导读:本文包含了社区结构论文开题报告文献综述及选题提纲参考文献，主要关键词:推荐系统,矩阵分解,社交网络,社区发现
社区结构论文文献综述
熊丽荣,沈树茂,范菁[1]（2019）在《融合社区结构和社交影响力的矩阵分解推荐》一文中研究指出基于直接社交关系的矩阵分解推荐算法只考虑了用户的直接社交关系,而忽略了用户的间接社交关系.而与用户直接相邻的用户往往较少,存在数据稀疏问题,影响推荐结果的准确度.同一个社区内的用户在一些方面会存在相似性,彼此之间会产生影响.利用社区内用户间社交关系,本文提出了一种融合社区结构和社交影响力的矩阵分解推荐算法.算法同时使用用户评分信息和社交网络结构信息,来计算用户间社交影响力和构建推荐模型.发现用户社区,结合社区信息计算用户个人影响力.将用户之间的影响力和用户的个人影响力相结合,得到非对称的用户之间的影响力,从而增强推荐效果.实验证明该算法比现有算法能够得到更优的推荐结果.(本文来源于《小型微型计算机系统》期刊2019年11期）
别婉娟,易孜芳,肖蓊岸,万幼[2]（2019）在《面向微博签到数据的城市社区结构挖掘》一文中研究指出近年来,城市发展趋向区域化管理,为了得到贴近城市真实内部结构的区域划分方式,辅助城市规划决策,需要在以人为本的角度进行城市社区结构挖掘。基于2015年深圳市的微博签到数据,对现有城市社区结构挖掘研究中社区发现最小单元定义不合理、划分特征因子多为独立特征缺乏关联性等不足进行改良。经过有效数据筛选形成用户轨迹后,将Voronoi划分得到的泰森多边形作为社区发现的最小单元,保留划分对象重要程度的不同,并以此构建一张由特征签到POI点形成的城市内部交互网络。划分特征因子除了人群的主观迁徙外,还增加了空间邻近约束,通过REDCAP社区挖掘算法对构成的地理空间网络进行区域分割,确保了社区划分结构的完整性。最后选取模块度最大为0.5095时的划分结果,通过实地比对和POI类型分析,发现得到的7个子社区功能结构完整、且社区间差异明显,对于城市公共设施的完善和城市规划发展的区域划分方向具有重要参考意义。(本文来源于《地理信息世界》期刊2019年04期）
颜慧娟,陈荣卓[3]（2019）在《权能重塑和功能再造：中国城市社区结构调适40年》一文中研究指出改革开放40年,我国城市社区建设是一个贯穿着政府与社会共同行动、共同维护基层政权稳固及建构社会生活共同体的过程。计划经济时期,国家对城市人口和全部资源进行集中分配,由此产生了组织成员与单位之间的依附关系。改革开放从制度上打破了单位制的垄断格局,城市社区的自主性与能动性得以拓展。90年代开始,城市社区服务的范畴不断扩大,地方社会管理创新试验极大地丰富了城市社区建设实践。进入新世纪,城市社区得到长足发展的资源、合法性与制度支持等,有效促成和实现了政府治理和社会自我调节、居民自治良性互动体系的建立。随着中国特色社会主义进入新时代,政府积极推动社会治理重心下移,赋予各种社区治理主体和力量对公共权力运作及公共事务管理的参与权。未来构建和打造共建共治共享的城市社区治理体系,要继续发挥党委领导、政府主导,有效增强社会协同、扩大社会参与,在最大限度上凝聚社会共识,并更加注重公平、公正、权利义务的对等性以及基层社会治理的持续性发展。(本文来源于《城市治理研究》期刊2019年01期）
朱传亮[4]（2019）在《基于社交关系和社区结构的协同过滤推荐算法研究》一文中研究指出由于互联网上的信息呈现爆炸式增长,这就使得用户在面对如此庞大的数据时无法实时和准确地获取自己所需要的信息。在这样的背景下,推荐系统便出现了。推荐系统的核心任务是分析用户行为,挖掘用户偏好,为用户推送信息。协同过滤推荐技术由于只需要用户-项目评分信息就可以对用户进行推荐且实现技术难度不大,因此被广泛研究。但是,协同过滤算法面临着数据稀疏、冷启动、扩展性差等问题。近些年来,一些研究开始尝试将用户间的社交关系和社区结构信息融入到协同过滤推荐中,研究结果表明,社交关系和社区结构信息可以缓解数据稀疏性以及增强可扩展性。因此,基于社交关系和社区结构的推荐具有重要的研究意义。在此基础上,针对当前算法中仍然存在的问题,本文对结合社交关系和社区结构的推荐算法进行深入研究,具体研究内容如下:(1)当前基于社交关系的推荐算法中往往只考虑了用户间的信任关系而忽略了用户间的不信任关系以及兴趣相似性的影响。针对此问题,本文研究了一种融合社交关系和兴趣的正则化矩阵分解推荐模型。首先利用网络的全局和局部拓扑特性挖掘出社交关系中的信任和不信任关系,然后结合项目相似度提出了一种改进的用户间的兴趣偏好相似性计算方法,最后在矩阵分解的过程中将信任矩阵、不信任矩阵以及兴趣相似性综合起来为用户做出推荐。仿真结果表明,该算法相比其他传统的社交推荐算法在推荐误差上有所下降,并可以缓解冷启动问题。(2)当前基于社区结构的推荐算法虽然对大数据集的处理能力有所提高,但往往只考虑一种类型的社区,导致推荐时的误差很大。针对此问题,本文研究了一种结合用户社区和评分联合社区的推荐模型,首先利用用户间的信任关系和相似性构造用户间的新的相似度,通过改进初始聚类中心的K-means算法进行用户社区发现;然后针对用户-项目评分矩阵进行评分联合社区的挖掘,构造评分子矩阵;最后在评分子矩阵中融合用户的社区结构进行矩阵分解。仿真结果说明了该算法可以在保证提高推荐效率的同时,降低评分预测的误差。(本文来源于《重庆邮电大学》期刊2019-06-02）
王旭[5]（2019）在《结合社区结构信息的异构社交网络表示学习研究》一文中研究指出近年来,微博,Facebook,微信等大型社交网络迅速普及,形成了海量的社交网络数据。海量的社交网络数据使得经典的网络表示方法在进行网络的数据挖掘时遇到了瓶颈,经典的网络表示方法在表示大型网络时存在占用空间过大,数据形式不利于后续的数据挖掘算法等问题。作为解决这些问题的一种途径,网络表示学习近年来受到了越来越多的研究者的关注。网络表示学习的目的是将网络中的节点映射到一个低维的向量空间中,把每一个网络节点表示为一个特征向量,使得原始网络的结构信息能够蕴含在向量中。网络表示学习通过把网络节点表示成一个低维向量,使得网络数据更容易存储,同时向量形式的网络数据也更容易作为机器学习算法的输入。然而网络表示学习算法的效果会随着社交网络的逐渐稀疏很快地降低。因为如果社交网络很稀疏,那么网络中的很多用户之间没有直接或者间接的联系,网络表示学习算法就无法确定用户向量在向量空间中相互之间的距离。为了解决这一问题,本文利用了社交网络中用户节点的属性信息。通过将用户的各种属性提取出来,形成新的属性节点,将其加入到社交网络中,形成新的异构社交网络。异构社交网络中用户之间通过不同类型的属性节点和链接关系互相链接,蕴含了丰富的语义关系,从而有效地缓解了社交网络的稀疏性问题。但是目前的网络表示学习算法主要是关注于同构网络的表示学习,即网络中的节点和链接关系都是同一个类型。而异构社交网络中包含了不同类型的节点和链接,用户节点之间的不同的链接类型蕴含着不同的语义关系,用户在不同语义关系下可能具有不同的距离,所以针对同构网络而设计的网络表示学习算法不一定能够很好地学习到社交网络中用户的向量表示。为了解决这一问题,本文提出了一种基于元结构的用户相似度计算方法,利用异构社交网络中不同类型的元结构来更加准确地描述用户之间在不同情景下的语义关系。然后使用栈式降噪自编码器融合多种关系信息,从而学习异构社交网络中用户的低维表示。此外,社交网络中往往存在着比较明显的社区结构,如果在异构社交网络表示学习过程中能够学习到社交网络的社区结构,那么学习到的网络节点向量则能够更加准确地反映出原始网络的结构特点。所得到的网络节点向量在后续的网络数据挖掘任务中也能发挥更好的效果,如用户节点分类等。基于此想法,本文通过把社交网络中的社区类比成自然语言中的主题,利用自然语言处理中的主题模型方法,学习到每个用户节点的社区信息。并将其加入到网络表示学习的过程中去,最终学习到社交网络中用户的最终表示。最后我们通过在叁个真实数据集上的实验,验证了本文算法的效果。本文主要工作和创新点主要如下:(1)为了解决社交网络过于稀疏影响网络表示学习效果的问题,本文通过引入更加丰富的信息来缓解社交网络的稀疏性问题。通过挖掘用户节点的属性信息,加入到社交网络中,构造了新的异构社交网络。(2)针对同构网络表示学习算法不适用异构社交网络,无法准确地学习到网络中丰富的语义信息的问题,本文利用异构社交网络中的元结构,提出一种计算异构社交网络中用户相似度的方法。通过该方法来挖掘异构社交网络中的用户之间不同类型的语义信息。然后利用深度神经网络来融合多种语义信息,从而学习到网络的节点表示。(3)为了在网络表示学习中学习异构社交网络中宏观的社区结构信息,得到更加精确的用户表示,本文将社交网络中的社区类比成自然语言中的主题,然后借鉴自然语言处理方法中的LDA主题模型算法来学习用户的社区信息,并将其应用到网络表示学习中去。(本文来源于《吉林大学》期刊2019-05-01）
姜亚松,王冰,张艳,颜永红[6]（2019）在《基于社区结构的集体预测算法研究》一文中研究指出如果网络结构已知,则可将网络结构特征用于预测任务,集体预测算法则是利用这个思路提高预测效果。传统的集体预测算法主要是基于节点内容和直接邻居节点信息进行预测训练。然而,一些直接邻居节点信息有可能与目标节点不一致。除此之外在邻居节点不足的情况下,非邻居节点信息也是很有用处的。本文不使用直接邻居节点信息,而是将社区结构用在预测任务中。社区发现算法被应用于集体预测过程中以进一步改进预测性能。实验结果表明我们提出的算法优于一些标准的预测算法,尤其是在标注训练集有限的情况下。(本文来源于《网络新媒体技术》期刊2019年02期）
顾寰,杨长春,吴云,徐筱[7]（2018）在《融合社区结构和个人兴趣的协同过滤推荐算法》一文中研究指出为进一步提高推荐系统的准确性,提出一种基于社区结构和个人兴趣的协同过滤推荐算法。根据互联网用户的特性,通过BIGCLAM社区发现算法发掘用户的社区结构,在此基础上通过用户购买历史数据获取用户的个人兴趣,将社区结构和个人兴趣融入矩阵分解模型中获得推荐结果。该算法有效缓解了推荐系统数据稀疏性的问题,考虑到了用户的个人兴趣。实验结果表明,该算法比标准的协同过滤算法、CircleCon算法和ContextMF算法具有更高的准确性。(本文来源于《计算机工程与设计》期刊2018年11期）
张丹,孔晓丹[8]（2018）在《创新网络社区结构对合作行为演化的影响》一文中研究指出基于复杂网络与演化博弈相关理论,建立社区规模均匀性可调和社区间交互水平可变的无标度社区网络模型,仿真研究在网络社区规模均匀和非均匀两种条件下,社区间交互水平对创新网络合作行为演化的影响。实验结果表明,随着社区间交互水平的提高,创新网络合作水平呈现先上升后下降的趋势,即社区间存在最优交互值使合作水平较高;对于社区规模不均匀的创新网络,随着社区间交互水平的增加,大社区对整体网络合作水平的提升作用相比小社区更加明显。(本文来源于《软科学》期刊2018年11期）
王刚[9]（2019）在《一种融合贝叶斯概率的社区结构发现方法研究》一文中研究指出社区结构通常具有动态、不对称、模糊的特性。为了更好地发现社区结构以及描述社区成员之间的关系,针对当前方法的一些不足,对利用贝叶斯概率来改进社区结构发现的方法进行研究。贝叶斯概率在描述成员之间动态、因果、模糊关系时具有优势,通过引入信息熵,提出了一种融合贝叶斯概率的社区发现方法。该方法首先计算成员之间的贝叶斯概率,研究贝叶斯关系网络构建方法,得出成员之间不对称贝叶斯概率矩阵;然后根据系统内信息的熵相对稳定的性质,把成员间贝叶斯概率作为信息熵的概率输入,计算出新成员加入后信息熵的变化值,根据熵值变化情况来确定成员是否属于社区,从而在发现社区结构的同时,也能描述社区成员之间的不对称、动态和模糊关系。实验结果证明了该方法的有效性。(本文来源于《计算机技术与发展》期刊2019年01期）
楼昀恺,王朝坤[10]（2019）在《使用社区结构信息的子图匹配算法优化方法》一文中研究指出子图匹配是图数据查询处理技术中的一个重要研究问题。针对现有子图匹配算法运行效率不高且缺乏通用优化方法的现状,提出一种基于社区结构的子图匹配算法优化方法(community structure based subgraph matching optimization method,CSO)。首先,提出两种优化策略,即解析模式图信息以减少子图匹配过程的计算量,以及利用社区结构信息在子图匹配过程中进行剪枝;然后,结合上述两种优化策略提出基于社区结构的子图匹配算法优化方法,并进行了理论分析。真实数据集和合成数据集上的大量实验结果表明,CSO方法能有效减少子图匹配算法的时间开销。同时,不同规模数据集上的实验结果验证了CSO方法良好的可扩展性。(本文来源于《计算机科学与探索》期刊2019年01期）
社区结构论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
近年来,城市发展趋向区域化管理,为了得到贴近城市真实内部结构的区域划分方式,辅助城市规划决策,需要在以人为本的角度进行城市社区结构挖掘。基于2015年深圳市的微博签到数据,对现有城市社区结构挖掘研究中社区发现最小单元定义不合理、划分特征因子多为独立特征缺乏关联性等不足进行改良。经过有效数据筛选形成用户轨迹后,将Voronoi划分得到的泰森多边形作为社区发现的最小单元,保留划分对象重要程度的不同,并以此构建一张由特征签到POI点形成的城市内部交互网络。划分特征因子除了人群的主观迁徙外,还增加了空间邻近约束,通过REDCAP社区挖掘算法对构成的地理空间网络进行区域分割,确保了社区划分结构的完整性。最后选取模块度最大为0.5095时的划分结果,通过实地比对和POI类型分析,发现得到的7个子社区功能结构完整、且社区间差异明显,对于城市公共设施的完善和城市规划发展的区域划分方向具有重要参考意义。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
社区结构论文参考文献
[1].熊丽荣,沈树茂,范菁.融合社区结构和社交影响力的矩阵分解推荐[J].小型微型计算机系统.2019
[2].别婉娟,易孜芳,肖蓊岸,万幼.面向微博签到数据的城市社区结构挖掘[J].地理信息世界.2019
[3].颜慧娟,陈荣卓.权能重塑和功能再造：中国城市社区结构调适40年[J].城市治理研究.2019
[4].朱传亮.基于社交关系和社区结构的协同过滤推荐算法研究[D].重庆邮电大学.2019
[5].王旭.结合社区结构信息的异构社交网络表示学习研究[D].吉林大学.2019
[6].姜亚松,王冰,张艳,颜永红.基于社区结构的集体预测算法研究[J].网络新媒体技术.2019
[7].顾寰,杨长春,吴云,徐筱.融合社区结构和个人兴趣的协同过滤推荐算法[J].计算机工程与设计.2018
[8].张丹,孔晓丹.创新网络社区结构对合作行为演化的影响[J].软科学.2018
[9].王刚.一种融合贝叶斯概率的社区结构发现方法研究[J].计算机技术与发展.2019
[10].楼昀恺,王朝坤.使用社区结构信息的子图匹配算法优化方法[J].计算机科学与探索.2019