基于深度学习模型的社区演化预测研究

发布时间：2021-06-26 16:47

　　复杂网络广泛存在于人们的生产生活中,该领域研究的一个重要方向是对网络社区结构的划分和演化分析,它有助于认知复杂网络的结构和功能,并对诸如广告投放、信息传播管理、个性推荐等应用领域具有重要的意义。在现有的使用经典聚类算法对网络进行社区发现时,由于表示网络的矩阵维度高,局部信息缺失等问题,社区发现准确性不高。而在现有社区演化预测研究中,主要问题体现在两方面,其一是所构造的预测特征集通常只包含体现社区静态属性的特征,没有考虑社区演化过程中的动态属性,使得其中的时序信息没有被充分使用,预测结果不够准确,其二是通过提取演化链的方式描述社区演化,无法直观表现社区分裂和融合的演化情况。针对以上问题,本文在社区发现和社区演化预测两个方面,结合了深度学习模型的优势,分别提出了基于深度学习模型的社区发现方法以及社区演化预测方法,以提高社区发现和演化预测的准确性。（1）针对网络的邻接矩阵使用跳数连接,将邻接矩阵转化为相似性矩阵,全面地反映网络中每个节点的局部信息。构建带有注意力机制的深度稀疏自编码器网络模型,提取相似性矩阵低维特征,降低聚类任务复杂度,提高了对网络拓扑结构中社区结构的表达能力。最后采用经典聚... 

【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

复杂网络示意图

4基于长短期记忆网络的社区演化预测41图4-2HepTh部分特征与演化事件相关性Figure4-2CorrelationbetweensomefeaturesandevolutionaryeventsofHepTh图4-3Enron部分特征与演化事件相关性Figure4-3CorrelationbetweensomefeaturesandevolutionaryeventsofEnron4.4本章小结(Summary)本文提出了基于长短期记忆网络的社区演化预测方法，首先从核心节点属性、社区结构、时序、行为提取多元社区特征，全面准确地表征社区演化特性；其次，检测不同时间窗口社区发生的演化事件并构造演化树；然后，对于提取的特征，

4基于长短期记忆网络的社区演化预测41图4-2HepTh部分特征与演化事件相关性Figure4-2CorrelationbetweensomefeaturesandevolutionaryeventsofHepTh图4-3Enron部分特征与演化事件相关性Figure4-3CorrelationbetweensomefeaturesandevolutionaryeventsofEnron4.4本章小结(Summary)本文提出了基于长短期记忆网络的社区演化预测方法，首先从核心节点属性、社区结构、时序、行为提取多元社区特征，全面准确地表征社区演化特性；其次，检测不同时间窗口社区发生的演化事件并构造演化树；然后，对于提取的特征，

【参考文献】：
期刊论文
[1]多特征融合的标签传播算法[J]. 秦强,生佳根,严长春.  计算机与数字工程. 2019(12)
[2]深度卷积神经网络模型发展综述[J]. 洪奇峰,施伟斌,吴迪,罗力源.  软件导刊. 2020(04)
[3]基于Attention深度随机森林的社区演化事件预测[J]. 潘剑飞,曹燕,董一鸿,陈华辉,钱江波.  电子学报. 2019(10)
[4]循环神经网络的发展综述[J]. 夏瑜潞.  电脑知识与技术. 2019(21)
[5]基于标签传播的蚁群优化算法求解社区发现问题[J]. 顾军华,江帆,武君艳,许馨匀,张素琪.  计算机应用与软件. 2019(06)
[6]受限玻尔兹曼机研究综述[J]. 张健,丁世飞,张楠,杜鹏,杜威,于文家.  软件学报. 2019(07)
[7]自编码神经网络理论及应用综述[J]. 袁非牛,章琳,史劲亭,夏雪,李钢.  计算机学报. 2019(01)
[8]社团演化特征构造及预测[J]. 何伟,胡学钢,李磊,林耀进,李慧宗,潘剑寒.  小型微型计算机系统. 2018(05)
[9]深度置信网络模型及应用研究综述[J]. 刘方园,王水花,张煜东.  计算机工程与应用. 2018(01)
[10]基于深度稀疏自动编码器的社区发现算法[J]. 尚敬文,王朝坤,辛欣,应翔.  软件学报. 2017(03)



本文编号：3251701