本文選題：潛空間 + 特征映射��； 參考：《計算機工程》2017年12期

【摘要】：為提高社區(qū)發(fā)現(xiàn)算法的計算效率和發(fā)現(xiàn)性能,提出一種基于潛空間映射的半監(jiān)督社區(qū)發(fā)現(xiàn)梯度下降算法�；跐摽臻g表示形式構(gòu)建基于潛空間映射的半監(jiān)督社區(qū)發(fā)現(xiàn)框架,并使用KL散度對潛空間頂點相似度進行評價,獲得三元組表示形式,基于矩陣跡和Frobenius范數(shù),構(gòu)建半監(jiān)督社區(qū)發(fā)現(xiàn)梯度下降算法的優(yōu)化規(guī)則,以實現(xiàn)目標函數(shù)局部極小值點的快速獲取,提高算法在大規(guī)模社區(qū)發(fā)現(xiàn)中的實用價值,給出算法計算復雜度理論分析。實驗結(jié)果表明,與局部社區(qū)結(jié)構(gòu)發(fā)現(xiàn)算法、格文-紐曼算法、標簽傳播算法等算法相比,該算法具有更好的社區(qū)發(fā)現(xiàn)性能。
[Abstract]:In order to improve the computational efficiency and discovery performance of community discovery algorithm, a semi-supervised community discovery gradient descent algorithm based on latent space mapping is proposed. Based on latent space representation, a semi-supervised community discovery framework based on latent space mapping is constructed, and the similarity of latent space vertex is evaluated by using KL divergence. The triple representation form is obtained based on matrix trace and Frobenius norm. The optimization rules of semi-supervised community discovery gradient descent algorithm are constructed in order to obtain the local minimum of the objective function quickly and improve the practical value of the algorithm in large-scale community discovery. The computational complexity of the algorithm is analyzed theoretically. Experimental results show that this algorithm has better community discovery performance than local community structure discovery algorithm, Gwen Newman algorithm and label propagation algorithm.
【作者單位】： 荊楚理工學院計算機工程學院;荊楚理工學院教育技術(shù)中心;
【基金】：湖北省科技計劃項目(2015CFB209)
【分類號】：TP301.6

【相似文獻】

相關(guān)期刊論文 前10條

1 潘旭東;賀喜;雍松林;張生帥;田俊林;;基于隨機并行梯度下降算法的光束相干合成技術(shù)[J];強激光與粒子束;2013年10期

2 楊慧珍;李新陽;;基于Zernike模式的自適應(yīng)光學系統(tǒng)隨機并行梯度下降算法[J];強激光與粒子束;2009年05期

3 張世杰;陳澤華;;基于梯度下降算法的煤矸石分割識別方法[J];煤礦機械;2014年08期

4 周宗恒,韓懿,高艷芳;基于KL膚色的人臉初定位[J];計算機工程;2001年04期

5 楊慧珍;陳波;李新陽;姜文漢;;自適應(yīng)光學系統(tǒng)隨機并行梯度下降控制算法實驗研究[J];光學學報;2008年02期

6 武妍,金明曦,王洪波;基于KL-小波包分析的文本無關(guān)的說話人識別[J];計算機工程與應(yīng)用;2005年04期

7 王衛(wèi)兵;王挺峰;郭勁;;自適應(yīng)光學隨機并行梯度下降算法波前整形規(guī)律仿真(英文)[J];中國光學;2014年03期

8 王志堅,王彥,何漢武,鄭德濤;基于Pro/Engineering的特征映射器的開發(fā)[J];計算機工程;2000年08期

9 沈海燕;李軍偉;;基于STEP的特征映射器的研究[J];科學技術(shù)與工程;2008年11期

10 宋玉銀,褚秀萍,蔡復之;基于知識的特征映射方法及其應(yīng)用研究[J];河北理工學院學報;1999年01期

相關(guān)會議論文 前1條

1 李勇智;楊靜宇;毛洪賁;;基于局部和非局部散度理論的一種新的特征提取方法[A];第二十七屆中國控制會議論文集[C];2008年

相關(guān)博士學位論文 前1條

1 竇萬峰;并行工程環(huán)境下的多域特征映射研究[D];西安電子科技大學;1998年

相關(guān)碩士學位論文 前4條

1 唐家辰;KL公司企業(yè)信息化架構(gòu)設(shè)計研究[D];武漢工程大學;2016年

2 吳哲;基于特征映射的運動分析與識別[D];上海交通大學;2013年

3 潘榮英;關(guān)于拉普拉斯特征映射的一些想法[D];上海交通大學;2009年

4 劉宏偉;基于樣本加權(quán)及分散度的不完備數(shù)據(jù)聚類研究[D];大連理工大學;2016年

，

本文編號：1913646