版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、近年來網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)檢測受到越來越多的關(guān)注。社區(qū)結(jié)構(gòu)是復(fù)雜網(wǎng)絡(luò)的一個重要屬性。網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)就是網(wǎng)絡(luò)中某些特定節(jié)點(diǎn)的子集,其內(nèi)部節(jié)點(diǎn)之間的聯(lián)系比較緊密,而和網(wǎng)絡(luò)中其它節(jié)點(diǎn)的聯(lián)系相對稀疏。網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)分析對于理解網(wǎng)絡(luò)子結(jié)構(gòu)的功能、發(fā)現(xiàn)網(wǎng)絡(luò)中的隱藏規(guī)律以及預(yù)測網(wǎng)絡(luò)的行為不僅有十分重要的理論意義,而且有廣泛的應(yīng)用前景。
基于密度的方法在社區(qū)結(jié)構(gòu)檢測領(lǐng)域的研究熱度越來越高。這類方法依賴于兩個參數(shù),因此對輸入的參數(shù)極為敏感,導(dǎo)致難以選擇合適
2、的全局參數(shù)。正因?yàn)檫@些參數(shù)非常敏感而且具有全局作用,我們并沒有采用常規(guī)的選擇參數(shù)的做法,而是利用了參數(shù)的上述特性,提出了一種全新的從社區(qū)層面對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行深入分析的思路,同時提出了一種啟發(fā)式的基于密度的社區(qū)結(jié)構(gòu)檢測方法。在所提出的方法中,首先,利用參數(shù)的閾值作用本質(zhì),找出所有可能的輸入?yún)?shù)情況。這些參數(shù)按照經(jīng)典方法將產(chǎn)生多種多樣的網(wǎng)絡(luò)結(jié)構(gòu)劃分。其次,我們提出了包括劃分、融合、分解、重組的策略對這些劃分進(jìn)行社區(qū)層面的處理。尤其在重組步驟中
3、,我們用到了進(jìn)化算法的思想,利用模塊度搜索出了最好的結(jié)果。當(dāng)這些策略處理完畢之后,我們將可以獲得一個高質(zhì)量的社區(qū)劃分。在虛擬網(wǎng)絡(luò)和實(shí)際網(wǎng)絡(luò)上的實(shí)驗(yàn)證明了我們方法的有效性。
網(wǎng)絡(luò)的動態(tài)特征是另一個持續(xù)受到關(guān)注的網(wǎng)絡(luò)屬性?,F(xiàn)實(shí)世界中的網(wǎng)絡(luò)多數(shù)都是動態(tài)網(wǎng)絡(luò),動態(tài)網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)會隨著時間不斷演化,因此它比靜態(tài)網(wǎng)絡(luò)社區(qū)檢測更富有挑戰(zhàn)性。在動態(tài)網(wǎng)絡(luò)中,我們?nèi)匀恍枰紤]每個時間點(diǎn)的靜態(tài)網(wǎng)絡(luò)劃分質(zhì)量,同時也要兼顧各時間點(diǎn)之間的動態(tài)聯(lián)系。在時間
4、光滑的假設(shè)下,這種動態(tài)聯(lián)系被數(shù)學(xué)化為相鄰兩時間節(jié)點(diǎn)間結(jié)構(gòu)的相似性,與多目標(biāo)進(jìn)化算法的框架不謀而合。在先前的工作中,一種基于分解的多目標(biāo)社區(qū)結(jié)構(gòu)檢測進(jìn)化算法已經(jīng)被提出。在此基礎(chǔ)上,為了進(jìn)一步提高算法性能,我們試驗(yàn)了一種局部搜索策略。這種局部搜索策略利用標(biāo)簽傳播的思想,對每個時間點(diǎn)的結(jié)構(gòu)都起著微調(diào)的作用。在動態(tài)網(wǎng)絡(luò)上進(jìn)行的一系列實(shí)驗(yàn)體現(xiàn)了該局部算子對算法性能的提高。
總結(jié)本文貢獻(xiàn)如下:
(1)解決了基于密度的社區(qū)結(jié)構(gòu)檢測
5、方法中參數(shù)的選擇問題。我們的方法不僅克服了參數(shù)敏感以及難以選擇的問題,而且找到了所有可能的參數(shù),以參數(shù)為工具,對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析,最終結(jié)合進(jìn)化算法,形成了一個完整的處理社區(qū)結(jié)構(gòu)檢測問題的新方法,在與其他算法結(jié)果對比中占優(yōu)。
(2)在基于分解的多目標(biāo)優(yōu)化算法的框架下,我們提高了其解決動態(tài)社區(qū)結(jié)構(gòu)檢測的能力。在大量實(shí)驗(yàn)的基礎(chǔ)上,基于標(biāo)簽傳播思想的局部搜索策略確實(shí)提高了目標(biāo)算法的性能,達(dá)到了預(yù)期效果,另外通過實(shí)驗(yàn),假設(shè)合理性與框架合
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(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)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(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)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。
最新文檔
- 基于進(jìn)化算法的符號網(wǎng)絡(luò)社區(qū)檢測.pdf
- 基于進(jìn)化計算的復(fù)雜網(wǎng)絡(luò)社區(qū)檢測.pdf
- 基于進(jìn)化算法和節(jié)點(diǎn)局部信息的復(fù)雜網(wǎng)絡(luò)社區(qū)檢測.pdf
- 766.基于密度進(jìn)化的雙向漸進(jìn)結(jié)構(gòu)優(yōu)化方法及應(yīng)用研究
- 基于密度進(jìn)化算法的低密度校驗(yàn)碼的構(gòu)造和性能分析.pdf
- 基于稀疏特征和進(jìn)化搜索的人臉檢測方法研究.pdf
- 基于免疫機(jī)制的檢測器進(jìn)化方法.pdf
- 基于密度的聚類和異常檢測.pdf
- 基于主題和結(jié)構(gòu)的微博社區(qū)挖掘方法研究.pdf
- 基于密度聚類分析的入侵檢測方法研究.pdf
- 基于主題和結(jié)構(gòu)的微博社區(qū)挖掘方法研究
- 基于進(jìn)化算法的社區(qū)檢測及其在個性化推薦的應(yīng)用.pdf
- 基于神經(jīng)計算和進(jìn)化網(wǎng)絡(luò)的入侵檢測.pdf
- 復(fù)雜網(wǎng)絡(luò)社區(qū)檢測的多目標(biāo)進(jìn)化算法研究.pdf
- 基于邊界和密度的樣本擴(kuò)散方法研究.pdf
- 基于改進(jìn)NNIA算法的網(wǎng)絡(luò)社區(qū)檢測方法研究.pdf
- 基于密度檢測和信息增益的半監(jiān)督kmeans算法.pdf
- 基于LDA模型和密度聚類的新聞話題檢測.pdf
- 符號網(wǎng)絡(luò)和異構(gòu)網(wǎng)絡(luò)中的社區(qū)檢測方法.pdf
- 基于數(shù)字相機(jī)的織物密度檢測系統(tǒng)和多點(diǎn)顏色檢測系統(tǒng).pdf
評論
0/150
提交評論