本文關(guān)鍵詞：基于生成模型的大規(guī)模網(wǎng)絡(luò)廣義社區(qū)發(fā)現(xiàn)方法研究，由筆耕文化傳播整理發(fā)布。

開題報告是由選題者把自己所選的課題的概況(即"開題報告內(nèi)容")，向有關(guān)專家、學(xué)者、科技人員進行陳述，以下 是一篇關(guān)于計算機網(wǎng)絡(luò)信息技術(shù)論文開題報告，供大家參考!

論文題目：基于生成模型的大規(guī)模網(wǎng)絡(luò)廣義社區(qū)發(fā)現(xiàn)方法研究

一、研究背景

互聯(lián)網(wǎng)時代催生了社會媒體和在線社交平臺的蓬勃發(fā)展，這些網(wǎng)絡(luò)具有用戶自由表達意愿及產(chǎn)生信息的功能，成為人們信息生成、傳播及交流的主要模式。流行的在線社交平臺有Wikipedia、My Space、Facebook、YouTtibe、Twitter、微信、騰訊、淘寶、亞馬遜、人人網(wǎng)、新浪微博、博客等。根據(jù)IntemetLiveStats報道，截至2014年11月，數(shù)字世界再次到達另一個重要的里程碑，全球互聯(lián)網(wǎng)用戶數(shù)量超過了30億人大關(guān);Facebook用戶達到13.5億，活躍用戶基數(shù)顯示增長了2.3%; Twitter有6億用戶;人人網(wǎng)有2.8億用戶;新浪微博有5.6億用戶;亞馬遜每個月用戶達7900萬;淘寶有5億用戶，雙十一時淘寶用戶增至350億。用戶、消費者等實體對這些在線社交平臺的應(yīng)用興趣愈加濃厚。普通用戶通過在線社會網(wǎng)絡(luò)進行各類交互，如用戶通過微信、微博、Twitter進行關(guān)注、轉(zhuǎn)帖等操作，基于這些操作信息可構(gòu)建各類網(wǎng)絡(luò)。消費者通過在線社交平臺了解商家，如淘寶、當(dāng)當(dāng)、京東、亞馬遜等商業(yè)營銷網(wǎng)絡(luò)平臺，對各個商家進行關(guān)注、購買、評價等行為，基于這些行為形成多種交互網(wǎng)絡(luò)。這些在線網(wǎng)絡(luò)平臺用戶每天產(chǎn)生龐大的關(guān)系數(shù)據(jù)和內(nèi)容數(shù)據(jù)，用戶的增加也使網(wǎng)絡(luò)由原來的以數(shù)據(jù)為中心變?yōu)橐杂脩魹橹行�，網(wǎng)絡(luò)信息獲取由原來的網(wǎng)頁搜索方式變?yōu)榫W(wǎng)絡(luò)群體智能挖掘方式。商家將在線社交平臺作為信息獲取源頭，挖掘大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)獲取信息，為進行各類市場營銷產(chǎn)生盈利提供依據(jù)，在線社交平臺成為下一代商務(wù)智能平臺的重要部分。政府部門挖掘在線社交平臺產(chǎn)生數(shù)據(jù)結(jié)構(gòu)規(guī)律，進行突發(fā)事件監(jiān)測、輿情監(jiān)控、恐怖活動預(yù)防等。網(wǎng)絡(luò)產(chǎn)生大量的數(shù)據(jù)可建模為關(guān)系網(wǎng)絡(luò)，節(jié)點表示實體，包括用戶、網(wǎng)頁、組織等，節(jié)點邊表示實體交互關(guān)系。如TNvitter用戶關(guān)注網(wǎng)絡(luò)節(jié)點表示用戶，邊表示用戶間的關(guān)系;博客網(wǎng)頁鏈接網(wǎng)絡(luò)，節(jié)點表示網(wǎng)頁，邊表示網(wǎng)頁間的引用關(guān)系;淘寶商家和用戶構(gòu)成的混合網(wǎng)絡(luò)，節(jié)點表示用戶或商家，邊表示用戶間關(guān)系、商家間關(guān)系及用戶和商家間的關(guān)系。構(gòu)建的網(wǎng)絡(luò)系統(tǒng)除了包含大量鏈接之外，節(jié)點還包括豐富的內(nèi)容屬性。如用戶發(fā)布的信息、博客網(wǎng)頁的文本信息。在線社交平臺產(chǎn)生越來越多的網(wǎng)絡(luò)數(shù)據(jù)，其具有結(jié)構(gòu)復(fù)雜、規(guī)模龐大、內(nèi)容豐富等特點。對網(wǎng)絡(luò)數(shù)據(jù)進行挖掘和分析有助于我們了解和管理各類系統(tǒng)，進而為決策者提供決策依據(jù)。己有成果表明對網(wǎng)絡(luò)數(shù)據(jù)的研宄主要從3個層面進行：復(fù)雜網(wǎng)絡(luò)理論和算法理論;社會網(wǎng)絡(luò)分析，包括網(wǎng)絡(luò)的微觀(Micro)、中觀(Meso)和宏觀(Macro)研宄;網(wǎng)絡(luò)的應(yīng)用研宄，如搜索、預(yù)測、信息傳播、推薦、廣告。社會網(wǎng)絡(luò)分析研宄隨著社會媒體的發(fā)展近來成為學(xué)術(shù)界和工業(yè)界的重要研宄方向。其中微觀研究包括用戶建模、行為分析、影響度分析。宏觀研宄包括網(wǎng)絡(luò)的結(jié)構(gòu)本質(zhì)、規(guī)律研究，如小世界現(xiàn)象(Small World Phenomenon)、優(yōu)先鏈接(Preferential Attachment)模型，大量網(wǎng)絡(luò)數(shù)據(jù)的可獲取性使這些結(jié)構(gòu)屬性的統(tǒng)計特性驗證更加魯棒。中觀研究包括社區(qū)結(jié)構(gòu)發(fā)現(xiàn)、結(jié)構(gòu)洞分析、網(wǎng)絡(luò)模體(network motif)等.網(wǎng)絡(luò)中觀結(jié)構(gòu)的研宄對社會網(wǎng)絡(luò)分析及其應(yīng)用起著關(guān)鍵作用。將網(wǎng)絡(luò)進行聚類，獲取簡化的網(wǎng)絡(luò)關(guān)系結(jié)構(gòu)具有重要的意義。如可將網(wǎng)絡(luò)聚類為較小規(guī)模的結(jié)構(gòu)，便于使用己有方法處理大規(guī)模網(wǎng)絡(luò)分析;可利用聚類結(jié)構(gòu)實現(xiàn)各種應(yīng)用活動。其中，傳統(tǒng)社區(qū)結(jié)構(gòu)發(fā)現(xiàn)用來識別網(wǎng)絡(luò)中的緊密鏈接節(jié)點簇，是社會網(wǎng)絡(luò)分析的基礎(chǔ)研宄。目前研究者提出了許多傳統(tǒng)社區(qū)發(fā)現(xiàn)方法，如層次聚類方法、模塊度方法、圖分割算法、基于統(tǒng)計推理的方法等⑴。大多傳統(tǒng)社區(qū)發(fā)現(xiàn)方法針對靜態(tài)網(wǎng)絡(luò)，解決緊密子圖發(fā)現(xiàn)問題。最近，也有少量針對動態(tài)網(wǎng)絡(luò)演化社區(qū)發(fā)現(xiàn)的方法[7-9]。已有的傳統(tǒng)社區(qū)發(fā)現(xiàn)方法主要用來發(fā)現(xiàn)類內(nèi)緊密、類間稀疏的網(wǎng)絡(luò)結(jié)構(gòu)。

二、研究目的和意義

隨著社會媒體和在線社交平臺的發(fā)展，互聯(lián)網(wǎng)產(chǎn)生大量可建模為網(wǎng)絡(luò)系統(tǒng)的數(shù)據(jù)，商家、政府、網(wǎng)站管理者等實體需要了解真正的網(wǎng)絡(luò)結(jié)構(gòu)。流行的結(jié)構(gòu)發(fā)現(xiàn)方法傳統(tǒng)社區(qū)發(fā)現(xiàn)方法要求我們預(yù)先假設(shè)網(wǎng)絡(luò)具有某種結(jié)構(gòu)，但網(wǎng)絡(luò)中可能沒有這種結(jié)構(gòu)，也可能還有許多其它的結(jié)構(gòu)�；陔S機塊模型的廣義社區(qū)發(fā)現(xiàn)方法對網(wǎng)絡(luò)結(jié)構(gòu)假設(shè)較少，可以更好地發(fā)現(xiàn)網(wǎng)絡(luò)中的多類型結(jié)構(gòu)。廣義社區(qū)發(fā)現(xiàn)模型不僅可以根據(jù)網(wǎng)絡(luò)節(jié)點的隨機對等性將節(jié)點聚類，還可發(fā)現(xiàn)類間鏈接規(guī)律。廣義社區(qū)發(fā)現(xiàn)的研宄為網(wǎng)絡(luò)建模提供了有效的理論模型，，便于研宄者分析研究網(wǎng)絡(luò)的屬性;同時廣義社區(qū)發(fā)現(xiàn)理論模型及算法實現(xiàn)也豐富了概率圖模型在大規(guī)模復(fù)雜網(wǎng)絡(luò)分析領(lǐng)域的理論框架。廣義社區(qū)發(fā)現(xiàn)具有重要的實用價值：1)根據(jù)網(wǎng)絡(luò)節(jié)點聚類結(jié)構(gòu)可發(fā)現(xiàn)網(wǎng)絡(luò)中哪些實體具有相同的性質(zhì)，基于節(jié)點的相似性可實現(xiàn)各類應(yīng)用，如對相似的實體實現(xiàn)相同推薦，基于節(jié)點相似性及類間鏈接規(guī)律實現(xiàn)鏈接預(yù)測;2)將大規(guī)模網(wǎng)絡(luò)進行聚類實現(xiàn)網(wǎng)絡(luò)壓縮，降低網(wǎng)絡(luò)問題求解規(guī)模;3)將大規(guī)模網(wǎng)絡(luò)進行不同粒度的聚類，可在不同分辨率下可視化網(wǎng)絡(luò)，為網(wǎng)絡(luò)分析與導(dǎo)航提供直觀解決方法。因此，本論文針對在線社會網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、規(guī)模龐大、節(jié)點內(nèi)容豐富等特點，關(guān)注網(wǎng)絡(luò)數(shù)據(jù)的廣義社區(qū)發(fā)現(xiàn)概率生成模型及求解。

三、本文研究涉及的主要理論

本論文相關(guān)的及設(shè)計的廣義社區(qū)發(fā)現(xiàn)模型屬于概率生成模型。機器學(xué)習(xí)領(lǐng)域，概率生成模型描述觀測變量如何由給定參數(shù)集合生成。生成模型與判別模型相對應(yīng)，生成模型是所有變量的模型，判別模型僅提供觀測變量條件下給定隱含變量的模型。因此，生成模型可用來模擬模型中任何變量的值。如果節(jié)點間存在某種層次，則該生成模型稱作層次生成模型。這種模型中通常有依賴于潛在變量的觀測變量，潛在變量分布由參數(shù)特征化。如果參數(shù)有先驗，則由其它超參數(shù)生成。只要建模需要這種結(jié)構(gòu)可以有很多層。然而，隨著模型復(fù)雜度的增加，計算量大幅度增長。許多情況下需要在模型豐富性和計算效率間進行折中。數(shù)據(jù)分析的生成模型方法包含兩個階段：第一階段定義生成模型，先驗分布在該階段指派;第二階段貝葉斯估計用來根據(jù)觀測數(shù)據(jù)和先驗分布推導(dǎo)后驗分布。第一步方向為參數(shù)生成數(shù)據(jù)，對廣義社區(qū)發(fā)現(xiàn)建模來說就是構(gòu)建網(wǎng)絡(luò)生成過程的鏈接模型。第二步方向為從數(shù)據(jù)估計參數(shù)，即根據(jù)觀測數(shù)據(jù)和模型估計模型參數(shù)。本部分首先介紹典型的網(wǎng)絡(luò)廣義社區(qū)發(fā)現(xiàn)鏈接模型;然后給出概率模型的相關(guān)求解方法，包括EM算法、在線EM算法、變分貝葉斯推理及隨機變分推理算法。

簡單隨機塊模型SBM可實現(xiàn)廣義社區(qū)發(fā)現(xiàn)，一些研宄者對該模型進行約束簡化設(shè)計了一些傳統(tǒng)社區(qū)發(fā)現(xiàn)鏈接模型，與本論文研宄相關(guān)的模型有基于PLSA模型的社區(qū)發(fā)現(xiàn)模型SPAEM、生成度-流行度鏈接模型PPL和鏈接社區(qū)模型LCM. —些研究者擴展SBM關(guān)于網(wǎng)絡(luò)鏈接的生成過程，典型的模型有考慮節(jié)點重疊性質(zhì)的混合隸屬度隨機塊模型MMSB、考慮節(jié)點度分布的度更正隨機塊模型DCSBM、考慮鏈接方向的隨機塊模型GSB。與SBM相似，混合模型NMM及其擴展模型也具有網(wǎng)絡(luò)多類型結(jié)構(gòu)發(fā)現(xiàn)能力。

四、本文研究的主要內(nèi)容及研究框架

(一)本文研究的主要內(nèi)容

在線社會媒體產(chǎn)生的網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、規(guī)模龐大，廣義社區(qū)發(fā)現(xiàn)概率模型可以更好地處理在線網(wǎng)絡(luò)潛在結(jié)構(gòu)發(fā)現(xiàn)問題.但當(dāng)前的廣義社區(qū)發(fā)現(xiàn)模型及算法求解的速度和準(zhǔn)確性還遠遠不能應(yīng)對實際網(wǎng)絡(luò)應(yīng)用的需求，因此，有必要研究更符合實際的廣義社區(qū)發(fā)現(xiàn)模型和算法，以提高網(wǎng)絡(luò)結(jié)構(gòu)發(fā)現(xiàn)算法的準(zhǔn)確性和高效性。本文在GSB模型和NMM模型基礎(chǔ)上展開研宄，首先設(shè)計一個啟發(fā)式的廣義社區(qū)發(fā)現(xiàn)快速算法估計GSB模型的參數(shù);然后擴展GSB模型設(shè)計更實際的網(wǎng)絡(luò)生成模型PPSB模型，并進一步融合網(wǎng)絡(luò)節(jié)點內(nèi)容;為降低PPSB模型的過擬合現(xiàn)象及對訓(xùn)練數(shù)據(jù)之外數(shù)據(jù)的可適性，對模型參數(shù)引入先驗分布，并設(shè)計隨機變分推理算法求解模型參數(shù)。最后，針對Newman的NMM模型可更快地實現(xiàn)類個數(shù)較大的廣義社區(qū)發(fā)現(xiàn)優(yōu)點，設(shè)計在線EM算法求解模型參數(shù)。本論文研究內(nèi)容詳細(xì)介紹如下：1)設(shè)計基于擴展隨機塊模型的快速廣義社區(qū)發(fā)現(xiàn)算法隨機塊模型可生成多種類型結(jié)構(gòu)的網(wǎng)絡(luò)，該模型基于節(jié)點的概率對等性識別網(wǎng)絡(luò)的廣義社區(qū)。但簡單隨機塊模型的網(wǎng)絡(luò)生成假設(shè)不符合實際網(wǎng)絡(luò)特性，模型參數(shù)估計算法不能有效處理大規(guī)模網(wǎng)絡(luò)。擴展隨機塊模型GSB可更好的對網(wǎng)絡(luò)節(jié)點的不同角色建模，但該模型的參數(shù)估計算法效率較低。為提高GSB模型參數(shù)估計算法的運行效率，基于GSB模型設(shè)計一種快速參數(shù)估計算法，使其在保證與GSB參數(shù)估計EM算法具有相似準(zhǔn)確率的條件下，更有效地識別網(wǎng)絡(luò)廣義社區(qū)。2)設(shè)計網(wǎng)絡(luò)廣義社區(qū)發(fā)現(xiàn)鏈接模型和內(nèi)容網(wǎng)絡(luò)廣義社區(qū)發(fā)現(xiàn)模型及求解算法擴展隨機塊模型對網(wǎng)絡(luò)生成過程建模時，沒有同時考慮節(jié)點的產(chǎn)生鏈接能力、接收鏈接能力、節(jié)點混合隸屬度對生成網(wǎng)絡(luò)鏈接的影響。不能很好地對實際冪率度分布的網(wǎng)絡(luò)建模，且沒有考慮節(jié)點內(nèi)容屬性。設(shè)計新的廣義社區(qū)發(fā)現(xiàn)鏈接模型，使該模型具有己有隨機塊模型框架下所有模型廣義社區(qū)發(fā)現(xiàn)的優(yōu)點，還可以生成節(jié)點度服從冪率度分布的網(wǎng)絡(luò)。基于設(shè)計的鏈接模型，進一步對網(wǎng)絡(luò)節(jié)點內(nèi)容屬性和拓?fù)浣Y(jié)構(gòu)同時建模實現(xiàn)內(nèi)容網(wǎng)絡(luò)廣義社區(qū)發(fā)現(xiàn)。3)設(shè)計三層廣義社區(qū)發(fā)現(xiàn)貝葉斯模型及基于隨機變分推理的推理算法上述鏈接模型可同時對多類型網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點混合隸屬度建模，但是該模型沒有對節(jié)點混合隸屬度和網(wǎng)絡(luò)鏈接概率生成過程建模。致使模型易隨訓(xùn)練集合大小線性增長，出現(xiàn)過擬合現(xiàn)象。也不易為訓(xùn)練集合之外的網(wǎng)絡(luò)實體實現(xiàn)鏈接預(yù)測。另外，己有的EM參數(shù)估計算法在千數(shù)個節(jié)點上運行時間都需要幾個小時，使模型不適用處理大規(guī)模網(wǎng)絡(luò)。針對己有廣義社區(qū)發(fā)現(xiàn)算法存在的這些問題，設(shè)計一個三層貝葉斯網(wǎng)絡(luò)廣義社區(qū)發(fā)現(xiàn)模型，在上述設(shè)計的鏈接模型基礎(chǔ)上增加節(jié)點隸屬度和網(wǎng)絡(luò)塊鏈接模式的生成過程。并基于隨機變分推理(Stochastic VariationalInference)設(shè)計參數(shù)估計算法。最后，與同類流行概率方法比較驗證該模型和算法的有效性。4)設(shè)計基于混合模型的在線EM(ExpectationMaxiinization)廣義社區(qū)發(fā)現(xiàn)算法隨機塊模型可對更多類型的網(wǎng)絡(luò)結(jié)構(gòu)聚類問題建模，其在線參數(shù)估計算法關(guān)于類個數(shù)的復(fù)雜度是C?(i^2)。Newman的混合模型也可以發(fā)現(xiàn)網(wǎng)絡(luò)中潛在的廣義社區(qū)，其關(guān)于類個數(shù)的復(fù)雜度為C>(in,可處理類個數(shù)較大的網(wǎng)絡(luò)廣義社區(qū)發(fā)現(xiàn)。但是基于混合模型的廣義社區(qū)發(fā)現(xiàn)算法每次迭代需要在所有網(wǎng)絡(luò)鏈接上操作，致使該算法不能處理百萬級或更大規(guī)模的網(wǎng)絡(luò)，從而不能應(yīng)用到實際網(wǎng)絡(luò)結(jié)構(gòu)發(fā)現(xiàn)中。為了使該混合模型求解算法可應(yīng)用到實際大規(guī)模網(wǎng)絡(luò)上，設(shè)計一個基于混合模型的在線變分EM廣義社區(qū)發(fā)現(xiàn)算法。最后與混合模型的傳統(tǒng)EM算法和簡單隨機塊模型的在線EM算法進行性能比較.

(二)本文研究框架

最近更新：