本文選題：潛空間 + 特征映射�。� 參考：《計(jì)算機(jī)工程》2017年12期

【摘要】：為提高社區(qū)發(fā)現(xiàn)算法的計(jì)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(duì)潛空間頂點(diǎn)相似度進(jìn)行評(píng)價(jià),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(shí)現(xiàn)目標(biāo)函數(shù)局部極小值點(diǎn)的快速獲取,提高算法在大規(guī)模社區(qū)發(fā)現(xiàn)中的實(shí)用價(jià)值,給出算法計(jì)算復(fù)雜度理論分析。實(shí)驗(yàn)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(biāo)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(xué)院計(jì)算機(jī)工程學(xué)院;荊楚理工學(xué)院教育技術(shù)中心;
【基金】：湖北省科技計(jì)劃項(xiàng)目(2015CFB209)
【分類(lèi)號(hào)】：TP301.6

【相似文獻(xiàn)】

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(jī)并行梯度下降算法的光束相干合成技術(shù)[J];強(qiáng)激光與粒子束;2013年10期

2 楊慧珍;李新陽(yáng);;基于Zernike模式的自適應(yīng)光學(xué)系統(tǒng)隨機(jī)并行梯度下降算法[J];強(qiáng)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(shí)別方法[J];煤礦機(jī)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(jì)算機(jī)工程;2001年04期

5 楊慧珍;陳波;李新陽(yáng);姜文漢;;自適應(yīng)光學(xué)系統(tǒng)隨機(jī)并行梯度下降控制算法實(shí)驗(yàn)研究[J];光學(xué)學(xué)報(bào);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(wú)關(guān)的說(shuō)話(huà)人識(shí)別[J];計(jì)算機(jī)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(xué)隨機(jī)并行梯度下降算法波前整形規(guī)律仿真(英文)[J];中國(guó)光學(xué);2014年03期

8 王志堅(jiān),王彥,何漢武,鄭德濤;基于Pro/Engineering的特征映射器的開(kāi)發(fā)[J];計(jì)算機(jī)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(xué)技術(shù)與工程;2008年11期

10 宋玉銀,褚秀萍,蔡復(fù)之;基于知識(shí)的特征映射方法及其應(yīng)用研究[J];河北理工學(xué)院學(xué)報(bào);1999年01期

相關(guān)會(huì)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(guó)控制會(huì)議論文集[C];2008年

相關(guān)博士學(xué)位論文 前1條

1 竇萬(wàn)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(xué);1998年

相關(guān)碩士學(xué)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(jì)研究[D];武漢工程大學(xué);2016年

2 吳哲;基于特征映射的運(yùn)動(dòng)分析與識(shí)別[D];上海交通大學(xué);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(xué);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(lèi)研究[D];大連理工大學(xué);2016年

，

本文編號(hào)：1913646