异质信息网络中社区发现方法研究
发布时间：2021-05-15 09:39
社区发现（Community discovery）作为数据挖掘领域的重要研究方法,可以实现对网络中隐藏信息的挖掘。在产品推荐、广告投放和舆情监测等方面有着重要的研究价值。但目前大部分社区发现方法的研究,都是在同质网络（Homogeneous Network）中展开的,即将网络中所有节点都定义为同一种类型。然而,实际生活中大多数网络都是异质网络（Heterogeneous Network）,即网络中的节点和边都是多类型的。近年来,异质网络受到了越来越多的学者关注,原因是异质网络与实际网络相符合,但异质网络中多类型的节点和链接关系使网络变得异常复杂,同时也为社区发现方法的研究带来了巨大挑战。由此,本文针对异质网络社区发现方法进行了深入的研究。其主要研究内容有:1、构建能够表示异质网络的模型并对模型中的节点进行处理;2、提出一种改进K-means的社区发现算法。1、异质网络模型构建及模型中节点的处理:首先使用超图建模,超图模型可以把不同类型节点、不同语义的边表达在一个网络中,从而表示异质网络中的多类型节点及复杂关系。此外,在超图模型中使用DeepWalk网络表示学习算法,将超图表示的异质网络...
【文章来源】：内蒙古科技大学内蒙古自治区
【文章页数】：51 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 国内研究现状
1.2.2 国外研究现状
1.3 研究内容与研究方法
1.4 本文结构
第2章 复杂网络中异质信息网络的社区发现算法
2.1 复杂网络
2.1.1 复杂网络概述
2.1.2 同质网络
2.1.3 异质网络
2.2 社区及其定义
2.3 社区发现算法
2.3.1 基于划分的社区发现算法
2.3.2 基于模块度优化的社区发现算法
2.3.3 基于聚类的社区发现算法
2.4 本章小结
第3章 基于超图的异质信息网络建模
3.1 网络表示学习中的Deep Walk算法
3.1.1 网络表示学习算法
3.1.2 Deep Walk算法
3.2 超图
3.2.1 图与超图
3.2.2 超图的相关算法及应用
3.3 基于超图和Deep Walk的节点向量表示
3.4 本章小结
第4章 基于改进K-means的社区发现算法
4.1 传统的K-means算法
4.1.1 传统K-means算法的基本原理
4.1.2 传统K-means算法处理流程
4.1.3 传统K-means算法中存在的问题
4.2 改进K-means的社区发现算法
4.2.1 聚类中心的选择
4.2.2 参数的取值
4.3 本章小结
第5章 实验与结果分析
5.1 实验环境
5.2 评价标准及实验数据集
5.2.1 评价标准
5.2.2 实验数据集
5.3 参数分析与调优
5.4 试验结果与分析
5.5 本章小结
第六章 总结与展望
6.1 研究工作总结
6.2 课题展望
参考文献
在学研究成果
致谢
【参考文献】：
期刊论文
[1]K-means算法聚类中心选取[J]. 张朝,郭秀娟,张坤鹏. 吉林大学学报(信息科学版). 2019(04)
[2]基于异质学术超网的文献评价[J]. 高晨晖,姜晓睿,叶政君,梁荣华. 情报学报. 2016 (08)
[3]基于语义路径的异质网络社区发现方法[J]. 吴奇,陈福才,黄瑞阳,常振超. 电子学报. 2016(06)
[4]基于数据密集性的自适应K均值初始化方法[J]. 韩最蛟. 计算机应用与软件. 2014(02)
[5]层次聚类社区发现算法的研究[J]. 龚尚福,陈婉璐,贾澎涛. 计算机应用研究. 2013(11)
[6]基于重叠模块度的社区离群点检测[J]. 封海岳,薛安荣. 计算机应用与软件. 2013(05)
[7]复杂网络中的二阶邻居网络[J]. 张伟,汲长飞,童向荣. 吉林大学学报(工学版). 2013(02)
[8]一种改进的标签传播快速社区发现方法[J]. 康旭彬,贾彩燕. 合肥工业大学学报(自然科学版). 2013(01)
[9]MapReduce环境下的并行复杂网络链路预测[J]. 饶君,吴斌,东昱晓. 软件学报. 2012(12)
[10]基于异质网络的意见领袖社区发现[J]. 张伟哲,王佰玲,何慧,谭卓鹏. 电子学报. 2012(10)
博士论文
[1]复杂网络节点影响力模型及其应用[D]. 王益文.浙江大学 2015
[2]复杂网络社团结构模型与算法及其在生物网络中的应用[D]. 马小科.西安电子科技大学 2014
本文编号：3187409
【文章来源】：内蒙古科技大学内蒙古自治区
【文章页数】：51 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 国内研究现状
1.2.2 国外研究现状
1.3 研究内容与研究方法
1.4 本文结构
第2章 复杂网络中异质信息网络的社区发现算法
2.1 复杂网络
2.1.1 复杂网络概述
2.1.2 同质网络
2.1.3 异质网络
2.2 社区及其定义
2.3 社区发现算法
2.3.1 基于划分的社区发现算法
2.3.2 基于模块度优化的社区发现算法
2.3.3 基于聚类的社区发现算法
2.4 本章小结
第3章 基于超图的异质信息网络建模
3.1 网络表示学习中的Deep Walk算法
3.1.1 网络表示学习算法
3.1.2 Deep Walk算法
3.2 超图
3.2.1 图与超图
3.2.2 超图的相关算法及应用
3.3 基于超图和Deep Walk的节点向量表示
3.4 本章小结
第4章 基于改进K-means的社区发现算法
4.1 传统的K-means算法
4.1.1 传统K-means算法的基本原理
4.1.2 传统K-means算法处理流程
4.1.3 传统K-means算法中存在的问题
4.2 改进K-means的社区发现算法
4.2.1 聚类中心的选择
4.2.2 参数的取值
4.3 本章小结
第5章 实验与结果分析
5.1 实验环境
5.2 评价标准及实验数据集
5.2.1 评价标准
5.2.2 实验数据集
5.3 参数分析与调优
5.4 试验结果与分析
5.5 本章小结
第六章 总结与展望
6.1 研究工作总结
6.2 课题展望
参考文献
在学研究成果
致谢
【参考文献】：
期刊论文
[1]K-means算法聚类中心选取[J]. 张朝,郭秀娟,张坤鹏. 吉林大学学报(信息科学版). 2019(04)
[2]基于异质学术超网的文献评价[J]. 高晨晖,姜晓睿,叶政君,梁荣华. 情报学报. 2016 (08)
[3]基于语义路径的异质网络社区发现方法[J]. 吴奇,陈福才,黄瑞阳,常振超. 电子学报. 2016(06)
[4]基于数据密集性的自适应K均值初始化方法[J]. 韩最蛟. 计算机应用与软件. 2014(02)
[5]层次聚类社区发现算法的研究[J]. 龚尚福,陈婉璐,贾澎涛. 计算机应用研究. 2013(11)
[6]基于重叠模块度的社区离群点检测[J]. 封海岳,薛安荣. 计算机应用与软件. 2013(05)
[7]复杂网络中的二阶邻居网络[J]. 张伟,汲长飞,童向荣. 吉林大学学报(工学版). 2013(02)
[8]一种改进的标签传播快速社区发现方法[J]. 康旭彬,贾彩燕. 合肥工业大学学报(自然科学版). 2013(01)
[9]MapReduce环境下的并行复杂网络链路预测[J]. 饶君,吴斌,东昱晓. 软件学报. 2012(12)
[10]基于异质网络的意见领袖社区发现[J]. 张伟哲,王佰玲,何慧,谭卓鹏. 电子学报. 2012(10)
博士论文
[1]复杂网络节点影响力模型及其应用[D]. 王益文.浙江大学 2015
[2]复杂网络社团结构模型与算法及其在生物网络中的应用[D]. 马小科.西安电子科技大学 2014
本文编号：3187409
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3187409.html
