社会网络中基于节点亲疏的链接预测和社区发现研究

发布时间：2021-01-02 00:34

　　错综复杂的社会活动织就了形态各异的社会网络,它们内含丰富的网络结构和多元的角色内容,充斥着人们的生活。在社交媒体和社交方式日新月异的当今社会,社会网络分析变得愈发重要,通过社会网络分析可以挖掘网络的潜在规律和演变模式,帮助理解社会现象。本文从社会网络研究的两大关键问题入手:链接预测和社区发现。两者都是通过网络的拓扑结构研究网络的内在演化过程,探索网络成员间的潜在联系。链接预测的目标是预测未来将会出现在网络中的链接关系,而社区发现是挖掘网络中内部联系相对紧密的子团结构。本文以网络的亲疏关系为切入点,考虑到网络中直接相连的节点之间的相互作用最为直接,针对链接预测问题提出了基于1-hop节点嵌入的链接预测算法;并且鉴于相似度高的用户易形成更为紧密的联系,针对社区发现问题提出了网络拓扑缩减的处理框架。节点嵌入在近年来成为网络表示领域炙手可热的研究课题,但是目前提出的节点嵌入算法大多以节点特征表达为最终目标,未就链接预测问题进行针对性设计。本文以链接预测任务为目标,着重区分了网络连边的亲疏关系,认为网络中直接相连的节点对于即将产生的链接具有更为直接和重要的影响,设计了1-hop节点采样策略,借助... 

【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

社会网络简单示意图

19图 3- 1 基于 1-hop 节点嵌入的链接预测算法流程图节点特征表达阶段点特征表达阶段的中心思想是借助 Skip-Gram 模型学习网络节点的低维特征要着重介绍的是本文设计的 1-hop 节点采样策略，以下从两个方面进行详细kip-Gram 模型：本文采用的 Skip-Gram 模型是 Mikolov 等人[49]提出的 word2v包[50]中的一个重要模型，是一种无监督的训练模型。该模型的结构主要分为：输入层、投影层以及输出层，其主要原理是根据已知词预测该词前后的其他应于本文的网络链接预测场景，可以理解为根据源节点预测该节点对应的 点。Word2vec 工具包借助 HierarchicalSoftmax 和负采样方法分别构建 Skip-型，本文采用负采样方法提高模型的学习速率。在自然语言处理的场景下，Skip-Gram 模型的主要思想是构建一个神经网

华东师范大学硕士学位论文 , , , , , , , }, , , , , , }, , , , , , }, , , , , , , }, , , , , , } b c

【参考文献】：
期刊论文
[1]网络表示学习综述[J]. 涂存超,杨成,刘知远,孙茂松.  中国科学:信息科学. 2017(08)
[2]复杂网络链路预测[J]. 吕琳媛.  电子科技大学学报. 2010(05)



本文编号：2952294