發(fā)布時間：2021-06-26 16:47

　　復(fù)雜網(wǎng)絡(luò)廣泛存在于人們的生產(chǎn)生活中,該領(lǐng)域研究的一個重要方向是對網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)的劃分和演化分析,它有助于認知復(fù)雜網(wǎng)絡(luò)的結(jié)構(gòu)和功能,并對諸如廣告投放、信息傳播管理、個性推薦等應(yīng)用領(lǐng)域具有重要的意義。在現(xiàn)有的使用經(jīng)典聚類算法對網(wǎng)絡(luò)進行社區(qū)發(fā)現(xiàn)時,由于表示網(wǎng)絡(luò)的矩陣維度高,局部信息缺失等問題,社區(qū)發(fā)現(xiàn)準確性不高。而在現(xiàn)有社區(qū)演化預(yù)測研究中,主要問題體現(xiàn)在兩方面,其一是所構(gòu)造的預(yù)測特征集通常只包含體現(xiàn)社區(qū)靜態(tài)屬性的特征,沒有考慮社區(qū)演化過程中的動態(tài)屬性,使得其中的時序信息沒有被充分使用,預(yù)測結(jié)果不夠準確,其二是通過提取演化鏈的方式描述社區(qū)演化,無法直觀表現(xiàn)社區(qū)分裂和融合的演化情況。針對以上問題,本文在社區(qū)發(fā)現(xiàn)和社區(qū)演化預(yù)測兩個方面,結(jié)合了深度學(xué)習(xí)模型的優(yōu)勢,分別提出了基于深度學(xué)習(xí)模型的社區(qū)發(fā)現(xiàn)方法以及社區(qū)演化預(yù)測方法,以提高社區(qū)發(fā)現(xiàn)和演化預(yù)測的準確性。（1）針對網(wǎng)絡(luò)的鄰接矩陣使用跳數(shù)連接,將鄰接矩陣轉(zhuǎn)化為相似性矩陣,全面地反映網(wǎng)絡(luò)中每個節(jié)點的局部信息。構(gòu)建帶有注意力機制的深度稀疏自編碼器網(wǎng)絡(luò)模型,提取相似性矩陣低維特征,降低聚類任務(wù)復(fù)雜度,提高了對網(wǎng)絡(luò)拓撲結(jié)構(gòu)中社區(qū)結(jié)構(gòu)的表達能力。最后采用經(jīng)典聚... 

【文章來源】：中國礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

復(fù)雜網(wǎng)絡(luò)示意圖

4基于長短期記憶網(wǎng)絡(luò)的社區(qū)演化預(yù)測41圖4-2HepTh部分特征與演化事件相關(guān)性Figure4-2CorrelationbetweensomefeaturesandevolutionaryeventsofHepTh圖4-3Enron部分特征與演化事件相關(guān)性Figure4-3CorrelationbetweensomefeaturesandevolutionaryeventsofEnron4.4本章小結(jié)(Summary)本文提出了基于長短期記憶網(wǎng)絡(luò)的社區(qū)演化預(yù)測方法，首先從核心節(jié)點屬性、社區(qū)結(jié)構(gòu)、時序、行為提取多元社區(qū)特征，全面準確地表征社區(qū)演化特性；其次，檢測不同時間窗口社區(qū)發(fā)生的演化事件并構(gòu)造演化樹；然后，對于提取的特征，

4基于長短期記憶網(wǎng)絡(luò)的社區(qū)演化預(yù)測41圖4-2HepTh部分特征與演化事件相關(guān)性Figure4-2CorrelationbetweensomefeaturesandevolutionaryeventsofHepTh圖4-3Enron部分特征與演化事件相關(guān)性Figure4-3CorrelationbetweensomefeaturesandevolutionaryeventsofEnron4.4本章小結(jié)(Summary)本文提出了基于長短期記憶網(wǎng)絡(luò)的社區(qū)演化預(yù)測方法，首先從核心節(jié)點屬性、社區(qū)結(jié)構(gòu)、時序、行為提取多元社區(qū)特征，全面準確地表征社區(qū)演化特性；其次，檢測不同時間窗口社區(qū)發(fā)生的演化事件并構(gòu)造演化樹；然后，對于提取的特征，

【參考文獻】：
期刊論文
[1]多特征融合的標簽傳播算法[J]. 秦強,生佳根,嚴長春.  計算機與數(shù)字工程. 2019(12)
[2]深度卷積神經(jīng)網(wǎng)絡(luò)模型發(fā)展綜述[J]. 洪奇峰,施偉斌,吳迪,羅力源.  軟件導(dǎo)刊. 2020(04)
[3]基于Attention深度隨機森林的社區(qū)演化事件預(yù)測[J]. 潘劍飛,曹燕,董一鴻,陳華輝,錢江波.  電子學(xué)報. 2019(10)
[4]循環(huán)神經(jīng)網(wǎng)絡(luò)的發(fā)展綜述[J]. 夏瑜潞.  電腦知識與技術(shù). 2019(21)
[5]基于標簽傳播的蟻群優(yōu)化算法求解社區(qū)發(fā)現(xiàn)問題[J]. 顧軍華,江帆,武君艷,許馨勻,張素琪.  計算機應(yīng)用與軟件. 2019(06)
[6]受限玻爾茲曼機研究綜述[J]. 張健,丁世飛,張楠,杜鵬,杜威,于文家.  軟件學(xué)報. 2019(07)
[7]自編碼神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用綜述[J]. 袁非牛,章琳,史勁亭,夏雪,李鋼.  計算機學(xué)報. 2019(01)
[8]社團演化特征構(gòu)造及預(yù)測[J]. 何偉,胡學(xué)鋼,李磊,林耀進,李慧宗,潘劍寒.  小型微型計算機系統(tǒng). 2018(05)
[9]深度置信網(wǎng)絡(luò)模型及應(yīng)用研究綜述[J]. 劉方園,王水花,張煜東.  計算機工程與應(yīng)用. 2018(01)
[10]基于深度稀疏自動編碼器的社區(qū)發(fā)現(xiàn)算法[J]. 尚敬文,王朝坤,辛欣,應(yīng)翔.  軟件學(xué)報. 2017(03)



本文編號：3251701