本文選題：網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn) + 隨機(jī)分塊模型��； 參考：《東北師范大學(xué)》2017年碩士論文

【摘要】：網(wǎng)絡(luò)在我們的生活中隨處可見,很多系統(tǒng)都可以用網(wǎng)絡(luò)來刻畫,比如社會網(wǎng)絡(luò),生物網(wǎng)絡(luò),通信網(wǎng)絡(luò)等等。隨著以互聯(lián)網(wǎng)為代表的網(wǎng)絡(luò)信息技術(shù)的迅速發(fā)展,人類的生活與生產(chǎn)活動越來越多地依賴于各種網(wǎng)絡(luò)。我們急需深入地挖掘網(wǎng)絡(luò),對網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行深度分析來解決現(xiàn)實(shí)網(wǎng)絡(luò)問題。而網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)就是網(wǎng)絡(luò)數(shù)據(jù)挖掘的一個重要課題,網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法就是把網(wǎng)絡(luò)中相似節(jié)點(diǎn)分為一個集合,稱之為社區(qū),使得社區(qū)內(nèi)節(jié)點(diǎn)間的連接更為稠密,而不在一個社區(qū)的節(jié)點(diǎn)之間的連接極為稀疏。我們試圖通過網(wǎng)絡(luò)的連接情況以及各種節(jié)點(diǎn)的信息來發(fā)現(xiàn)這個網(wǎng)絡(luò)里的社區(qū)分類情況,網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)的成功將會使網(wǎng)絡(luò)更加明晰也更加富有解釋性,同時其社區(qū)發(fā)現(xiàn)會給現(xiàn)實(shí)網(wǎng)絡(luò)帶來很多的后續(xù)開發(fā)價值,比如精準(zhǔn)營銷等等。隨著大數(shù)據(jù)時代的蓬勃發(fā)展,人們對于網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法的要求越來越高,許多相關(guān)學(xué)者都致力于研究更為高效更為精確更有實(shí)際價值的網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法。本文在傳統(tǒng)的隨機(jī)分塊模型中引入了協(xié)變量信息,也就是說要通過網(wǎng)絡(luò)和網(wǎng)絡(luò)中節(jié)點(diǎn)的協(xié)變量共同來發(fā)現(xiàn)社區(qū),這也更符合現(xiàn)實(shí)事實(shí)與實(shí)際需求。本文通過對隨機(jī)分塊模型社區(qū)發(fā)現(xiàn)的兩種方法的等價性證明,來肯定了置信度傳播思想在網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)里的可行性,于是對于這樣一個依賴于協(xié)變量的網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)模型,在大型稀疏網(wǎng)絡(luò)環(huán)境里,我們采用置信傳播方法來完成參數(shù)估計(jì)。由于置信傳播方法在帶環(huán)的網(wǎng)絡(luò)結(jié)構(gòu)中并沒有合理的解釋性,所以鮮少被應(yīng)用于網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)領(lǐng)域,然而對于大型稀疏網(wǎng)絡(luò),我們更關(guān)心的是在復(fù)雜度低、操作簡易的前提下的模型精確度,通過文章的生成模型實(shí)驗(yàn)以及基金委統(tǒng)計(jì)學(xué)關(guān)鍵詞網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果我們也可以看到,推廣到所建模型的置信傳播算法比傳統(tǒng)的EM算法還有譜方法等更為迅速,結(jié)果也同樣極為精確。
[Abstract]:Network can be seen everywhere in our life, many systems can be described by network, such as social network, biological network, communication network and so on. With the rapid development of network information technology represented by the Internet, human life and production activities depend more and more on various networks. We need to dig into the network and analyze the network data to solve the real network problem. The discovery of network community is an important subject of network data mining. The method of network community discovery is to divide the similar nodes in the network into a set, which is called community, which makes the connection between nodes in the community more dense. Connections between nodes not in a community are extremely sparse. We try to find out the classification of the communities in the network through the connection of the network and the information of the various nodes. The success of the discovery of the network will make the network clearer and more explanatory. At the same time, its community discovery will bring a lot of future development value to the real network, such as precision marketing and so on. With the rapid development of the big data era, people are demanding more and more online community discovery methods. Many related scholars are devoted to the research of more efficient, more accurate and more practical online community discovery methods. In this paper, covariable information is introduced into the traditional random block model, that is to say, it is necessary to discover the community through the covariables of the network and the nodes in the network, which is also more in line with the reality and the actual demand. In this paper, we prove the equivalence of the two methods of community discovery in random block model, and confirm the feasibility of confidence propagation in the discovery of network community, so for such a covariable-dependent network community discovery model, In the large sparse network environment, we use confidence propagation method to complete the parameter estimation. Because the confidence propagation method has no reasonable explanation in the ring network structure, it is rarely used in the field of network community discovery. However, for large sparse networks, we are more concerned about the low complexity. The accuracy of the model under the premise of simple operation, we can also see the results of the model experiment and the experimental results of the CSC statistical keyword network. The confidence propagation algorithm extended to the established model is more rapid than the traditional EM algorithm and spectral method, and the results are also extremely accurate.
【學(xué)位授予單位】：東北師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：C81

【相似文獻(xiàn)】

相關(guān)期刊論文 前3條

1 李瑩;王仲君;趙華玲;;基于貝葉斯推斷的HIV非線性混合效應(yīng)聯(lián)合模型研究[J];統(tǒng)計(jì)研究;2012年07期

2 張力為;研究問題與統(tǒng)計(jì)方法的有機(jī)配合[J];天津體育學(xué)院學(xué)報;2001年02期

3 袁媛;;基于觀測方差的加權(quán)Stein估計(jì)[J];嘉興學(xué)院學(xué)報;2007年06期

相關(guān)會議論文 前2條

1 侯艷;李康;;非劣效性臨床試驗(yàn)中兩組率差值的協(xié)變量調(diào)整方法[A];黑龍江省第十次統(tǒng)計(jì)科學(xué)討論會論文集[C];2008年

2 李廣文;酆廣增;;基于置信傳播和波束搜索的LDPC聯(lián)合譯碼算法[A];2008年中國通信學(xué)會無線及移動通信委員會學(xué)術(shù)年會論文集[C];2008年

相關(guān)博士學(xué)位論文 前4條

1 王逸飛;考慮協(xié)變量影響的電力系統(tǒng)檢修停運(yùn)計(jì)劃研究[D];浙江大學(xué);2016年

2 馬云艷;相依數(shù)據(jù)下協(xié)變量調(diào)整回歸模型及其在金融時間序列中的應(yīng)用[D];山東大學(xué);2012年

3 張新佶;生存資料非劣效性評價的非參數(shù)協(xié)方差模型研究及實(shí)現(xiàn)[D];第二軍醫(yī)大學(xué);2012年

4 吳遠(yuǎn)山;輔助數(shù)據(jù)問題和多元失效時間的半?yún)?shù)分析[D];武漢大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 何佳謙;基于置信傳播和依賴協(xié)變量的網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法[D];東北師范大學(xué);2017年

2 謝驍;基于縱向協(xié)變量的Cox模型及其在療效評估中的應(yīng)用[D];云南師范大學(xué);2015年

3 崔劍嵐;應(yīng)用多結(jié)局生存分析模型評價隨時間變化的協(xié)變量對胃癌患者預(yù)后的影響[D];復(fù)旦大學(xué);2014年

4 程文帥;非小細(xì)胞肺癌患者生存分析建模研究[D];北京工業(yè)大學(xué);2015年

5 周多;生態(tài)數(shù)據(jù)和含協(xié)變量樣本數(shù)據(jù)的聯(lián)合分析[D];東北師范大學(xué);2009年

6 張鵬程;有缺失協(xié)變量的相對危險率模型的估計(jì)理論及其漸近性質(zhì)[D];清華大學(xué);2010年

7 陳淑英;線性協(xié)變量調(diào)整模型的參數(shù)估計(jì)[D];浙江大學(xué);2008年

8 馬燕;高斯圖模型的結(jié)構(gòu)學(xué)習(xí)及應(yīng)用[D];西北大學(xué);2017年

9 劉欣;高維面板數(shù)據(jù)模型中協(xié)變量選擇和異方差檢驗(yàn)[D];云南財經(jīng)大學(xué);2014年

10 王宇達(dá);因果效應(yīng)和統(tǒng)計(jì)推斷[D];北京郵電大學(xué);2015年

，

本文編號：2118432