本文關(guān)鍵詞：面向新浪微博的鏈接和內(nèi)容相結(jié)合的社區(qū)劃分方法，由筆耕文化傳播整理發(fā)布。

【摘要】：現(xiàn)實(shí)世界中的很多系統(tǒng)都可以抽象為網(wǎng)絡(luò),如人際關(guān)系網(wǎng)、論文引證網(wǎng)、科學(xué)家合作關(guān)系網(wǎng)、微博用戶關(guān)系網(wǎng)、互聯(lián)網(wǎng)等。這些網(wǎng)絡(luò)都具有共同特點(diǎn)：即復(fù)雜的內(nèi)部結(jié)構(gòu),因此被稱為復(fù)雜網(wǎng)絡(luò)。已有研究表明：這些網(wǎng)絡(luò)中包含著一些潛在的社區(qū)結(jié)構(gòu),具有社區(qū)內(nèi)部節(jié)點(diǎn)鏈接稠密、社區(qū)之間節(jié)點(diǎn)鏈接稀疏的特點(diǎn)。通常,社區(qū)內(nèi)的節(jié)點(diǎn)具有相似的特性,在網(wǎng)絡(luò)中扮演著相似的角色。通過社區(qū)劃分來識(shí)別網(wǎng)絡(luò)中的社區(qū)結(jié)構(gòu),有助于人們更深入的理解網(wǎng)絡(luò)的本質(zhì),認(rèn)識(shí)網(wǎng)絡(luò)結(jié)構(gòu)與其功能的之間的關(guān)系。 然而,傳統(tǒng)的復(fù)雜網(wǎng)絡(luò)社區(qū)劃分算法普遍缺乏對(duì)鏈接結(jié)構(gòu)和節(jié)點(diǎn)內(nèi)容的綜合考慮�，F(xiàn)有的鏈接結(jié)構(gòu)與節(jié)點(diǎn)內(nèi)容相結(jié)合的社區(qū)劃分方法大多是基于概率模型的方法。這類方法有著數(shù)學(xué)形式優(yōu)美、可解釋性強(qiáng)的優(yōu)點(diǎn),但也存在著時(shí)間復(fù)雜度高、不易理解、應(yīng)用實(shí)現(xiàn)較為困難的缺點(diǎn)。 本文針對(duì)這方面的研究不足提出了鏈接結(jié)構(gòu)與節(jié)點(diǎn)內(nèi)容相結(jié)合的快速社區(qū)劃分算法KRLC及其改進(jìn)算法2KRLC以及CKRLC算法,其中KRLC2KRLC適合對(duì)指定了社團(tuán)數(shù)K的網(wǎng)絡(luò)數(shù)據(jù)集進(jìn)行社區(qū)劃分,CKRLC適合對(duì)K未知的網(wǎng)絡(luò)進(jìn)行社區(qū)劃分。這幾種算法以K-Means算法為核心思想,綜合考慮了節(jié)點(diǎn)的內(nèi)容相似性和節(jié)點(diǎn)的鏈接結(jié)構(gòu)相似性,融合了幾種優(yōu)秀的初始節(jié)點(diǎn)選取方法,有效地實(shí)現(xiàn)了對(duì)節(jié)點(diǎn)含有屬性信息的內(nèi)容網(wǎng)絡(luò)進(jìn)行社區(qū)劃分。 另外本文還從社會(huì)網(wǎng)絡(luò)的角度,實(shí)現(xiàn)了包括數(shù)據(jù)采集、文本預(yù)處理、網(wǎng)絡(luò)建模、社區(qū)劃分四個(gè)部分的微博數(shù)據(jù)分析框架。通過該框架的前三個(gè)部分,建立了真實(shí)的網(wǎng)絡(luò)數(shù)據(jù)集：新浪微博用戶關(guān)系網(wǎng)。最后利用本文設(shè)計(jì)的鏈接結(jié)構(gòu)與節(jié)點(diǎn)內(nèi)容相結(jié)合的社區(qū)劃分算法來研究了新浪微博用戶關(guān)系網(wǎng)的社團(tuán)結(jié)構(gòu)。
【關(guān)鍵詞】：復(fù)雜網(wǎng)絡(luò) 社區(qū)劃分 鏈接相似度 內(nèi)容相似度 K-Means 新浪微博
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP393.092;O157.5
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-10
• 1 引言10-14
• 1.1 研究背景10-12
• 1.1.1 復(fù)雜網(wǎng)絡(luò)學(xué)科簡介10-11
• 1.1.2 復(fù)雜網(wǎng)絡(luò)社區(qū)劃分11-12
• 1.2 研究現(xiàn)狀12-13
• 1.3 本文的主要研究內(nèi)容13-14
• 2 K-MEANS型社區(qū)劃分算法的研究14-26
• 2.1 初始中心節(jié)點(diǎn)選取策略15-20
• 2.1.1 基于最遠(yuǎn)距離的初始中心節(jié)點(diǎn)選取策略16
• 2.1.2 基于PageRank算法的初始中心點(diǎn)選取策略16-19
• 2.1.3 基于層次聚類思想的初始中心節(jié)點(diǎn)選取策略19-20
• 2.2 節(jié)點(diǎn)相似度構(gòu)造方式20-24
• 2.2.1 基于網(wǎng)絡(luò)節(jié)點(diǎn)局部信息的鏈接屬性相似度度量21
• 2.2.2 基于網(wǎng)絡(luò)全局拓?fù)湫畔⒌逆溄訉傩韵嗨贫榷攘?/span>21-22
• 2.2.3 節(jié)點(diǎn)內(nèi)容屬性相似度度量22-24
• 2.2.4 相似度計(jì)算公式24
• 2.3 本章小結(jié)24-26
• 3 新的鏈接與內(nèi)容相結(jié)合的K-MEANS型社區(qū)劃分算法26-43
• 3.1 鏈接相似度與內(nèi)容相似度相結(jié)合的解決方案26-28
• 3.2 KRLC算法28-30
• 3.3 2KRLC算法30-31
• 3.4 CKRLC算法31-32
• 3.5 KRLC&2KRLC算法的實(shí)驗(yàn)32-39
• 3.5.1 實(shí)驗(yàn)數(shù)據(jù)集33
• 3.5.2 評(píng)價(jià)指標(biāo)33-35
• 3.5.3 實(shí)驗(yàn)結(jié)果及分析35-37
• 3.5.4 2KRLC算法中參數(shù)n的影響37-39
• 3.6 CKRLC算法實(shí)驗(yàn)39-42
• 3.6.1 實(shí)驗(yàn)數(shù)據(jù)集40
• 3.6.2 實(shí)驗(yàn)結(jié)果及分析40-42
• 3.7 本章小結(jié)42-43
• 4 新浪微博用戶關(guān)系網(wǎng)研究43-61
• 4.1 微博用戶數(shù)據(jù)分析框架44-45
• 4.2 數(shù)據(jù)采集45-50
• 4.2.1 面向新浪微博的網(wǎng)絡(luò)爬蟲45-48
• 4.2.2 采集流程48-49
• 4.2.3 原始數(shù)據(jù)結(jié)構(gòu)49-50
• 4.3 數(shù)據(jù)預(yù)處理50-53
• 4.3.1 微博文本預(yù)處理相關(guān)技術(shù)介紹51-52
• 4.3.2 文本預(yù)處理相關(guān)流程52-53
• 4.4 網(wǎng)絡(luò)建模53
• 4.5 社區(qū)劃分53-59
• 4.5.1 KRLC&2KRLC劃分結(jié)果以及分析54-56
• 4.5.2 CKRLC劃分結(jié)果及其分析56-59
• 4.6 本章小結(jié)59-61
• 5 結(jié)論與展望61-64
• 5.1 工作總結(jié)61-62
• 5.2 結(jié)論62
• 5.3 未來的研究和工作62-64
• 參考文獻(xiàn)64-67
• 作者簡歷67-69
• 學(xué)位論文數(shù)據(jù)集69

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 楊博;劉大有;金弟;馬海賓;;復(fù)雜網(wǎng)絡(luò)聚類方法[J];軟件學(xué)報(bào);2009年01期

2 周小平;梁循;張海燕;;基于R-C模型的微博用戶社區(qū)發(fā)現(xiàn)[J];軟件學(xué)報(bào);2014年12期

  本文關(guān)鍵詞：面向新浪微博的鏈接和內(nèi)容相結(jié)合的社區(qū)劃分方法，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：324822