社區(qū)發(fā)現(xiàn)技術(shù)可以挖掘網(wǎng)絡(luò)中的子結(jié)構(gòu),是了解和分析復(fù)雜社會結(jié)構(gòu)的寶貴工具。通過社區(qū)發(fā)現(xiàn)技術(shù)可以揭示原始網(wǎng)絡(luò)中隱蔽的社區(qū)結(jié)構(gòu),從而分析復(fù)雜網(wǎng)絡(luò)的潛在特征。社區(qū)發(fā)現(xiàn)的主流算法是基于網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)來探索社區(qū),但是在Facebook等真實社交網(wǎng)絡(luò)中,由于垃圾郵件或釣魚賬戶等異常的連接隨處可見,虛假的節(jié)點屬性和拓?fù)浣Y(jié)構(gòu)給社區(qū)發(fā)現(xiàn)帶來影響,若不及時發(fā)現(xiàn)甚至?xí)䲠U大謠言或病毒的傳播。同時,隨著近年來數(shù)據(jù)信息的爆炸式增長,社區(qū)中的特征降維也成為網(wǎng)絡(luò)中的重要研究課題,近年來引起了很多學(xué)者的廣泛關(guān)注。但是,基于社區(qū)降維所開發(fā)的大多數(shù)算法都利用了經(jīng)典理論,結(jié)果耗費了大量時間卻對復(fù)雜網(wǎng)絡(luò)效果不佳。因此,要正確認(rèn)識社區(qū)結(jié)構(gòu),發(fā)現(xiàn)對社區(qū)聚類影響的異常點很重要。同時應(yīng)用高效的數(shù)據(jù)降維方法對提高社區(qū)發(fā)現(xiàn)質(zhì)量具有重要意義。為此,本文提出基于變分自動編碼器的社區(qū)發(fā)現(xiàn)及異常點檢測方法。第一,基于圖嵌入的方式提出無監(jiān)督的異常點檢測方法,有效結(jié)合社區(qū)連接結(jié)構(gòu)和屬性特征,降低異常點對總損失函數(shù)的貢獻(xiàn),從而優(yōu)化圖嵌入總損失函數(shù)。第二,基于ktrnss找到社區(qū)的核心結(jié)構(gòu),通過對不同數(shù)據(jù)集核心結(jié)構(gòu)的搜索可以初始限定k值的范圍。一方面保證了... 

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容
    1.4 本文組織結(jié)構(gòu)
2 相關(guān)理論基礎(chǔ)
    2.1 社區(qū)發(fā)現(xiàn)算法
        2.1.1 網(wǎng)絡(luò)社區(qū)
        2.1.2 屬性網(wǎng)絡(luò)
        2.1.3 ktruss算法
    2.2 異常點檢測
    2.3 自動編碼器
        2.3.1 簡單的自動編碼器
        2.3.2 變分自動編碼器
    2.4 本章小結(jié)
3 網(wǎng)絡(luò)異常點與核心結(jié)構(gòu)檢測
    3.1 異常點檢測
        3.1.1 模型介紹
        3.1.2 目標(biāo)函數(shù)
        3.1.3 交替最小化計算參數(shù)
    3.2 實驗結(jié)果與分析
        3.2.1 實驗環(huán)境與實驗數(shù)據(jù)集
        3.2.2 模型參數(shù)與實驗過程
        3.2.3 實驗結(jié)果與分析
    3.3 ktruss網(wǎng)絡(luò)核心結(jié)構(gòu)及其在社區(qū)發(fā)現(xiàn)上的應(yīng)用
        3.3.1 ktruss算法
        3.3.2 實驗結(jié)果與分析
    3.4 本章小結(jié)
4 基于變分自動編碼器的降維
    4.1 變分自動編碼器介紹
        4.1.1 模型結(jié)構(gòu)
        4.1.2 目標(biāo)函數(shù)
    4.2 實驗結(jié)果與分析
        4.2.1 實驗環(huán)境與實驗數(shù)據(jù)集
        4.2.2 模型參數(shù)與實驗過程
        4.2.3 實驗結(jié)果與分析
    4.3 本章小結(jié)
5 基于變分自動編碼器的社區(qū)發(fā)現(xiàn)算法實驗與分析
    5.1 社區(qū)發(fā)現(xiàn)設(shè)計
    5.2 實驗對比與評價標(biāo)準(zhǔn)
    5.3 社區(qū)發(fā)現(xiàn)實驗結(jié)果
        5.3.1 實驗指標(biāo)對比
        5.3.2 實驗結(jié)果
        5.3.3 結(jié)果可視化
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 工作展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間主要研究成果


【參考文獻(xiàn)】：
期刊論文
[1]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)
[2]Deep Auto-encoded Clustering Algorithm for Community Detection in Complex Networks[J]. WANG Feifan,ZHANG Baihai,CHAI Senchun.  Chinese Journal of Electronics. 2019(03)



本文編號：3703550