異構網絡中的社團檢測算法研究及應用.pdf

1、異構信息網絡是一種擁有多種類型的結點與鏈接的復雜網絡，這些結點與鏈接蘊藏著豐富的語義信息，給當前數據挖掘領域帶來了更多的研究機會與挑戰(zhàn)。近年來，研究者們針對異構信息網絡，分別在相似性度量、圖聚類、鏈路預測以及推薦等方向做出了許多成果。
　　本文以異構信息網絡為研究對象，主要在社團檢測和推薦系統(tǒng)兩個方面進行研究。傳統(tǒng)的異構信息網絡中社團檢測的方法主要有基于排序、基于路徑與多視角學習三種類型，前兩者多根據概率圖模型來求解模型，后者則主

2、要利用多視角學習方法來解決異構網絡中的問題。而基于異構網絡的推薦系統(tǒng)則可以看做是基于多源信息融合后的推薦，主要以融合策略和融合信息來提高推薦性能。與之不同的是，本文以全新的角度（將異構信息網絡挖掘轉化為同構信息網絡挖掘）出發(fā)，借助信息在元路徑上的有效傳播，提出一種分解技術，能夠在無信息損失的前提下將原始異構信息網絡分解為一系列同構信息網絡。同時基于該分解策略，本文分別提出了一種異構信息網絡的社團檢測算法HomClus與一種融合用戶與項目

3、信息的推薦方法CSR。這三者構成了本文的核心內容，本文的主要貢獻如下：
　　第一、提出了異構信息網絡的基于元路徑的分解策略。該策略主要利用元路徑反映實體間的不同關系的本質，針對目標類型實體，通過簡單的矩陣操作得到不同路徑下目標類型實體的關系權重矩陣——也就是同構信息網絡。且該過程對目標類型而言沒有信息損失。因此，對異構網絡的相關研究問題都可以簡化為在目標類型的同構網絡上的研究問題，從而更容易被解決。
　　第二、提出了基于異構

4、信息網絡的分解策略的社團檢測算法HomClus。該方法在第一個貢獻成果的條件下，首先將異構信息網絡轉化為一系列同構信息網絡，并整合為統(tǒng)一的網絡結構。其次，使用非負矩陣分解快捷地將節(jié)點轉化為向量，即將整個網絡投影到低維子空間中。最后，采用高效的聚類方法如基于同步的聚類方法對低維子空間中的“節(jié)點”進行聚類，從而檢測出原始網絡中潛在的社團結構。實驗表明， HomClus算法與領域內的前沿算法相比有很大的優(yōu)勢，如算法直觀簡潔，參數不敏感，同時也