異質(zhì)網(wǎng)絡(luò)社區(qū)挖掘技術(shù)研究.pdf

1、社區(qū)挖掘作為數(shù)據(jù)挖掘研究領(lǐng)域的一個(gè)熱點(diǎn)，多年來(lái)研究?jī)?nèi)容主要基于同質(zhì)網(wǎng)絡(luò)進(jìn)行分析。隨著網(wǎng)絡(luò)地不斷發(fā)展，數(shù)據(jù)量不斷增多，單一類型的對(duì)象已經(jīng)不足以應(yīng)對(duì)解決現(xiàn)實(shí)中的問(wèn)題。為了能在紛雜的網(wǎng)絡(luò)中獲取有用的信息，異質(zhì)網(wǎng)絡(luò)（多類型網(wǎng)絡(luò)）的社區(qū)挖掘成為研究的一個(gè)重要趨勢(shì)。但由于異質(zhì)網(wǎng)絡(luò)的復(fù)雜性和多樣性，其理論知識(shí)和算法研究并沒(méi)有完全成熟，所以融入新穎的思想提高算法效率是一個(gè)具有挑戰(zhàn)性的課題，這也是本文的主要工作。
　　通過(guò)研究排名和聚類這兩種重要的

2、網(wǎng)絡(luò)分析技術(shù)，本文提出了融合排名和聚類的異質(zhì)網(wǎng)絡(luò)社區(qū)挖掘算法框架。在異質(zhì)網(wǎng)絡(luò)中，該框架實(shí)現(xiàn)了目標(biāo)類型對(duì)象的聚類和基于這些聚類的所有類型對(duì)象的排名信息。該框架基于初始的K簇，計(jì)算對(duì)象的相對(duì)排名;把屬性對(duì)象的排名分布作為簇的特征，建立目標(biāo)對(duì)象的混合模型，使每個(gè)目標(biāo)對(duì)象用K維向量表示;接著在這個(gè)新的特征空間中，利用類中心向量法調(diào)整聚類，使聚類質(zhì)量得到有效地提高。此過(guò)程不斷迭代，迭代過(guò)程中的聚類和排名效果相互加強(qiáng)，直到聚類結(jié)果變化不大或者達(dá)到預(yù)

3、定的迭代次數(shù)。最終，聚類結(jié)果更準(zhǔn)確，并且排名結(jié)果更有意義。為了更好地理解算法的思想，本文提出基于2-類型的異質(zhì)網(wǎng)絡(luò)算法CluBRank(Cluster Based on Rank)進(jìn)行解釋驗(yàn)證。CluBRank重點(diǎn)引入兩種排名函數(shù)，簡(jiǎn)單排名和權(quán)威排名。
　　本文通過(guò)在真實(shí)數(shù)據(jù)集和模擬數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，將CluBRank與基于鏈接的傳統(tǒng)算法進(jìn)行比較，證明CluBRank聚類結(jié)果更準(zhǔn)確。CluBRank有效地避免了傳統(tǒng)算法中計(jì)算對(duì)象之