本文關(guān)鍵詞：基于譜聚類(lèi)的域間社區(qū)挖掘算法研究

  更多相關(guān)文章： 域間社區(qū)挖掘 協(xié)同聚類(lèi) 融合

【摘要】：互聯(lián)網(wǎng)高端技術(shù)的創(chuàng)新與發(fā)展,給人類(lèi)社會(huì)帶來(lái)了巨大的變化,人類(lèi)社會(huì)已經(jīng)進(jìn)入一個(gè)信息化的時(shí)代。人們獲取信息的方式日新月異,使得信息的數(shù)量飛速遞增,且描述同一事物信息展現(xiàn)出多領(lǐng)域的特性。這些各式各樣的社會(huì)網(wǎng)絡(luò)承載著人們?cè)谏詈蜕a(chǎn)中形成的復(fù)雜關(guān)系,如何從這些雜亂無(wú)章的社會(huì)網(wǎng)絡(luò)中發(fā)現(xiàn)潛在價(jià)值關(guān)系,這一點(diǎn)越來(lái)越受到人們的關(guān)注。隨著Web 2.0技術(shù)的發(fā)展,互聯(lián)網(wǎng)正朝著社區(qū)化的方向發(fā)展,用戶(hù)希望通過(guò)參與,互動(dòng),來(lái)獲得更多感興趣的社區(qū)信息。在社會(huì)網(wǎng)絡(luò)中的用戶(hù)之間存在一些潛在的結(jié)構(gòu)關(guān)系,一般用圖結(jié)構(gòu)表示,圖中節(jié)點(diǎn)表示網(wǎng)絡(luò)中的個(gè)體,邊表示個(gè)體之間的某種關(guān)系(諸如參與相同活動(dòng)的關(guān)系)。一般而言,同一社區(qū)內(nèi)部鏈接稠密,而不同社區(qū)之間鏈接稀疏。從本質(zhì)上講,社區(qū)挖掘就是從連通圖中識(shí)別出在某種性質(zhì)達(dá)到局部最優(yōu)的稠密子圖。傳統(tǒng)的社區(qū)發(fā)現(xiàn)方法主要面對(duì)單一領(lǐng)域,由于考慮的因素單一,無(wú)法通過(guò)其他領(lǐng)域的有效信息來(lái)提高當(dāng)前領(lǐng)域的聚類(lèi)準(zhǔn)確性,本文提出了一種基于譜聚類(lèi)思想的迭代式社區(qū)發(fā)現(xiàn)算法,以K均值算法為基礎(chǔ),以譜聚類(lèi)算法思想為解決方案,該算法通過(guò)其他領(lǐng)域?qū)Ρ绢I(lǐng)域的相似矩陣不斷進(jìn)行修正,從而實(shí)現(xiàn)領(lǐng)域之間的互相促進(jìn)。根據(jù)結(jié)果分析出算法的不足,通過(guò)相似度修正以及迭代的終止條件對(duì)算法進(jìn)行了優(yōu)化,并且對(duì)優(yōu)化的結(jié)果與之前的結(jié)果進(jìn)行比較,可以直觀(guān)的看出優(yōu)化的效果。在迭代式域間社區(qū)挖掘的前提下,對(duì)不同領(lǐng)域的結(jié)果進(jìn)行聚類(lèi)融合,聚類(lèi)融合方案以標(biāo)簽合并與投票相結(jié)合的方法,有效的對(duì)多個(gè)領(lǐng)域的聚類(lèi)結(jié)果進(jìn)行融合,該算法可以適應(yīng)各領(lǐng)域?qū)嶓w不全部相同的情況,并且通過(guò)實(shí)驗(yàn)驗(yàn)證了聚類(lèi)結(jié)果的有效性。
【關(guān)鍵詞】：域間社區(qū)挖掘 協(xié)同聚類(lèi) 融合
【學(xué)位授予單位】：大連海事大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP311.13
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 緒論10-15
• 1.1 研究背景與意義10-11
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀11-12
• 1.3 論文的主要工作12-13
• 1.4 論文的組織結(jié)構(gòu)13-14
• 1.5 本章小結(jié)14-15
• 第2章 社區(qū)挖掘概述15-25
• 2.1 社區(qū)結(jié)構(gòu)概述15
• 2.2 社區(qū)挖掘概述15-16
• 2.3 社區(qū)挖掘經(jīng)典方法16-21
• 2.3.1 基于劃分的社區(qū)挖掘方法17-18
• 2.3.2 基于層次的社區(qū)挖掘方法18-19
• 2.3.3 基于密度的社區(qū)挖掘方法19-20
• 2.3.4 基于網(wǎng)格的社區(qū)挖掘方法20-21
• 2.4 社區(qū)挖掘算法性能分析參數(shù)21-22
• 2.5 社區(qū)挖掘算法國(guó)際評(píng)判標(biāo)準(zhǔn)22-24
• 2.5.1 類(lèi)內(nèi)凝聚度和類(lèi)間分離度與人工評(píng)判22-23
• 2.5.2 互信息和規(guī)范化互信息23-24
• 2.6 本章小結(jié)24-25
• 第3章 譜聚類(lèi)算法研究25-37
• 3.1 譜聚類(lèi)算法介紹25
• 3.2 譜圖理論25-29
• 3.2.1 圖的基本概念25-26
• 3.2.2 構(gòu)造相似度圖26
• 3.2.3 圖的Laplacian及其基本性質(zhì)26-28
• 3.2.4 譜圖理論的學(xué)習(xí)算法28-29
• 3.3 圖劃分準(zhǔn)則29-32
• 3.3.1 最小割集準(zhǔn)則29-30
• 3.3.2 規(guī)范割集準(zhǔn)則30
• 3.3.3 比例割集準(zhǔn)則30
• 3.3.4 平均割集準(zhǔn)則30-31
• 3.3.5 最小最大割集準(zhǔn)則31
• 3.3.6 多路割集準(zhǔn)則31-32
• 3.4 譜聚類(lèi)相似矩陣32-33
• 3.4.1 徑向基核函數(shù)32-33
• 3.5 譜聚類(lèi)算法33-36
• 3.5.1 迭代譜聚類(lèi)算法34-35
• 3.5.2 多路譜聚類(lèi)算法35-36
• 3.6 本章小結(jié)36-37
• 第4章 基于譜聚類(lèi)的域間社區(qū)挖掘模型設(shè)計(jì)37-48
• 4.1 譜聚類(lèi)算法選擇37-40
• 4.1.1 NCut算法37-39
• 4.1.2 相似矩陣構(gòu)造方法39
• 4.1.3 領(lǐng)域半徑r39-40
• 4.1.4 尺度參數(shù)σ40
• 4.2 域間社區(qū)發(fā)現(xiàn)模型40-46
• 4.2.1 問(wèn)題提出41-44
• 4.2.2 域間社區(qū)發(fā)現(xiàn)模型定義44-46
• 4.3 本章小結(jié)46-48
• 第5章 域間社區(qū)挖掘算法48-66
• 5.1 域間社區(qū)挖掘算法問(wèn)題解決方案48-51
• 5.1.1 算法基本思路49
• 5.1.2 相似矩陣構(gòu)建49-50
• 5.1.3 算法描述50-51
• 5.2 算法存在問(wèn)題與優(yōu)化策略51-53
• 5.2.1 算法優(yōu)化策略51-53
• 5.2.2 改進(jìn)算法流程53
• 5.3 聚類(lèi)融合53-58
• 5.3.1 聚類(lèi)融合算法綜述54-56
• 5.3.2 社區(qū)匹配策略56-57
• 5.3.3 域間融合算法57-58
• 5.4 實(shí)驗(yàn)結(jié)果分析58-65
• 5.4.1 實(shí)驗(yàn)環(huán)境59-60
• 5.4.2 徑向基核函數(shù)聚類(lèi)結(jié)果評(píng)測(cè)60-62
• 5.4.3 算法優(yōu)化后聚類(lèi)結(jié)果評(píng)測(cè)62-64
• 5.4.4 聚類(lèi)融合結(jié)果評(píng)測(cè)比較64-65
• 5.5 本章小結(jié)65-66
• 第6章 總結(jié)與展望66-68
• 6.1 總結(jié)66-67
• 6.2 展望67-68
• 參考文獻(xiàn)68-72
• 致謝72

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 王娜;杜海峰;莊健;余進(jìn)濤;王孫安;;三種典型的基于圖分割的譜聚類(lèi)方法比較[J];系統(tǒng)仿真學(xué)報(bào);2009年11期

2 王會(huì)青;陳俊杰;;基于圖劃分的譜聚類(lèi)方法的研究[J];計(jì)算機(jī)工程與設(shè)計(jì);2011年01期

3 王春騰;符傳誼;邢潔清;;基于非負(fù)約束的譜聚類(lèi)方法[J];電腦知識(shí)與技術(shù);2011年17期

4 何飛;王曉晨;馬粹;梁治國(guó);;生產(chǎn)狀態(tài)的測(cè)地距離譜聚類(lèi)分析[J];計(jì)算機(jī)工程與應(yīng)用;2012年24期

5 薛寧?kù)o;;生產(chǎn)狀態(tài)的熵值評(píng)估譜聚類(lèi)分析[J];計(jì)算機(jī)工程與應(yīng)用;2012年19期

6 管濤;王杰;;譜聚類(lèi)的算子理論研究進(jìn)展[J];計(jì)算機(jī)科學(xué);2013年S1期

7 周文剛;陳雷霆;董仕;;基于譜聚類(lèi)的網(wǎng)絡(luò)流量分類(lèi)識(shí)別算法[J];電子測(cè)量與儀器學(xué)報(bào);2013年12期

8 王玲;薄列峰;焦李成;;密度敏感的半監(jiān)督譜聚類(lèi)[J];軟件學(xué)報(bào);2007年10期

9 林立;胡俠;朱俊彥;;基于譜聚類(lèi)的多文檔摘要新方法[J];計(jì)算機(jī)工程;2010年22期

10 劉馨月;李靜偉;于紅;尤全增;林鴻飛;;基于共享近鄰的自適應(yīng)譜聚類(lèi)[J];小型微型計(jì)算機(jī)系統(tǒng);2011年09期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 孔敏;關(guān)聯(lián)圖的譜分析及譜聚類(lèi)方法研究[D];安徽大學(xué);2006年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 陳昭彤;基于拓?fù)鋭?shì)和譜聚類(lèi)的社區(qū)發(fā)現(xiàn)研究[D];中國(guó)礦業(yè)大學(xué);2015年

2 張吉文;基于譜聚類(lèi)的文本聚類(lèi)算法研究[D];貴州大學(xué);2015年

3 李偉龍;基于面向?qū)ο骃VM和譜聚類(lèi)的極化SAR分類(lèi)[D];西安電子科技大學(xué);2014年

4 崔竹冬;基于譜聚類(lèi)的三維血管點(diǎn)云分割技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2016年

5 崔海玉;基于譜聚類(lèi)的域間社區(qū)挖掘算法研究[D];大連海事大學(xué);2016年

6 何心琪;基于譜聚類(lèi)的水聲圖像分割技術(shù)研究[D];哈爾濱工程大學(xué);2013年

7 趙冬琴;基于譜聚類(lèi)的MCI影像學(xué)分類(lèi)特征研究與應(yīng)用[D];太原理工大學(xué);2014年

8 張俊英;基于譜聚類(lèi)的圖書(shū)目錄重構(gòu)[D];浙江大學(xué);2010年

9 張?zhí)鞆?qiáng);基于譜聚類(lèi)的親友通話(huà)圈挖掘[D];華南理工大學(xué);2013年

10 鄭偉;基于核與特征選擇的譜聚類(lèi)社區(qū)檢測(cè)算法[D];西安電子科技大學(xué);2013年

，

本文編號(hào)：953923