關系馬爾可夫網(wǎng)及其在社會網(wǎng)絡中的應用研究.pdf

1、在現(xiàn)實社會網(wǎng)絡中存在著許多關系數(shù)據(jù)，這些數(shù)據(jù)集合由不同類型的實體構成，實體之間廣泛地存在著復雜的鏈接關系，對這些鏈接信息的挖掘可以為我們提供關于這個社會網(wǎng)絡更豐富更準確的信息。因此，研究如何充分利用數(shù)據(jù)間的鏈接關系對數(shù)據(jù)進行分類在社會網(wǎng)絡分析中具有重要的意義。
　　 關系馬爾可夫網(wǎng)是一種能夠有效處理復雜關系數(shù)據(jù)的判別式概率圖模型，由馬爾可夫網(wǎng)和關系模式結合產(chǎn)生。將該模型應用于社會網(wǎng)絡數(shù)據(jù)分類任務中，可以充分捕捉數(shù)據(jù)間的依賴關系，

2、從而有效提高數(shù)據(jù)分類的準確度。
　　 本課題對關系馬爾可夫網(wǎng)模型的學習過程進行了一定的研究。其中，深入研究了采用似然估計方法構造模型目標函數(shù)的過程。研究發(fā)現(xiàn)，隨著數(shù)據(jù)規(guī)模的擴大，該方法的時間復雜度越來越高。為了解決這一問題，引入了采用偽似然估計方法代替似然估計方法來構造目標函數(shù)。在參數(shù)優(yōu)化方面，研究了共軛梯度法、梯度下降法和擬牛頓法等非線性最優(yōu)化方法以及黃金分割法、牛頓法和Armijo-Goldstein法等一維搜索方法。并且從