社交网络中的社区聚集研究

发布时间：2017-04-23 17:08

  本文关键词：社交网络中的社区聚集研究，由笔耕文化传播整理发布。

【摘要】：随着移动互联网技术的发展,在线社交网络作为一种重要的网络应用,正逐渐深入人们社会生活的方方面面。社交网络中的用户由于自身的交往范围和兴趣爱好而聚合形成群体(社区)结构。社交网络的变化、信息传播与这种结构关系密切。如何从网络中找出社区结构成为了近几年社交网络研究的热点方向。本文研究了社交网络的模型和社区发现算法,然后提出了一种新的基于邻接向量传播的社区发现算法。算法包括了邻接向量传播和层次聚类两个阶段。首先为了定义网络中节点间的相似度,本文提出了邻接向量的概念。邻接向量是一个多维空间中的单位向量,它的方向代表了节点一定范围内的网络拓扑信息。在向量传播阶段中,节点与邻居交换拓扑信息,将自己的向量与邻居的向量组合,最后计算出邻接向量。通过邻接向量内积定义了节点相似度,相似度越高的节点越可能在同一个社区中。在层次聚类阶段,迭代地选择具有最大相似度的相邻节点进行合并,并通过向量合并和降维过程保持向量能代表一个社区并维持较低的维数,最终提取出网络中的社区。为了评估算法准确性,我们将算法应用到了现实网络和LFR基准测试网络中。实验结果表明,邻接向量相似度能够比较准确地反映节点之间的相似性。与其它一些算法相比,本文提出的社区发现算法能够比较有效、准确地找出网络中的社区结构。
【关键词】：算法 社交网络 社区发现
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.09
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-14
• 1.1 研究背景和意义10-11
• 1.2 研究现状11-12
• 1.3 论文的主要工作12
• 1.4 论文的结构安排12-14
• 第二章 社交网络模型与社区发现算法14-27
• 2.1 社交网络模型研究14-20
• 2.1.1 社交网络模型14-16
• 2.1.2 社交网络个体特征16-17
• 2.1.3 社交网络整体特征17-20
• 2.2 社区发现算法20-26
• 2.2.1 社区定义20-21
• 2.2.2 社区发现算法的量化评价21-22
• 2.2.3 图划分算法22-23
• 2.2.4 层次聚类算法23-25
• 2.2.5 谱聚类方法25-26
• 2.2.6 其它算法26
• 2.3 本章小结26-27
• 第三章 基于邻接向量传播的社区发现算法27-38
• 3.1 相似度27-29
• 3.1.1 重叠邻居相似度定义27-28
• 3.1.2 邻接向量相似度定义28-29
• 3.2 邻接向量传播算法29-33
• 3.2.1 算法过程29-31
• 3.2.2 算法参数31
• 3.2.3 算法结果31-32
• 3.2.4 算法扩展32
• 3.2.5 算法示例32-33
• 3.3 基于邻接向量的层次聚类算法33-37
• 3.3.1 算法过程34-35
• 3.3.2 算法示例35-37
• 3.4 本章小结37-38
• 第四章 算法实现与复杂度分析38-47
• 4.1 数据结构选择38-41
• 4.1.1 图的数据结构表示38-39
• 4.1.2 邻接向量39-40
• 4.1.3 邻接向量相似度40-41
• 4.2 算法过程优化41-44
• 4.2.1 邻接向量传播41-42
• 4.2.2 层次聚类42-44
• 4.3 复杂度分析44-46
• 4.3.1 时间复杂度44-46
• 4.3.2 空间复杂度46
• 4.4 本章小结46-47
• 第五章 实验与分析47-54
• 5.1 节点相似度与新连接建立47-49
• 5.2 实际网络49-51
• 5.2.1 Zachary的空手道俱乐部网络49-50
• 5.2.2 NCAA美国大学橄榄球网络50-51
• 5.3 LFR基准测试网络51-53
• 5.4 本章小结53-54
• 第六章 总结与展望54-56
• 6.1 本文工作总结54
• 6.2 研究展望54-56
• 参考文献56-59
• 致谢59-60
• 攻读硕士学位期间已发表或录用的论文60

【参考文献】

中国期刊全文数据库 前1条

1 淦文燕;赫南;李德毅;王建民;;一种基于拓扑势的网络社区发现方法[J];软件学报;2009年08期

  本文关键词：社交网络中的社区聚集研究，由笔耕文化传播整理发布。

，

本文编号：322728