社區(qū)發(fā)現(xiàn)（Community discovery）作為數(shù)據(jù)挖掘領(lǐng)域的重要研究方法,可以實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)中隱藏信息的挖掘。在產(chǎn)品推薦、廣告投放和輿情監(jiān)測(cè)等方面有著重要的研究?jī)r(jià)值。但目前大部分社區(qū)發(fā)現(xiàn)方法的研究,都是在同質(zhì)網(wǎng)絡(luò)（Homogeneous Network）中展開(kāi)的,即將網(wǎng)絡(luò)中所有節(jié)點(diǎn)都定義為同一種類型。然而,實(shí)際生活中大多數(shù)網(wǎng)絡(luò)都是異質(zhì)網(wǎng)絡(luò)（Heterogeneous Network）,即網(wǎng)絡(luò)中的節(jié)點(diǎn)和邊都是多類型的。近年來(lái),異質(zhì)網(wǎng)絡(luò)受到了越來(lái)越多的學(xué)者關(guān)注,原因是異質(zhì)網(wǎng)絡(luò)與實(shí)際網(wǎng)絡(luò)相符合,但異質(zhì)網(wǎng)絡(luò)中多類型的節(jié)點(diǎn)和鏈接關(guān)系使網(wǎng)絡(luò)變得異常復(fù)雜,同時(shí)也為社區(qū)發(fā)現(xiàn)方法的研究帶來(lái)了巨大挑戰(zhàn)。由此,本文針對(duì)異質(zhì)網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法進(jìn)行了深入的研究。其主要研究?jī)?nèi)容有:1、構(gòu)建能夠表示異質(zhì)網(wǎng)絡(luò)的模型并對(duì)模型中的節(jié)點(diǎn)進(jìn)行處理;2、提出一種改進(jìn)K-means的社區(qū)發(fā)現(xiàn)算法。1、異質(zhì)網(wǎng)絡(luò)模型構(gòu)建及模型中節(jié)點(diǎn)的處理:首先使用超圖建模,超圖模型可以把不同類型節(jié)點(diǎn)、不同語(yǔ)義的邊表達(dá)在一個(gè)網(wǎng)絡(luò)中,從而表示異質(zhì)網(wǎng)絡(luò)中的多類型節(jié)點(diǎn)及復(fù)雜關(guān)系。此外,在超圖模型中使用DeepWalk網(wǎng)絡(luò)表示學(xué)習(xí)算法,將超圖表示的異質(zhì)網(wǎng)絡(luò)... 

【文章來(lái)源】：內(nèi)蒙古科技大學(xué)內(nèi)蒙古自治區(qū)

【文章頁(yè)數(shù)】：51 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)內(nèi)研究現(xiàn)狀
        1.2.2 國(guó)外研究現(xiàn)狀
    1.3 研究?jī)?nèi)容與研究方法
    1.4 本文結(jié)構(gòu)
第2章 復(fù)雜網(wǎng)絡(luò)中異質(zhì)信息網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)算法
    2.1 復(fù)雜網(wǎng)絡(luò)
        2.1.1 復(fù)雜網(wǎng)絡(luò)概述
        2.1.2 同質(zhì)網(wǎng)絡(luò)
        2.1.3 異質(zhì)網(wǎng)絡(luò)
    2.2 社區(qū)及其定義
    2.3 社區(qū)發(fā)現(xiàn)算法
        2.3.1 基于劃分的社區(qū)發(fā)現(xiàn)算法
        2.3.2 基于模塊度優(yōu)化的社區(qū)發(fā)現(xiàn)算法
        2.3.3 基于聚類的社區(qū)發(fā)現(xiàn)算法
    2.4 本章小結(jié)
第3章 基于超圖的異質(zhì)信息網(wǎng)絡(luò)建模
    3.1 網(wǎng)絡(luò)表示學(xué)習(xí)中的Deep Walk算法
        3.1.1 網(wǎng)絡(luò)表示學(xué)習(xí)算法
        3.1.2 Deep Walk算法
    3.2 超圖
        3.2.1 圖與超圖
        3.2.2 超圖的相關(guān)算法及應(yīng)用
    3.3 基于超圖和Deep Walk的節(jié)點(diǎn)向量表示
    3.4 本章小結(jié)
第4章 基于改進(jìn)K-means的社區(qū)發(fā)現(xiàn)算法
    4.1 傳統(tǒng)的K-means算法
        4.1.1 傳統(tǒng)K-means算法的基本原理
        4.1.2 傳統(tǒng)K-means算法處理流程
        4.1.3 傳統(tǒng)K-means算法中存在的問(wèn)題
    4.2 改進(jìn)K-means的社區(qū)發(fā)現(xiàn)算法
        4.2.1 聚類中心的選擇
        4.2.2 參數(shù)的取值
    4.3 本章小結(jié)
第5章 實(shí)驗(yàn)與結(jié)果分析
    5.1 實(shí)驗(yàn)環(huán)境
    5.2 評(píng)價(jià)標(biāo)準(zhǔn)及實(shí)驗(yàn)數(shù)據(jù)集
        5.2.1 評(píng)價(jià)標(biāo)準(zhǔn)
        5.2.2 實(shí)驗(yàn)數(shù)據(jù)集
    5.3 參數(shù)分析與調(diào)優(yōu)
    5.4 試驗(yàn)結(jié)果與分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 研究工作總結(jié)
    6.2 課題展望
參考文獻(xiàn)
在學(xué)研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]K-means算法聚類中心選取[J]. 張朝,郭秀娟,張坤鵬.  吉林大學(xué)學(xué)報(bào)(信息科學(xué)版). 2019(04)
[2]基于異質(zhì)學(xué)術(shù)超網(wǎng)的文獻(xiàn)評(píng)價(jià)[J]. 高晨暉,姜曉睿,葉政君,梁榮華.  情報(bào)學(xué)報(bào). 2016 (08)
[3]基于語(yǔ)義路徑的異質(zhì)網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法[J]. 吳奇,陳福才,黃瑞陽(yáng),常振超.  電子學(xué)報(bào). 2016(06)
[4]基于數(shù)據(jù)密集性的自適應(yīng)K均值初始化方法[J]. 韓最蛟.  計(jì)算機(jī)應(yīng)用與軟件. 2014(02)
[5]層次聚類社區(qū)發(fā)現(xiàn)算法的研究[J]. 龔尚福,陳婉璐,賈澎濤.  計(jì)算機(jī)應(yīng)用研究. 2013(11)
[6]基于重疊模塊度的社區(qū)離群點(diǎn)檢測(cè)[J]. 封海岳,薛安榮.  計(jì)算機(jī)應(yīng)用與軟件. 2013(05)
[7]復(fù)雜網(wǎng)絡(luò)中的二階鄰居網(wǎng)絡(luò)[J]. 張偉,汲長(zhǎng)飛,童向榮.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2013(02)
[8]一種改進(jìn)的標(biāo)簽傳播快速社區(qū)發(fā)現(xiàn)方法[J]. 康旭彬,賈彩燕.  合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(01)
[9]MapReduce環(huán)境下的并行復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)[J]. 饒君,吳斌,東昱曉.  軟件學(xué)報(bào). 2012(12)
[10]基于異質(zhì)網(wǎng)絡(luò)的意見(jiàn)領(lǐng)袖社區(qū)發(fā)現(xiàn)[J]. 張偉哲,王佰玲,何慧,譚卓鵬.  電子學(xué)報(bào). 2012(10)

博士論文
[1]復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)影響力模型及其應(yīng)用[D]. 王益文.浙江大學(xué) 2015
[2]復(fù)雜網(wǎng)絡(luò)社團(tuán)結(jié)構(gòu)模型與算法及其在生物網(wǎng)絡(luò)中的應(yīng)用[D]. 馬小科.西安電子科技大學(xué) 2014



本文編號(hào)：3187409