基于粒子群过程的语义社区发现方法研究

发布时间：2021-04-23 20:25

　　随着网络通讯技术的不断发展,微信、微博、Facebook等社交网络已经成为人们日常生活中不可缺少的交流平台。在平台中,人们根据相似的兴趣、爱好或共同话题生成社区结构,满足社区内部链接较为紧密、社区之间的链接较为稀疏。准确的识别社交网络中内嵌的社区结构是一项复杂任务,一方面,从全局的角度求解节点间的拓扑关联性容易陷入局部最优解,另一方面则是节点本身可能拥有复杂的语义信息,如微博中的帖子、微信中的朋友圈等,这些语义信息给基于结构的社区识别任务带来了极大的挑战。本研究主要解决语义社区识别任务,具体来讲,要解决语义信息的量化问题,以及社区结构的重叠性问题就需要从拥有大量节点及复杂语义信息的社交网络中建立节点语义信息到语义空间的量化映射过程,并以语义相似性关系强度为参数,提出一种基于语义信息的粒子化策略;最后提出一种可度量语义社交网络社区的模块度模型。本文主要完成以下几方面内容:1.构造文本信息的概率分布对文本信息中的文档、主题和关键字运用LDA（LatentDirichlet Allocation）模型进行规划分析,抽取所需要的信息作为节点的语义信息模型。2.对LDA模型中的隐含参量进行求解相... 

【文章来源】：哈尔滨理工大学黑龙江省

【文章页数】：55 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究的目的和意义
    1.2 语义社交网络社区识别的研究现状
    1.3 课题的来源及研究内容
        1.3.1 课题来源
        1.3.2 课题的主要研究内容
第2章 语义社交网络相关研究
    2.1 语义社交网络发展
    2.2 语义社交网络的统计特性
    2.3 语义社交网络结构特征分析
    2.4 语义社交网络结构建模分析
        2.4.1 WS模型
        2.4.2 BA模型
    2.5 本章小结
第3章 概率主题模型相关研究
    3.1 LSA模型分析
    3.2 pLSA模型分析
    3.3 LDA模型分析
    3.4 Gibbs抽样策略
    3.5 本章小结
第4章 基于PSO-LDA模型的社区识别研究
    4.1 基于LDA模型的PSO算法分析
    4.2 模型识别度量分析
    4.3 实验结果及分析
        4.3.1 社区主题数量对比分析
        4.3.2 不同优化策略对比分析
        4.3.3 模型识别度量分析
        4.3.4 不同社区识别算法对比分析
        4.3.5 真实数据对比分析
    4.4 本章小结
结论
参考文献
攻读硕士学位期间所发表的学术论文
致谢


【参考文献】：
期刊论文
[1]基于文献计量学的碉楼研究学者群体研究[J]. 陈水生.  五邑大学学报(社会科学版). 2013(04)
[2]基于pLSA模型的人体动作识别[J]. 谭论正,夏利民,黄金霞,夏胜平.  国防科技大学学报. 2013(05)
[3]基于信息熵的复杂网络社团划分建模和验证[J]. 邓小龙,王柏,吴斌,杨胜琦.  计算机研究与发展. 2012(04)
[4]贝叶斯概率LSA模型权重更新算法[J]. 曾广平.  计算机工程与应用. 2009(21)
[5]基于LSA和SVM的文本分类模型的研究[J]. 王永智,滕至阳,王鹏,聂江涛.  计算机工程与设计. 2009(03)
[6]论社会网络分析的结构观[J]. 林聚任.  山东大学学报(哲学社会科学版). 2008(05)

博士论文
[1]语义重叠社区发现方法研究[D]. 辛宇.哈尔滨工程大学 2015
[2]在线社会网络的结构化分析方法及应用研究[D]. 杨海陆.哈尔滨工程大学 2015

硕士论文
[1]基于博弈论的门户网站竞争研究[D]. 吴婷.天津师范大学 2013
[2]基于SNA的内容型社交网络结构研究[D]. 李亚静.天津师范大学 2012



本文编号：3155982