Print

基于网络表示学习的非单一维度的社区发现算法

论文摘要

针对现有的社区发现算法难以解决网络的多维性问题的现象,提出一种基于网络表示学习的非单一维度的社区发现算法。该算法从节点属性特征和网络结构特征两个维度考虑节点的差异性,首先根据节点属性相似度计算得到节点转移概率,结合小世界模型的六度分离理论设置网络节点随机游走路径的长度。依据转移概率选择节点的邻居节点,得到节点的游走路径,然后用神经网络模型训练节点的游走路径得到节点的网络特征向量,将节点网络特征向量的相似度重置为节点连接边的权重,在Louvain算法的基础上完成社区划分。最后,在Facebook和Giraffe两个数据集上进行了实验,选用基于初始网络结构的Louvain算法和基于单一维度的社区发现算法作为对比算法。实验结果表明,在Giraffe数据集中,相比于Louvain算法,基于节点属性的社区发现算法的模块度指标提升了2.7%,基于网络结构的社区发现算法的模块度指标提升了3.0%,提出的非单一维度的社区发现算法的模块度指标提升了3.7%。所提算法聚焦于网络的多维性,有效提升了社区发现算法的模块度。

论文目录

  • 0 引言
  • 1 相关工作
  • 2 融合节点属性和网络结构的社区发现算法
  •   2.1 基于用户属性的节点转移概率
  •   2.2 结合小世界模型的随机游走
  •   2.3 网络结构特征学习
  •   2.4 发现社区
  • 3 实验与结果分析
  •   3.1 数据集
  •   3.2 评价指标
  •   3.3 对比方法
  •   3.4 结果分析
  •   3.5 参数敏感性分析
  • 4 结语

    • 文章来源

    类型: 期刊论文

    作者: 陈婉杰,盛益强

    关键词: 节点属性,网络结构,可扩展性,社区发现,网络表示学习,节点差异性

    来源: 计算机应用 2019年12期

    年度: 2019

    分类: 信息科技,基础科学

    专业: 数学

    单位: 国家网络新媒体工程技术研究中心(中国科学院声学研究所),中国科学院大学

    基金: 中国科学院战略性科技先导专项课题(XDC02070100)~~

    分类号: O157.5

    页码: 3467-3475

    总页数: 9

    文件大小: 3124K

    下载量: 203

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/68e30f24aad42810b89f4de8.html