本文選題：復雜網絡 + 社區(qū)發(fā)現(xiàn)�。� 參考：《天津大學》2015年博士論文

【摘要】：真實世界不同領域的很多復雜系統(tǒng)都可以抽象為復雜網絡,復雜網絡的關鍵特征之一是社區(qū)結構。它是指網絡中同一社區(qū)內的節(jié)點連接緊密,不同社區(qū)的節(jié)點連接稀疏。社區(qū)結構對理解網絡的組織結構和不同功能性模塊間的交互提供了有價值的信息,因此成為復雜網絡領域的重要研究內容之一。本文主要基于生成模型和非負矩陣分解算法,對無監(jiān)督和半監(jiān)督社區(qū)發(fā)現(xiàn)問題進行研究,并提出相應的社區(qū)發(fā)現(xiàn)算法。主要工作如下:(1)“橫向”視角看,社區(qū)結構中的一個普遍結構是重疊社區(qū),同時網絡中也會有一些中心節(jié)點和異常節(jié)點。本文提出了一種新的生成模型,通過非負矩陣分解的優(yōu)化方法求解模型參數(shù),能夠天然發(fā)現(xiàn)這三種結構。實驗結果顯示該模型能夠發(fā)現(xiàn)有更高質量的重疊社區(qū)結構,而且同時識別重疊社區(qū)、中心節(jié)點和異常節(jié)點能為分析網絡提供更多信息。(2)“縱向”視角看,不同的分辨率層次下有不同的社區(qū)規(guī)模,同時發(fā)現(xiàn)層次和重疊社區(qū)對理解網絡可以提供更豐富的信息。本文將對稱非負矩陣分解方法和l2,1范數(shù)正則項結合,來檢測層次和重疊社區(qū)結構。l2,1范數(shù)可以懲罰無意義的社區(qū),達到自動選擇社區(qū)的目的。進而通過引入分辨率參數(shù),可以得到不同分辨率參數(shù)下的社區(qū)個數(shù),達到同時檢測層次和重疊社區(qū)的目的。(3)網絡中除了拓撲結構信息,還有節(jié)點的標簽以及節(jié)點之間的mustlink約束信息。本文提出一種半監(jiān)督學習模型融合這兩種信息,保證了具有相同標簽或者相互之間有must-link約束的節(jié)點被分到同一個社區(qū)。進而本文又提出了基于節(jié)點拓撲結構線性表達的主動學習模型,該模型能夠選擇出最有代表性的節(jié)點,通過引入這些關鍵節(jié)點的非拓撲信息,能盡可能提高半監(jiān)督社區(qū)發(fā)現(xiàn)方法的有效性。本文提出的社區(qū)發(fā)現(xiàn)新方法,是對社區(qū)發(fā)現(xiàn)相關問題的有效探索,豐富了相關研究內容,具有一定的理論意義和應用價值。
[Abstract]:Many complex systems in different fields of the real world can be abstracted as complex networks, and one of the key features of complex networks is community structure.It means that the nodes in the same community are closely connected, and the nodes in different communities are sparse.Community structure provides valuable information for understanding the organizational structure of the network and the interaction between different functional modules, so it has become one of the important research contents in the field of complex network.Based on the generation model and the non-negative matrix decomposition algorithm, the unsupervised and semi-supervised community discovery problems are studied in this paper, and the corresponding community discovery algorithms are proposed.The main work is as follows: 1) from the perspective of "horizontal", a common structure in community structure is overlapping community, at the same time, there will be some central nodes and abnormal nodes in the network.In this paper, a new generation model is proposed, which can be found naturally by solving the parameters of the model by the optimization method of non-negative matrix decomposition.The experimental results show that the model can find higher quality overlapping community structures and identify overlapping communities simultaneously. The central node and abnormal node can provide more information for the analysis of the network.There are different community sizes at different resolution levels, and it is found that hierarchical and overlapping communities can provide more information for understanding the network.In this paper, the symmetric nonnegative matrix decomposition method is combined with the L _ 2N _ 1 norm canonical term to detect the hierarchy and overlapping community structure. The norm. L _ 2N _ 1 can punish the meaningless community and achieve the purpose of automatically selecting the community.Furthermore, by introducing resolution parameters, the number of communities under different resolution parameters can be obtained, and the purpose of detecting hierarchical and overlapping communities at the same time is achieved.There is also the label of the node and the mustlink constraint information between the nodes.In this paper, a semi-supervised learning model is proposed to fuse these two kinds of information to ensure that nodes with the same label or each other with must-link constraints are assigned to the same community.Furthermore, an active learning model based on the linear representation of node topology is proposed. The model can select the most representative nodes and introduce the non-topological information of these key nodes.It can improve the effectiveness of semi-supervised community discovery method as much as possible.The new method of community discovery proposed in this paper is an effective exploration of community discovery related problems and enriches the relevant research contents. It has certain theoretical significance and application value.
【學位授予單位】：天津大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP301.6

【相似文獻】

相關期刊論文 前10條

1 史加榮;鄭秀云;周水生;;矩陣補全算法研究進展[J];計算機科學;2014年04期

2 李聰;駱志剛;;用于魯棒協(xié)同推薦的元信息增強變分貝葉斯矩陣分解模型[J];自動化學報;2011年09期

3 袁運祥;基于矩陣分解的子結構法求解介紹[J];計算機應用通訊;1981年00期

4 張海建;;分布式矩陣分解算法在推薦系統(tǒng)中的研究與應用[J];科技通報;2013年12期

5 何朕,趙文斌,于達仁;攝動矩陣的分解[J];電機與控制學報;2004年03期

6 李華云;;F范數(shù)及矩陣分解實例研究[J];現(xiàn)代情報;2008年10期

7 鄒理和;;系數(shù)矩陣分解二維譜估值[J];信號處理;1985年03期

8 陳伯倫;陳];鄒盛榮;徐秀蓮;;基于矩陣分解的二分網絡社區(qū)挖掘算法[J];計算機科學;2014年02期

9 王鋒;趙志文;牟盛;;整數(shù)提升小波多相矩陣分解系數(shù)的快速提取算法[J];中國圖象圖形學報;2012年03期

10 段華杰;;考慮時間效應的矩陣分解技術在推薦系統(tǒng)中的應用[J];微型電腦應用;2013年03期

相關會議論文 前2條

1 王春江;錢若軍;王人鵬;楊聯(lián)萍;;矩陣分解在張力集成體系模態(tài)分析中的應用[A];第九屆全國結構工程學術會議論文集第Ⅰ卷[C];2000年

2 王春江;王人鵬;錢若軍;王穎;;矩陣分解技術在體系性態(tài)綜合分析中的初步應用[A];“力學2000”學術大會論文集[C];2000年

相關博士學位論文 前7條

1 王中卿;基于文本信息的社會關系分析與研究[D];蘇州大學;2016年

2 王嘯;基于生成模型和矩陣分解的社區(qū)發(fā)現(xiàn)算法研究[D];天津大學;2015年

3 李英明;矩陣分解在數(shù)據挖掘中的應用[D];浙江大學;2014年

4 趙科科;低秩矩陣分解的正則化方法與應用[D];浙江大學;2012年

5 郭亦鴻;利用穆勒矩陣分解定量測量各向異性介質微觀結構[D];清華大學;2014年

6 胡惠軼;基于分解的系統(tǒng)辨識方法研究[D];江南大學;2014年

7 陳根浪;基于社交媒體的推薦技術若干問題研究[D];浙江大學;2012年

相關碩士學位論文 前10條

1 秦曉暉;個性化微博推薦方法研究[D];華南理工大學;2015年

2 劉鳳林;基于矩陣分解的協(xié)同過濾推薦算法研究[D];南京理工大學;2015年

3 李源鑫;基于提升的信任融合矩陣分解推薦算法[D];福建師范大學;2015年

4 陳洪濤;基于矩陣分解的常規(guī)與長尾捆綁推薦的博弈研究[D];福建師范大學;2015年

5 張濟龍;基于概率矩陣分解的推薦算法研究[D];燕山大學;2015年

6 鄧志豪;基于物品相似度和主題回歸的矩陣分解推薦算法[D];浙江大學;2015年

7 余露;利用矩陣分解算法建模數(shù)據稀疏環(huán)境下用戶協(xié)同行為[D];杭州師范大學;2015年

8 倪澤明;混合用戶行為建模的概率矩陣分解推薦算法[D];浙江大學;2015年

9 丁浩;基于協(xié)同矩陣分解的藥物靶標相互作用關系預測[D];復旦大學;2014年

10 吳世偉;社會網絡中的鏈接分析[D];復旦大學;2014年

，

本文編號：1769911