模块度引导下的社区发现增量学习算法

发布时间：2018-06-06 02:26

  本文选题：社区划分 + 增量学习　； 参考：《计算机科学与探索》2017年04期

【摘要】：当前社区发现领域存在诸多静态社区划分算法,而其划分结果的不稳定性和较高的算法复杂度已经不能适应如今规模庞大,变化频繁的网络结构。为解决传统静态算法这一局限性,提出了一种利用模块度优化的增量学习算法,将网络结构的变化划分成边变化、点变化两种基本操作,在对"模块度最大化"的规则指导下实现网络结构的增量学习。实验表明,该算法在保证原有社区划分结果的前提下,可以将新变化的节点快速划分进已有社区,并使得模块度与静态算法重新计算模块度相近,节省了时间,保持了社区划分的实时性。
[Abstract]:There are many static community partitioning algorithms in the field of community discovery at present, but the instability of the partition results and the high complexity of the algorithm can no longer adapt to the large scale and frequently changing network structure. In order to solve the limitation of traditional static algorithm, an incremental learning algorithm based on modularity optimization is proposed. The network structure is divided into two basic operations: edge change and point change. Under the guidance of the rule of "maximization of modularity", incremental learning of network structure is realized. The experimental results show that the algorithm can quickly divide the newly changed nodes into existing communities, and make the module degree close to the static algorithm and save time. The real time of community division is maintained.
【作者单位】： 西南交通大学信息科学与技术学院;四川省云计算与智能技术高校重点实验室;
【基金】：国家自然科学基金No.61573292~~
【分类号】：TP181

【相似文献】

相关期刊论文 前10条

1 秦玉平;王秀坤;王春立;;实现兼类样本类增量学习的一种算法[J];控制与决策;2009年01期

2 秦玉平;王秀坤;王春立;;实现兼类样本增量学习的一种算法[J];计算机应用与软件;2009年08期

3 秦玉平;陈一荻;王春立;王秀坤;;一种新的类增量学习方法[J];计算机工程与应用;2011年34期

4 时建中;程龙生;;基于增量学习系统的财务危机动态预警[J];技术经济;2012年05期

5 王洪波;赵光宙;齐冬莲;卢达;;一类支持向量机的快速增量学习方法[J];浙江大学学报(工学版);2012年07期

6 秦玉平;伦淑娴;王秀坤;;一种新的兼类样本类增量学习算法[J];计算机科学;2012年09期

7 姜卯生,王浩,姚宏亮;朴素贝叶斯分类器增量学习序列算法研究[J];计算机工程与应用;2004年14期

8 刘梅,权太范,姚天宾;基于增量学习神经模糊网络的机动目标跟踪[J];电子学报;2005年11期

9 李祥纳;艾青;秦玉平;刘卫江;;支持向量机增量学习算法综述[J];渤海大学学报(自然科学版);2007年02期

10 曹杰;刘志镜;;基于支持向量机的增量学习算法[J];计算机应用研究;2007年08期

相关会议论文 前8条

1 秦亮;唐静;史贤俊;肖支才;;一种改进的支持向量机增量学习算法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

2 罗长升;段建国;许洪波;郭莉;;基于拉推策略的文本分类增量学习研究[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

3 张庆彬;吴惕华;刘波;;一种改进的基于群体的增量学习算法[A];第二十六届中国控制会议论文集[C];2007年

4 张健沛;李忠伟;杨静;;一种基于多支持向量机的并行增量学习方法(英文)[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

5 王悦凯;吴晓峰;翁巨扬;;Where-What网络增量学习特性探究[A];第一届全国神经动力学学术会议程序手册 & 论文摘要集[C];2012年

6 赵莹;万福永;;支持向量机的增量学习算法及其在多类分类问题中的应用[A];第25届中国控制会议论文集（下册）[C];2006年

7 刘欣;章勇;王娟;;增量学习的TFIDF_NB协同训练分类算法[A];中国电子学会第十六届信息论学术年会论文集[C];2009年

8 宫义山;钱娜;;贝叶斯网络结构在线学习算法及应用[A];科学发展与社会责任（A卷）——第五届沈阳科学学术年会文集[C];2008年

相关博士学位论文 前3条

1 李敬;增量学习及其在图像识别中的应用[D];上海交通大学;2008年

2 段华;支持向量机的增量学习算法研究[D];上海交通大学;2008年

3 赵强利;基于选择性集成的在线机器学习关键技术研究[D];国防科学技术大学;2010年

相关硕士学位论文 前10条

1 郝运河;基于增量学习的复杂环境下道路识别算法研究[D];南京理工大学;2015年

2 李丹;基于马氏超椭球学习机的增量学习算法研究[D];渤海大学;2015年

3 赵翠翠;基于RBF神经网络的集成增量学习方法研究[D];河北工业大学;2015年

4 王会波;基于支持向量机的混合增量学习算法与应用[D];华中师范大学;2016年

5 张健;增量学习在电子鼻智能烘烤系统中的应用研究[D];重庆大学;2016年

6 曾舒如;基于多模态增量学习模型的目标物体检测方法研究[D];南昌大学;2016年

7 杜玲;覆盖算法的增量学习研究[D];安徽大学;2010年

8 张智敏;基于增量学习的分类算法研究[D];华南理工大学;2010年

9 李杰;数据复杂度的增量学习方法研究[D];广东工业大学;2015年

10 王媛;支持向量机增量学习算法及其在入侵检测中的应用研究[D];吉林大学;2008年

，

本文编号：1984608