基于元路径的异质网分类与计算方法研究

发布时间：2025-01-07 06:39

　　近年来随着复杂网络的快速发展,如何在海量用户信息中寻找感兴趣的信息变得十分困难。传统的网络研究通常面向结构单一的同质网络,重点考查网络内部的性质与特点;但大多数应用面对的是从现实世界中抽离得出的蕴含多种类型节点与多种类型链路关系的异质网络,结构与语义关系都十分复杂。异质网络模型能更理想的展示现实世界的原貌,也更符合我们对现实世界的认知,通过对异质网的挖掘分析,我们可以得到更丰富和更准确的网络内在关系。基于元路径的方法研究对于异质网的发现与分析是一种有效的重要手段。异质网络中节点之间通过多种路径连接组成复杂的链路关系,而元路径可以对其进行明确的表示与度量。研究元路径语义信息对于分析异质网和挖掘异质网中更深层次的信息具有重大的作用与意义。本文主要由异质网构建和不同语义类型的元路径选择与计算,实现对异质网中节点进行分类与社区发现,主要工作如下:1)基于元路径的节点间相似性计算及元路径权重学习。利用不同元路径语义信息度量异质网中节点相关性、构造节点间相似矩阵,主要分析了元路径的权重影响因素,并提出了基于元路径相似性对元路径权重进行自主学习的方法。2)基于元路径的异质网节点分类。本文利用元路径构造...

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

图3-17科研人员合作网络Figure3-17CooperationNetworkofResearcher在1086名作者构成的数据集中，70%作为训练集，30%为测试集

02995.756065.803594.0666796.532839.098194.9953897.252782.035496.11，随着标注比例规模增加，大部分算法分类5%），决策树分类性能最优，达到85%；到90%的分类性能。决策树在训练数据规模练数据规....

图4-10科研人员合作关系网络Figure4-10CooperationNetworkofResearchers将数据集中的2081个科研人员节点数据基于加权合作关系的科研人员影响

图4-10科研人员合作关系网络Figure4-10CooperationNetworkofResearchers集中的2081个科研人员节点数据基于加权合作关系的科行排序，选取排名前10的科研人员进行数据分析。-11为此数据集中影响力排名前十的科研人员影响....

图4-14核心作者合作关系网络Figure4-14CooperationNetworkofCoreAuthor同时，选取影响力计算值较高的科研人员的合作网络进行展现，如图4-14所

图4-14核心作者合作关系网络Figure4-14CooperationNetworkofCoreAuthor取影响力计算值较高的科研人员的合作网络进行展现领域的科研人员均构成各自的学术合作网络，图4-1的合作网络。（其中标深色方块的节点为影响力较高

图4-15数据挖掘领域的作者合作关系网络Figure4-15CooperationNetworkofAuthorinDataMining当要在某一研究领域选出影响力较高的科研人员，则需要一个明确的数据排

图4-15数据挖掘领域的作者合作关系网络gure4-15CooperationNetworkofAuthorinDataMi究领域选出影响力较高的科研人员，则需要将数据中某些领域中一些有代表性的科研人示在本数据集节选的三个领域中的影响力最析在不同研究领域中各个因....

本文编号：4024646