基于流形学习的在线社会网络节点分类

发布时间：2021-03-25 12:50

　　随着互联网的飞速发展和Web 2.0时代的来临,在线社会网络的用户规模不断增长,产生了大量的具有连接关系的网络数据。利用数据挖掘和机器学习的技术,从复杂的结构信息中挖掘出网络中隐藏的规律和模式,对于理解网络的功能、研究用户间的隐性联系和行为有着十分重要的理论意义和广泛的应用前景。节点分类是社会网络数据挖掘中一个十分重要的问题。节点分类就是在部分节点有体现用户兴趣和行为的标签信息的情况下,利用结构信息对其余节点进行标记。潜在社会维模型较好地解决了网络连接关系的异质性问题,采用模块度最大化这一软聚类方法进行社会维的抽取,但仍存在分类精度较低等问题。拉普拉斯特征映射是流形学习中的一种典型方法,隐式地强调了数据的聚类特性,可解释为一种软聚类算法。本文提出了利用拉普拉斯特征映射进行社会维抽取的节点分类算法,实验表明该算法的分类效果优于原社会维模型。本文还提出了结合内容信息的改进算法,使分类精度得到进一步的提高。本文提出的节点分类算法能更好的获取用户的隐性联系,从而更好地进一步分析网络用户的兴趣和行为。此外,考虑到从互联网上获取数据是验证节点分类算法的一个有效数据来源,也是开发一个在线网络数据分析... 

【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景和意义
    1.2 在线社会网络的相关研究工作
    1.3 本文的研究内容和章节安排
第二章 相关基础知识
    2.1 数据挖掘基础
        2.1.1 监督学习
        2.1.2 无监督学习
    2.2 在线社会网络的节点分类方法
        2.2.1 问题描述
        2.2.2 典型节点分类算法
        2.2.3 优缺点分析
    2.3 本章小结
第三章 在线社会网络数据获取实现
    3.1 在线网络数据分析系统简介
    3.2 网易数据获取
        3.2.1 网易数据结构介绍
        3.2.2 网易数据获取实现
    3.3 人人网数据获取
        3.3.1 人人网数据结构介绍
        3.3.2 人人网数据获取实现
    3.4 数据获取评价标准
    3.5 本章小结
第四章 基于流形学习的在线社会网络节点分类算法
    4.1 基本社会维模型
        4.1.1 多标签节点分类
        4.1.2 潜在社会维模型及其不足
    4.2 基于流形学习的节点分类算法
        4.2.1 流形学习
        4.2.2 基于拉普拉斯特征映射的节点分类算法
    4.3 结合内容特征的改进算法
    4.4 实验
        4.4.1 实验数据
        4.4.2 评测标准
        4.4.3 不同的拉普拉斯矩阵对性能的影响
        4.4.4 与基本社会维模型的对比
        4.4.5 改进算法的分类效果
    4.5 本章小结
第五章 总结与展望
    5.1 本文工作总结
    5.2 研究展望
参考文献
致谢
攻读硕士学位期间已发表或录用的论文


【参考文献】：
期刊论文
[1]网络数据分类研究进展[J]. 熊伟,周水庚,关佶红.  模式识别与人工智能. 2011(04)
[2]基于复杂网络理论的在线社会网络分析[J]. 胡海波,王科,徐玲,汪小帆.  复杂系统与复杂性科学. 2008(02)
[3]基于谱图理论的流形学习算法[J]. 罗四维,赵连伟.  计算机研究与发展. 2006(07)

博士论文
[1]流形学习的谱方法相关问题研究[D]. 曾宪华.北京交通大学 2009



本文编号：3099710