融合结点属性与结构的电商网络社区检测算法

发布时间：2022-01-27 10:46

　　针对密度峰值算法在社区划分应用中因截断距离的选取以及仅考虑社区网络拓扑结构而带来的不准确等问题,提出一种融合结点属性和网络拓扑结构的密度峰值社区检测算法。以用户网络拓扑结构计算用户结点的直接邻居与间接邻居的度表示结点的局部密度;以用户对商品的评论信息的主题属性为用户结点的属性,结合网络拓扑结构计算用户间的相似度,从而得到用户间的相对距离;选出关键点作为社区的中心结点,完成社区划分。实验表明:所提出的算法准确度与归一化信息指标均优于基线模型算法,提高了电商网络中社区检测算法准确度,实现了高效的社区划分。 

【文章来源】：西安工程大学学报. 2020,34(05)

【文章页数】：6 页

【部分图文】：

淘宝数据集上的聚类结果

拼多多数据集上的聚类结果

图 3 归一化信息评估结果从图3和图4可以看出,相比较KDED算法及改进的K-means算法,ANDPC算法在2个数据集上都取得了最好的结果。相比于基线模型分别提高了0.02及0.03以上;相比KDED方法得到了较好的归一化信息值和准确度值。这是因为ANDPC算法利用了用户关于核心用户的不同邻居位置,并结合用户主题属性计算结点间的相似性,从而可以更明确用户之间的关系且提高了边缘结点与聚类中心结点的联系。KDED算法由于在最后进行结点分配时存在一定的模糊性,故结果较差;改进的K-means算法则由于参数的选择问题,给聚类效果带来了一定的负面影响,产生了较差的聚类效果。模块度评估的实验如表1所示。

【参考文献】：
期刊论文
[1]复杂网络社区发现研究进展[J]. 赵卫绩,张凤斌,刘井莲.  计算机科学. 2020(02)
[2]基于节点属性的社区发现博弈算法[J]. 张贤坤,任静,刘渊博,苏静.  计算机应用研究. 2020(01)
[3]密度峰值聚类的自适应社区发现算法[J]. 金志刚,徐珮轩.  哈尔滨工业大学学报. 2018(05)
[4]复杂网络半监督的社区发现算法研究[J]. 王静红,于雅智.  计算机应用研究. 2018(06)

硕士论文
[1]社会化电商平台中基于用户关系的推荐算法研究[D]. 王佳琦.北京邮电大学 2019



本文编号：3612338