在传统的节点局部相似性度量基础上,结合灰色关联分析方法得到节点的全局相似性,进而将其转化为节点间距离。将密度峰值算法的思想应用在该方法中,根据网络结构自动选取中心节点。结合粗糙集理论,根据距离比例关系,定义了社区的近似集和边界域,针对边界域进行计算,得到重叠社区结构。实验验证了该算法具有有效性和可行性。2.针对网络社区结构的重叠性和动态性,提出了一种基于粗糙集和距离动态模型的重叠社区发现方法。该算法首先根据网络的拓扑结构,结合节点度中心性和定义的全局距离得到K个中心节点,然后结合粗糙集理论和距离动态模型的思想,根据边界域与下近似集节点间相连的边的距离变化,缩小边界域节点,迭代找到最佳的重叠社区结构。最后根据两条规则处理“伪”重叠节点。实验验证了改进算法的可行性和有效性。3.网络除了含有拓扑结构信息,还富含节点属性信息。针对网络社区结构具有重叠性和属性节点,提出了一种结合网络结构和属性的基于粗糙集的重叠社区发现算法。首先在传统的节点局部属性相似性和节点局部结构相似性的基础上,定义了融合两者信息的全局节点相似性,进而转化为节点全局距离,然后结合节点聚集系数和节点全局距离得到K个中心节点,最后结合粗糙集理论划分重叠社区结构。实验结果表明该算法的有效性和可行性。
知识平台的推荐系统设计与实现
这是一篇关于推荐系统,社会化标签系统,重叠社区发现,TDM,图数据库的论文, 主要内容为现代工业和企业的飞速发展离不开其试验部门,采用计算机技术辅助工业生产已经成为现代化工业生产的常态。航空航天、船舶、兵器,以及机械装备等领域在其工业生产中会进行长期的设计、仿真、试验并积累大量试验数据。TDM(Test Data Management)即试验数据管理系统就是为了管理这些非结构化的试验数据而产生的。随着现代工业的发展,TDM系统也需要与时俱进。计算机技术的发展,例如人工智能、机器学习等技术的发展,为开发下一代TDM系统的开发提供了理论基础。信息时代的到来和互联网相关技术的快速发展使得互联网用户进入了信息过载时代。由于信息过载,用户面对海量的信息难以快速找到感兴趣或对自己有价值的信息。推荐系统就是在这样的背景下产生的,而现在个性化推荐技术已经成为解决信息过载的最重要手段之一。本文提出在TDM系统的知识管理平台基础之上,针对为TDM系统用户提供智能化知识推荐服务设计和实现了知识管理平台的个性化知识推荐系统。本文首先对TDM系统的实际需求和应用场景进行分析,提出利用社会化标签系统建立推荐系统。为了解决标签聚类时的语义模糊性问题,本文建立了标签共现网络并对重叠社区发现算法进行了深入研究,提出了一种新的基于线图和谱聚类的重叠社区发现算法LCLS(Link Clustering based on Line Graph and spectral clustering)。本文的主要研究工作内容如下:(1)通过对TDM系统和知识平台的实际应用需求分析、结合我国“智慧院所”国家规划的时代发展要求,本文提出了基于知识平台为科研院所人员设计和实现个性化知识推荐系统。(2)根据对系统的实际应用场景分析,本文基于标签聚类建立知识推荐系统。为了解决标签聚类时的一词多义问题,本文建立了标签共现网络并使用复杂网络科学领域的社区发现算法进行标签聚类。(3)对重叠社区发现算法进行了深入研究,针对前人研究中社区发现算法忽略节点关系强度、算法计算成本过大、社区发现质量较低等问题,本文提出了一种新的基于线图和谱聚类的重叠社区发现算法LCLS。LCLS算法针对带权值的网络图改进了相似度和评价函数的计算方法,并利用线图对网络中的边进行聚类以发现重叠社区,此外使用谱聚类大大降低了LCLS算法的运行成本,使得LCLS算法可以应用于较大规模的实际网络中。在真实数据集上的实验结果证明了LCLS算法的有效性和优势。(4)实现了个性化知识推荐系统,在建立推荐模型时本文引入了时间因素以动态反映用户的兴趣改变,从而提高推荐质量,并通过实验验证了这一点。不仅如此,在实现推荐系统时为了提高系统性能和便于业务建模,本文引入图数据库代替传统的关系型数据库。本文提出了一种新的重叠社区发现算法LCLS,在此基础之上设计和实现了基于标签聚类的知识推荐系统。知识平台的推荐系统的实现及与TDM其他系统的集成对TDM系统的发展有着重要意义。不仅如此,这也是为我国科研院所的智慧院所等发展目标探索了新的发展方向。本文的研究工作在理论和实际应用方面都具有一定价值。
基于粗糙集的重叠社区发现算法研究
这是一篇关于重叠社区发现,粗糙集,密度峰值,距离动态模型,属性节点的论文, 主要内容为随着互联网的发展和社会的进步,各个领域每天都会产生大量相互关联、彼此依赖的数据,这些数据根据不同的主题形成了不同的复杂系统。我们将复杂系统抽象成复杂网络,即将复杂系统中的研究对象看作复杂网络中的节点,将对象之间的联系看作网络中的边。对复杂网络的理解和分析可帮助我们根据不同主题挖掘不同的知识,发现其中隐藏的信息从而对问题进行处理和预测。挖掘网络中的社区结构是复杂网络中的一项重要研究内容,在推荐系统、信息传播、行为预测和数据挖掘等各方面起到了不可代替的作用。社区结构的重叠节点在实际生活中普遍存在,重叠社区发现算法使得划分的社区结构更有效。复杂网络除了表现出重叠性之外,还具有动力学复杂性,即社区结构中的节点状态不断改变。在实际网络数据中,除了包括网络的拓扑结构信息,还含有丰富的节点属性信息。目前一些社区发现算法未能很好地刻画出社区的重叠区域,且没有考虑到节点的动态性和属性信息等。针对网络具有重叠性、动态性和节点富含属性信息,本文具体工作有以下三个方面:1.提出了一种基于粗糙集和密度峰值的重叠社区发现算法。该算法在传统的节点局部相似性度量基础上,结合灰色关联分析方法得到节点的全局相似性,进而将其转化为节点间距离。将密度峰值算法的思想应用在该方法中,根据网络结构自动选取中心节点。结合粗糙集理论,根据距离比例关系,定义了社区的近似集和边界域,针对边界域进行计算,得到重叠社区结构。实验验证了该算法具有有效性和可行性。2.针对网络社区结构的重叠性和动态性,提出了一种基于粗糙集和距离动态模型的重叠社区发现方法。该算法首先根据网络的拓扑结构,结合节点度中心性和定义的全局距离得到K个中心节点,然后结合粗糙集理论和距离动态模型的思想,根据边界域与下近似集节点间相连的边的距离变化,缩小边界域节点,迭代找到最佳的重叠社区结构。最后根据两条规则处理“伪”重叠节点。实验验证了改进算法的可行性和有效性。3.网络除了含有拓扑结构信息,还富含节点属性信息。针对网络社区结构具有重叠性和属性节点,提出了一种结合网络结构和属性的基于粗糙集的重叠社区发现算法。首先在传统的节点局部属性相似性和节点局部结构相似性的基础上,定义了融合两者信息的全局节点相似性,进而转化为节点全局距离,然后结合节点聚集系数和节点全局距离得到K个中心节点,最后结合粗糙集理论划分重叠社区结构。实验结果表明该算法的有效性和可行性。
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：代码驿站 ，原文地址：https://m.bishedaima.com/lunwen/56322.html
