基于局部擴充的重疊社區(qū)發(fā)現算法研究和改進.pdf_第1頁
已閱讀1頁,還剩58頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著網絡的飛速發(fā)展以及社交媒體的廣泛應用,使得人與人之間的聯系尤為密切。這種錯綜復雜的關系組成一個龐大的社交網絡,因此吸引了眾多學者致力于復雜網絡的研究,從復雜網絡中發(fā)現并抽取其中的模塊結構這就是所謂的社區(qū)發(fā)現。以前學者都致力于非重疊網絡的研究,然后這在現實生活中是不實用的,由此引發(fā)了大家對重疊網絡的研究,近幾年來取得了不小的進展。本文即針對重疊社區(qū)發(fā)現算法進行改進。
  重疊社區(qū)即網絡中包含的節(jié)點不止屬于一個社區(qū),能夠有效地識別

2、這些重疊節(jié)點是本文算法研究的重點。比較有名的算法有 LFM算法和GCE算法,它們都是利用網絡的局部信息,對單個種子節(jié)點進行成長的理念。本文鑒于局部擴充的核心思想,對種子選擇、社區(qū)擴充剪枝、相似度判斷、并行化模型等提出了自己的改進方案。
 ?、儆捎贚FM算法選擇種子節(jié)點過于隨機,影響算法準確性;而GCE算法需要找到網絡圖的所有團結構,影響算法效率;本文采取折中策略,通過刪除網絡中影響力較小的節(jié)點來得到核心結構。主要基于度數較多的點在

3、社團結構中是比較重要的節(jié)點,如果一個節(jié)點的影響力較大那么它鄰居節(jié)點也是重要的。
 ?、?LFM算法和GCE算法在對一個種子進行擴充時并未對其候選集進行判斷,這嚴重影響了算法性能。本文對擴充過程進行了細致的推導和嚴格的數學證明,對社區(qū)擴充過程產生的候選集進行了剪枝處理,以進一步的提升算法效率。
 ?、鄯N子擴充后生成的社區(qū)存在一定的相似性,如果不加以判斷會對結果準確性產生影響。本文提到的相似度度量公式除了考慮社區(qū)節(jié)點集合還考慮了

4、社區(qū)鄰居節(jié)點的影響,更具有實際意義。
  ④對擴充過程進行并行化處理。并行化是提高算法性能的一個很重要的手段,通過分析本文算法過程,可以方便的解除數據依賴,并且引入生產者消費者模型來解決線程通信問題。由于硬件環(huán)境限制實驗在多核CPU上進行操作。
 ?、萃ㄟ^應用到實際網絡圖中驗證了種子選擇策略在一定范圍之內的可行性,以及綜合改進算法ISA對于社區(qū)發(fā)現的準確性以及時間損耗。準確性用NMI(標準互信息量)進行度量,發(fā)現本文算法對于

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論