基于影响力的增量式节点嵌入的动态社区检测方法研究

发布时间：2023-04-27 23:12

　　随着人际关系的复杂化,社交网络的规模变得更加庞大,也变得更加复杂,对复杂网络中的社区结构的检测工作也变得越来越重要。随着深度学习技术的应用,基于图神经网络的社区检测研究也越来越受到人们的关注。一方面,图结构语料库质量低,使得节点向量表示的质量降低,则基于该节点表示的静态社区检测结果的准确度降低;另一方面,静态社区检测结果随着时间的推移是不断变化的,故将该静态社区检测结果作为动态网络结构演化过程的初始时刻网络快照,在计算每个时刻社区检测结果时,原来的基于节点表示方式的社区检测方法不再适用于动态社区检测,除了原来的节点表示方式,演化过程中还存在其他因素会影响最终的动态社区结果,所以我们需要解决的问题是,在静态社区检测时找到一种有效的节点表示方式的社区检测算法,在动态社区检测时,继续运用新的节点表示方式建立新的模型来提高动态社区检测结果的准确度,使其能够还原真实网络的社区结构。针对上述问题,本文提出了一种基于改进的节点表示的社区检测算法和一种基于模块度的增量式动态社区检测模型,以及相关的计算方法和理论原理。论文的主要工作包括:1)提出一种基于节点影响力的社区检测算法。并将基于节点影响力的社区...

【文章页数】：94 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 相关工作研究现状
        1.2.1 图神经网络模型研究现状
        1.2.2 静态社区检测算法研究现状
        1.2.3 动态社区检测算法研究现状
    1.3 研究主要研究内容
    1.4 本文的组织结构
第2章 相关技术和理论
    2.1 常见的节点表示技术介绍
        2.1.1 Word2vec模型
        2.1.2 DeepWalk算法
    2.2 本文研究思路及框架
    2.3 相关定义
        2.3.1 复杂网络图结构建模
        2.3.2 动态社区的定义
    2.4 本章小结
第3章 基于节点影响力的社区检测算法
    3.1 基于节点影响力的社区检测算法概述
    3.2 随机游走生成语料库
        3.2.1 节点的影响力属性值的归一化处理
        3.2.2 定义搜索策略获得随机游走序列
    3.3 融合影响力信息的节点表示学习
    3.4 静态社区检测
    3.5 本章小结
第4章 基于模块度的增量式动态社区检测模型
    4.1 基于模块度的增量式动态社区检测模型概述
    4.2 根据模块度增量定位变化的社区结构
    4.3 新增节点的动态社区检测
        4.3.1 社区数量不变
        4.3.2 社区数量改变
    4.4 移除旧节点的动态社区检测
        4.4.1 社区数量不变
        4.4.2 社区数量改变
    4.5 基于模块度的增量式动态演化社区检测算法
    4.6 本章小结
第5章 实验
    5.1 实验环境简介
    5.2 实验数据集介绍
    5.3 基于节点影响力的社区检测算法仿真实验
        5.3.1 基准算法
        5.3.2 评价指标
        5.3.3 仿真实验过程
        5.3.4 实验结果及其分析
        5.3.5 参数敏感性分析
        5.3.6 T-SNE二维可视化结果分析
    5.4 基于模块度的增量式动态社区检测模型仿真实验
        5.4.1 数据集介绍
        5.4.2 基准算法和评价标准
        5.4.3 实验结果及分析
        5.4.4 参数对模型的影响
    5.5 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献
攻读学位期间取得的研究成果
致谢



本文编号：3803253