本文選題：異質(zhì)網(wǎng)絡(luò) + 動(dòng)態(tài)網(wǎng)絡(luò)��； 參考：《計(jì)算機(jī)應(yīng)用研究》2017年10期

【摘要】：動(dòng)態(tài)網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)是目前復(fù)雜網(wǎng)絡(luò)分析領(lǐng)域的重要研究?jī)?nèi)容,然而現(xiàn)有動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法主要針對(duì)同質(zhì)網(wǎng)絡(luò),當(dāng)網(wǎng)絡(luò)包含多種異質(zhì)信息時(shí),現(xiàn)有方法不再適用。針對(duì)這個(gè)問(wèn)題,提出了一種基于聯(lián)合矩陣分解的動(dòng)態(tài)異質(zhì)網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法。首先計(jì)算動(dòng)態(tài)異質(zhì)網(wǎng)絡(luò)中各個(gè)快照?qǐng)D的拓?fù)湎嗨贫染仃嚭投嚓P(guān)系相似度矩陣;其次利用時(shí)序聯(lián)合非負(fù)矩陣分解方法,約束各個(gè)時(shí)刻快照?qǐng)D的社區(qū)劃分;最后在真實(shí)網(wǎng)絡(luò)數(shù)據(jù)集上與K-means、Meta Fac算法進(jìn)行比較實(shí)驗(yàn),提出算法能夠充分利用網(wǎng)絡(luò)的異質(zhì)信息與拓?fù)湫畔?異質(zhì)網(wǎng)絡(luò)社區(qū)劃分精度優(yōu)于Meta Fac算法,且劃分效果更穩(wěn)定。結(jié)果表明,基于聯(lián)合矩陣分解的動(dòng)態(tài)異質(zhì)網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)算法可以有效檢測(cè)出動(dòng)態(tài)異質(zhì)網(wǎng)絡(luò)中潛在的社區(qū)結(jié)構(gòu)。
[Abstract]:Community discovery of dynamic networks is an important research content in the field of complex network analysis. However, the existing dynamic network community discovery methods are mainly aimed at homogeneous networks. When the network contains a variety of heterogeneous information, the existing methods are no longer applicable. To solve this problem, a dynamic heterogeneous network community discovery method based on joint matrix decomposition is proposed. First, the topological similarity matrix and multi-relation similarity matrix of each snapshot graph in dynamic heterogeneous network are calculated; secondly, the community partition of snapshot graph at each moment is constrained by using the method of time-series combined with non-negative matrix decomposition. Finally, by comparing the real network data set with the K-means-Meta Fac algorithm, it is proposed that the algorithm can make full use of the heterogeneous information and topology information of the network, and the accuracy of the heterogeneous network community division is better than that of the Meta Fac algorithm, and the partition effect is more stable. The results show that the community discovery algorithm based on joint matrix decomposition can effectively detect the potential community structures in dynamic heterogeneous networks.
【作者單位】： 國(guó)家數(shù)字交換系統(tǒng)工程技術(shù)研究中心;
【基金】：國(guó)家科技支撐計(jì)劃資助項(xiàng)目(2014BAH30B01) 國(guó)家自然科學(xué)基金創(chuàng)新群體資助項(xiàng)目(61521003);國(guó)家自然科學(xué)基金資助項(xiàng)目(61379151)
【分類(lèi)號(hào)】：O157.5;TP301.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王宇,馮果忱;矩陣分解因子的直接換元修正[J];高等學(xué)校計(jì)算數(shù)學(xué)學(xué)報(bào);1991年04期

2 鄂國(guó)康;;矩陣分解的一般定理及基本分析[J];西南民族學(xué)院學(xué)報(bào)(自然科學(xué)版);1991年04期

3 田鐘穎,嚴(yán)克明;矩陣分解在運(yùn)動(dòng)分析中的應(yīng)用初探[J];甘肅工業(yè)大學(xué)學(xué)報(bào);1989年04期

4 王群英;;矩陣分解方法的探究[J];長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年01期

5 李華云;;F范數(shù)及矩陣分解實(shí)例研究[J];現(xiàn)代情報(bào);2008年10期

6 陳伯倫;陳];鄒盛榮;徐秀蓮;;基于矩陣分解的二分網(wǎng)絡(luò)社區(qū)挖掘算法[J];計(jì)算機(jī)科學(xué);2014年02期

7 范云鵬;周水生;;矩陣分解[J];數(shù)學(xué)學(xué)習(xí)與研究;2012年03期

8 賀超波;湯庸;沈玉利;石玉強(qiáng);;應(yīng)用非負(fù)值矩陣分解模型的社區(qū)挖掘方法[J];小型微型計(jì)算機(jī)系統(tǒng);2014年06期

9 胡家贛;尺度變換和矩陣分解的收斂性[J];計(jì)算數(shù)學(xué);1983年01期

10 仲光蘋(píng);劉金明;;矩陣分解理論及應(yīng)用[J];黑龍江科技信息;2012年29期

相關(guān)博士學(xué)位論文 前1條

1 趙科科;低秩矩陣分解的正則化方法與應(yīng)用[D];浙江大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 余露;利用矩陣分解算法建模數(shù)據(jù)稀疏環(huán)境下用戶(hù)協(xié)同行為[D];杭州師范大學(xué);2015年

2 孫偉彬;基于高維顯性特征的矩陣分解推薦[D];大連理工大學(xué);2015年

3 余志琴;基于ADMM的分布式矩陣分解[D];上海交通大學(xué);2015年

4 伏路;矩陣補(bǔ)全問(wèn)題的研究與應(yīng)用[D];中國(guó)石油大學(xué)(華東);2014年

5 牛明芝;唯一分解環(huán)上的矩陣分解[D];湖南科技大學(xué);2014年

6 張桂鳳;基于矩陣分解算法的低秩表示模型研究及其應(yīng)用[D];東北師范大學(xué);2015年

7 修賢超;低秩稀疏矩陣分解在視頻監(jiān)控中的應(yīng)用[D];北京交通大學(xué);2014年

8 鄒丹;非負(fù)矩陣分解算法研究及其在個(gè)性化推薦系統(tǒng)中的應(yīng)用[D];北京工業(yè)大學(xué);2012年

9 李明;基于矩陣分解理論學(xué)習(xí)的數(shù)據(jù)降維算法研究[D];遼寧師范大學(xué);2011年

10 楊艷飛;一些矩陣分解的嚴(yán)格擾動(dòng)界的研究[D];重慶大學(xué);2014年

，

本文編號(hào)：1778614