本文選題：復雜網(wǎng)絡　切入點：支持向量機　出處：《小型微型計算機系統(tǒng)》2014年10期

【摘要】：研究復雜網(wǎng)絡中的社區(qū)結構,有助于發(fā)現(xiàn)網(wǎng)絡結構和功能的關系,進而理解復雜網(wǎng)絡的組成規(guī)律、預測復雜網(wǎng)絡的行為.文章基于支持向量機的思想和LM(Louvain Method)非重疊社區(qū)發(fā)現(xiàn)算法,提出一種采用鄰居投票機制的LM-NV(Louvain Method with Neighbor Voting)重疊社區(qū)發(fā)現(xiàn)方法,基本思想是保留非重疊社區(qū)的部分結構,采用一種基于局部信息的鄰居投票機制僅對社區(qū)邊界節(jié)點的社區(qū)隸屬情況進行判別.LM-NV算法易于擴展到大規(guī)模復雜網(wǎng)絡,同時不存在對社區(qū)個數(shù)的初始化問題.在基準測試網(wǎng)絡和真實網(wǎng)絡上的實驗結果表明LM-NV算法不僅具有良好的時間效率,而且在社區(qū)發(fā)現(xiàn)準確度上優(yōu)于其它代表性算法.
[Abstract]:The study of community structure in complex network is helpful to discover the relationship between network structure and function, to understand the composition of complex network, and to predict the behavior of complex network.Based on the idea of support vector machine (SVM) and the algorithm of LM(Louvain method non-overlapping community discovery, this paper proposes a LM-NV(Louvain Method with Neighbor mapping method based on neighbor voting mechanism. The basic idea is to preserve the partial structure of non-overlapping community.The neighborhood voting mechanism based on local information can only judge the community membership of the community boundary nodes. The algorithm is easy to be extended to large-scale complex networks and does not initialize the number of communities.The experimental results on benchmark network and real network show that the LM-NV algorithm not only has good time efficiency, but also is superior to other typical algorithms in community discovery accuracy.
【作者單位】： 信息工程大學網(wǎng)絡空間安全學院;數(shù)學工程與先進計算國家重點實驗室;
【基金】：數(shù)學工程與先進計算國家重點實驗室基金項目(2013A02)資助
【分類號】：TP393.09

【共引文獻】

相關期刊論文 前10條

1 楊緒兵,韓自存;ε不敏感的核Adaline算法及其在圖像去噪中的應用[J];安徽工程科技學院學報(自然科學版);2003年04期

2 陶秀鳳,唐詩忠,周鳴爭;基于支持向量機的軟測量模型及應用[J];安徽工程科技學院學報(自然科學版);2004年02期

3 許高程;張文君;王衛(wèi)紅;;支持向量機技術在遙感影像滑坡體提取中的應用[J];安徽農(nóng)業(yè)科學;2009年06期

4 郭立萍;唐家奎;米素娟;張成雯;趙理君;;基于支持向量機遙感圖像融合分類方法研究進展[J];安徽農(nóng)業(yè)科學;2010年17期

5 馮學軍;;最小二乘支持向量機的研究與應用[J];安慶師范學院學報(自然科學版);2009年01期

6 鄒心遙;姚若河;;基于LSSVM的威布爾分布形狀參數(shù)估計(英文)[J];半導體技術;2008年06期

7 鄒心遙;姚若河;;基于LSSVM的小子樣元器件壽命預測[J];半導體技術;2011年09期

8 李卓遠,吳為民,王e，

本文編號：1730371