針對稀疏子圖發(fā)現(xiàn)問題中使用高維稀疏向量表示網(wǎng)絡(luò)信息存在的時間和空間消耗大的問題,提出一種基于網(wǎng)絡(luò)嵌入的稀疏子圖發(fā)現(xiàn)（TGF）算法。該算法首先通過網(wǎng)絡(luò)嵌入的方法將網(wǎng)絡(luò)結(jié)構(gòu)映射到低維空間中,得到節(jié)點的低維向量表示;然后定義向量空間中的稀疏子集發(fā)現(xiàn)問題,將稀疏子圖發(fā)現(xiàn)問題轉(zhuǎn)化為稀疏子集發(fā)現(xiàn)問題;迭代搜索局部密度最低的樣本點并對其進行擴張,最終找到一個滿足條件的最大稀疏子集。實驗結(jié)果表明,在Synthetic₁000數(shù)據(jù)集上與TERA（Triangle and Edge Reduction Algorithm）和WK（Weight of K-hop）算法相比,TGF算法的搜索效率是TERA的1 353倍,是WK算法的4倍,并且在k-line、k-triangle和k-density指標上也取得了較優(yōu)的結(jié)果。 

【文章來源】：計算機應(yīng)用. 2020,40(10)北大核心CSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引言
1 相關(guān)研究
    1.1 稀疏子圖發(fā)現(xiàn)
    1.2 網(wǎng)絡(luò)嵌入
2 基于網(wǎng)絡(luò)嵌入的稀疏子圖發(fā)現(xiàn)算法
    2.1 節(jié)點網(wǎng)絡(luò)嵌入學習
    2.2 稀疏子集發(fā)現(xiàn)
    2.3 時間復(fù)雜度分析
3 實驗與結(jié)果分析
    3.1 實驗數(shù)據(jù)集
    3.2 對比算法和評估指標
    3.3 整體結(jié)果分析
    3.4 參數(shù)敏感性分析
    3.5 實例分析
    3.6 時間性能分析
4 結(jié)語


【參考文獻】：
期刊論文
[1]大規(guī)模復(fù)雜信息網(wǎng)絡(luò)表示學習:概念、方法與挑戰(zhàn)[J]. 齊金山,梁循,李志宇,陳燕方,許媛.  計算機學報. 2018(10)
[2]網(wǎng)絡(luò)表示學習綜述[J]. 涂存超,楊成,劉知遠,孫茂松.  中國科學:信息科學. 2017(08)



本文編號：3166924