基于非负矩阵分解的符号网络用户关系发现研究

发布时间：2023-09-16 11:14

　　随着社交网络的快速发展,从社交网络中获取用户之间的信息已经成为了学术领域一个重要的研究内容,例如链路预测、社团发现、节点分类等。社交网络往往具有用户数量庞大、节点稀疏等特点,在传统的图论方法中利用邻接矩阵来表示社交网络,此时的邻接矩阵会非常庞大,并且大部分数据都是0,因此很难有效地利用社交网络。针对社交网络的重要分支—符号网络,本文提出了一种正交化的图正则非负矩阵分解方法(Orthogonal Graph Regularized Nonnegative Matrix Factorization,OGNMF)。该方法可以对庞大的符号网络进行降维,使其维度适合存储与计算,并且同时保留原始网络的结构信息和稀疏性,可以利用降维后的符号网络来预测用户之间的关系。另外还在OGNMF的基础上用2,1范数加以约束,使其具有更好的鲁棒性。本文的具体工作如下:1.我们提出了OGNMF算法,给出了其更新规则,在此规则中OGNMF算法可以达到收敛,此外还提供了收敛性的分析。OGNMF算法对高维度的符号网络进行降维,从而可以利用其分解出来的低维度的矩阵来代替原始矩阵进行计算。符号网络中的用户关系看作是标签,我们...

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 符号关系网络
        1.2.2 非负矩阵分解
    1.3 论文主要工作
    1.4 论文组织结构
第2章 相关理论基础
    2.1 符号网络
        2.1.1 符号网络定义
        2.1.2 社会平衡理论
        2.1.3 社会地位理论
        2.1.4 网络表示方法
    2.2 非负矩阵分解
        2.2.1 标准非负矩阵分解
        2.2.2 图正则非负矩阵分解
        2.2.3 鲁棒非负矩阵分解
    2.3 本章小结
第3章 基于正交化图正则非负矩阵分解的用户关系预测
    3.1 引言
    3.2 算法框架
        3.2.1 提取结构特征
        3.2.2 提取隐含特征
        3.2.3 收敛性分析
        3.2.4 Tr Ada Boost算法
    3.3 实验设计与分析
        3.3.1 数据集简介
        3.3.2 对比算法与评价指标
        3.3.3 实验分析
    3.4 本章小结
第4章 基于鲁棒正交化图正则非负矩阵分解的用户关系预测
    4.1 引言
    4.2 算法描述
    4.3 实验设计与分析
        4.3.1 对比算法与评价指标
        4.3.2 实验分析
    4.4 本章小结
第5章 总结与展望
    5.1 总结
    5.2 未来工作
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：3846912