【摘要】：至今,我們邁入了復(fù)雜網(wǎng)絡(luò)時代,生活中存在著各種各樣的復(fù)雜網(wǎng)絡(luò),比如移動通信網(wǎng)絡(luò)、交通網(wǎng)絡(luò)、電力網(wǎng)絡(luò)等等。我們的生活和生產(chǎn)活動也越來越多的依賴于這些復(fù)雜網(wǎng)絡(luò)系統(tǒng)安全、可靠、高效的運行。重要的是許多研究表明,這些看上去不盡相同的網(wǎng)絡(luò)有著共性的概念、理論和方法,這使得研究復(fù)雜網(wǎng)絡(luò)成為必要。網(wǎng)絡(luò)科學(xué)已經(jīng)成為了一個新的研究領(lǐng)域,并且取得了迅猛的發(fā)展。目前來看,網(wǎng)絡(luò)科學(xué)主要研究內(nèi)容包括發(fā)現(xiàn)網(wǎng)絡(luò)性質(zhì)、建立網(wǎng)絡(luò)模型、分析網(wǎng)絡(luò)行為和設(shè)計網(wǎng)絡(luò)性能。社區(qū)結(jié)構(gòu)是許多實際網(wǎng)絡(luò)具有的一個共同性質(zhì),也就是說,整個網(wǎng)絡(luò)由若干個社區(qū)構(gòu)成,每個社區(qū)內(nèi)部的節(jié)點之間連接相對緊密,社區(qū)之間的節(jié)點連接相對稀疏。因此,有必要研究社區(qū)的定量刻畫以及復(fù)雜網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)的有效挖掘算法。近年來,社區(qū)發(fā)現(xiàn)技術(shù)作為社區(qū)結(jié)構(gòu)的挖掘算法,在數(shù)據(jù)挖掘中是一個極為重要的技術(shù),而且在社會學(xué)、生物學(xué)、市場學(xué)等領(lǐng)域有著廣泛的應(yīng)用,蘊含著巨大的商機(jī)。本文會將網(wǎng)絡(luò)信息和節(jié)點特征信息都加入到社區(qū)發(fā)現(xiàn)模型中。使用基于非負(fù)矩陣分解的方法,加入?yún)f(xié)變量,建立帶協(xié)變量的非負(fù)矩陣分解社區(qū)發(fā)現(xiàn)模型,進(jìn)行社區(qū)發(fā)現(xiàn)。文中研究表明,節(jié)點協(xié)變量可以靈活的加入到新模型中。也就是,根據(jù)不同協(xié)變量影響社區(qū)結(jié)構(gòu)的重要程度不同,協(xié)變量以不同的權(quán)重加入到模型中;另一方面,模型可以選擇出對社區(qū)結(jié)構(gòu)有影響的協(xié)變量,淘汰沒有影響的協(xié)變量。從文中也可以看到,帶協(xié)變量的非負(fù)矩陣分解方法在模擬和實例應(yīng)用中取得了很好的效果。
[Abstract]:Up to now, we have entered the complex network era, and there are various complex networks in our life, such as mobile communication network, transportation network, power network and so on. Our daily life and production activities depend more and more on the security, reliability and efficiency of these complex network systems. What is important is that many studies show that these seemingly different networks have common concepts, theories and methods, which make it necessary to study complex networks. Network science has become a new research field, and has made rapid development. At present, the main research contents of network science include discovering the nature of network, establishing network model, analyzing network behavior and designing network performance. Community structure is a common property of many real networks, that is, the whole network is composed of several communities, the connections between nodes within each community are relatively close, and the connections between communities are relatively sparse. Therefore, it is necessary to study the quantitative characterization of community and the effective mining algorithm of complex network community structure. In recent years, as a mining algorithm of community structure, community discovery technology is an extremely important technology in data mining, and it has been widely used in sociology, biology, marketing and other fields, which contains huge business opportunities. In this paper, both network information and node feature information are added to the community discovery model. Based on the method of non-negative matrix decomposition, the community discovery model of non-negative matrix factorization with covariable is established, and the community discovery is carried out. The research shows that the node covariable can be added to the new model flexibly. That is, according to the importance of different covariables affecting community structure, covariables are added to the model with different weights; on the other hand, the model can select the covariables that have influence on the community structure and eliminate the unaffected covariables. It can also be seen from the paper that the nonnegative matrix decomposition method with covariables has achieved good results in simulation and practical application.
【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2條

1 馬松霞;鄭忠龍;盧進(jìn)軍;;一個基于內(nèi)容的圖像檢索系統(tǒng)的實現(xiàn)[J];宜春學(xué)院學(xué)報(自然科學(xué));2006年06期

2 楊軒;;一種基于gamma分布的NMF算法及其在人臉識別中的應(yīng)用[J];通化師范學(xué)院學(xué)報;2007年10期

相關(guān)會議論文 前10條

1 孫江明;李通化;;非平滑三維非負(fù)矩陣分解[A];第九屆全國計算（機(jī)）化學(xué)學(xué)術(shù)會議論文摘要集[C];2007年

2 蔣永鍇;葉東毅;;基于稀疏非負(fù)矩陣分解的自動多文摘方法[A];中國計算機(jī)語言學(xué)研究前沿進(jìn)展（2007-2009）[C];2009年

3 馬帥;吳飛;楊易;邵健;;基于稀疏非負(fù)矩陣分解的圖像檢索[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2011)論文集【oral】[C];2011年

4 徐利民;龔珊;余再軍;;奇異值分解與非負(fù)矩陣分解色在數(shù)據(jù)降維方面的特性分析[A];2010年通信理論與信號處理學(xué)術(shù)年會論文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非負(fù)矩陣分解和支持向量機(jī)的軸心軌跡圖識別[A];2008年全國振動工程及應(yīng)用學(xué)術(shù)會議暨第十一屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2008年

6 蔣霈霖;;KL散度下的非負(fù)矩陣分解[A];中國自動化學(xué)會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

7 楊寶;朱啟兵;黃敏;;基于非負(fù)矩陣分解一稀疏表示分類的玻璃缺陷圖像識別[A];第24屆中國控制與決策會議論文集[C];2012年

8 錢樂樂;高雋;徐小紅;;非負(fù)性約束的圖像稀疏編碼[A];第七屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2009年

9 朱昊;黃源水;付夢印;;基于NMF的道路識別算法在野外環(huán)境感知中的應(yīng)用[A];第九屆全國光電技術(shù)學(xué)術(shù)交流會論文集（下冊）[C];2010年

10 鄭能恒;蔡毅;李霞;Tan Lee;;基于非負(fù)矩陣分解和向量相似測度的語音與音樂分離算法[A];第十一屆全國人機(jī)語音通訊學(xué)術(shù)會議論文集（一）[C];2011年

相關(guān)博士學(xué)位論文 前10條

1 楊士準(zhǔn);基于樣本和特征的遷移學(xué)習(xí)方法及應(yīng)用[D];國防科學(xué)技術(shù)大學(xué);2013年

2 葉軍;基于正則化方法的非負(fù)矩陣分解算法及其應(yīng)用研究[D];南京理工大學(xué);2014年

3 陸玉武;圖像分類中流形回歸與非負(fù)矩陣分解研究[D];哈爾濱工業(yè)大學(xué);2015年

4 張恩德;在線社會網(wǎng)絡(luò)分析與挖掘若干關(guān)鍵問題研究[D];東北大學(xué);2014年

5 張翔;投影非負(fù)矩陣分解算法研究及其應(yīng)用[D];國防科學(xué)技術(shù)大學(xué);2015年

6 胡俐蕊;非負(fù)矩陣分解方法及其在選票圖像識別中的應(yīng)用[D];安徽大學(xué);2013年

7 殷海青;圖像分析中的非負(fù)矩陣分解理論及其最優(yōu)化和正則化方法研究[D];西安電子科技大學(xué);2011年

8 楊洪禮;非負(fù)矩陣與張量分解及其應(yīng)用[D];山東科技大學(xué);2011年

9 史加榮;多尺度張量逼近及應(yīng)用[D];西安電子科技大學(xué);2012年

10 方蔚濤;人臉識別特征抽取算法的研究[D];重慶大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 劉榮;帶協(xié)變量的非負(fù)矩陣分解的社區(qū)發(fā)現(xiàn)模型[D];東北師范大學(xué);2017年

2 謝昊;非負(fù)矩陣分解初始化及其應(yīng)用[D];暨南大學(xué);2015年

3 王一;凸與半非負(fù)矩陣分解的近點梯度方法研究[D];東北師范大學(xué);2015年

4 項磊;基于乳腺癌計算機(jī)輔助診斷的病理圖像分析[D];南京信息工程大學(xué);2015年

5 王丹;基于非負(fù)矩陣分解的腦電信號特征提取算法研究[D];燕山大學(xué);2015年

6 馬春霞;非負(fù)矩陣分解及在基因表達(dá)數(shù)據(jù)分析中的應(yīng)用研究[D];曲阜師范大學(xué);2015年

7 崔艷榮;基于非負(fù)矩陣分解的高光譜遙感數(shù)據(jù)融合方法分析及應(yīng)用[D];電子科技大學(xué);2014年

8 賴淑珍;非負(fù)矩陣分解若干算法研究與應(yīng)用[D];電子科技大學(xué);2014年

9 趙龍;基于多流形正則化非負(fù)矩陣分解的多視圖聚類[D];大連理工大學(xué);2015年

10 黃震;基于多視角非負(fù)矩陣分解的同名區(qū)分算法研究[D];大連理工大學(xué);2015年

，

本文編號：2250575