一种基于节点相似度的标签传播算法

互联网技术的发展使诸如微博等社会网络的规模迅速增长,对这些网络进行挖掘分析,揭示网络特性对研究人们之间的联系具有重要意义。因此,发现高质量的网络社区结构是当前社会网络分析研究中的重要方向。传统的关系圈挖掘算法复杂度高,在大规模网络结构中性能下降。相比于传统社区发现算法,标签传播算法（LPA）具有时间复杂度上的巨大优势,而且其改进的SLPA还具有挖掘重叠社区的能力,但是标签传播算法内在的随机策略使得算法稳定性不高。针对标签传播算法的缺点,提出一种基于节点相似度的标签传播算法（NS-SLPA）,根据节点相似度进行节点标签的初始化过程,以降低传播过程中的随机选择性。实验结果证明,NS-SLPA相比于SLPA,具有更高的稳定性和有效性。     

社会网络链接预测算法研究

社会网络链接预测以寻找网络中隐藏的或者将要出现的链接为目标,对于理解时间演化尺度下网络的演化机制有着重要意义。对社会网络链接预测的研究现状进行分析,指出现有算法的不足之处;引入时间属性,结合共有邻居相似度改进已有方法,提出基于时间属性的共有邻居相似度算法。     

一种优化共同邻居影响的动态距离社区发现算法

在众多社区发现算法中,Attractor算法是一种快速的社区发现算法,具有社区检测准确率高的优点。为解决Attractor算法在距离更新过程中节点对度值相差太大,影响小度节点所属社区判断问题,提出一种优化共同邻居影响的Attractor社区发现算法。该算法在Attractor算法提出的动态距离节点交互模型基础上,考虑节点对两者度值差异,通过在节点对与共同邻居交互模式中增加一个大度节点不利系数,以增加小度节点对邻居的吸引作用。采用LFR基准网络,在不同结构网络上验证改进算法的有效性。实验结果表明,改进算法与Attractor算法相比社区发现准确度更高。     

一个有效融合内容和链接的社区发现算法

设计一个社区发现方法挖掘在线内容网络的潜在结构,在预处理阶段基于网络的链接和节点内容属性对内容网络进行重构,基于重构网络进行链接抽样;在社区发现阶段利用概率链接模型对采样后的网络建模,并用EM算法求解模型参数,根据参数可得内容网络的潜在结构。     

一种多关系社会网络的社区发现方案

社区发现是社会网络分析中的一个重要研究方向。针对实际社会网络中存在的多关系现象,通过计算节点之间的共有邻居相似度来实现多关系社会网络中的社区发现,并提出了设计方案。     

虚拟学习社区社会网络构建的实证研究

虚拟学习社区社会网络构建的实践研究表明,经过策略干预后形成的虚拟学习社区社会网络结构有如下特点:第一,基本属性如密度、互惠性、传递性、网络效率等值有所增大;第二,学习者有较高的点入度和点出度,整体网络的中心势较低,整个社区的权利并不是集中在少数人身上;第三,对凝聚子群及核心—边缘结构的分析发现,社区存在意见领袖,对社区的学习起关键作用。     

基于改进蚁群算法的社交网络好友推荐算法

针对社交网络好友推荐算法的精确度问题,提出了一种基于改进蚁群算法的社交网络好友推荐算法,通过综合考虑用户属性和交互信息,计算用户间的相似度,来进行链路预测,建立社交网络二维图。在此基础上,采用改进蚁群算法,相似性值高的用户被推荐的可能性增大。仿真实验表明,该算法准确率和召回率性能较好。     

基于GA与SA的社区检测优化算法研究

社区结构是网络最重要的属性之一,近年来社区检测受到极大关注,出现了很多社区发现算法。模块度是衡量社区划分好坏的重要指标,但是其分辨率却有一定局限性。将模块度中加入一个可调参数,根据社区结构调整参数更适合于需求不同的社区检测。随着网络规模的扩大,社区发现算法既要有较高的准确性,又要有很低的时间复杂性。提出一种发现算法GASA,该算法将遗传变异与模拟退火相结合,既有遗传算法的全局搜索能力,又有模拟退火算法的局部搜索能力。该算法用于社区检测优势明显,检测到的社区更接近真实社区。     

局部社区发现算法研究综述

社区发现能帮助人们了解社交网络的结构特性及隐藏信息。局部社区发现算法不需要网络的整体信息,以局部结构信息为基础,可以快速找到目标节点所在的局部社区,提高了效率,因而受到学者们的青睐。按算法基本思想,现有局部社区发现算法可分为标签传播类算法、局部扩张算法等。对部分局部社区发现领域的研究成果进行总结,分析它们的优缺点,并提出未来局部社区发现算法研究方向。     

中小学教师继续教育网络学习社区社会网络结构研究

运用社会网络分析法对广州市中小学教师继续教育远程学习中的一个网络课程学习社区进行社会网络分析,研究该网络学习社区的网络结构属性和凝聚子群,探讨教师继续教育网络学习社区的特点,最后对网络学习社区的建设提出建议。     

贝叶斯框架下的自适应质量变量预测模型

针对工业生产过程中的时变性问题,提出贝叶斯网络框架下的自适应质量变量预测建模方法.采用改进的即时学习策略,将数据库分成若干局部数据子集,快速选择与待测样本相似度较高的一组数据作为训练样本,再利用主成分分析对训练样本过程变量进行特征提取,借此作为网络模型输入变量.利用基于改进Figueiredo-Jain算法的EM算法估...     

一种新的基于标签传播的重叠社区发现算法

发现高质量的社区是社区网络问题的研究热点。目前,社区发现算法大多针对非重叠社区,重叠社区发现算法较少。基于标签传播的算法是现有重叠社区发现算法中的一类,其中COPRA为典型算法。尽管该算法具有接近线性的时间复杂度,但存在随机因素,结果不稳定,产生的社区结构存在一定差异。为此,提出一种新的基于标签传播的社区发现算法,实验表明该算法在复杂度相近的情况下能明显提高所发现社区的质量,且具有较好的稳定性。     

基于TF-IDF算法和DTM模型的网络学习社区主题分析

随着信息技术的快速发展,网络学习社区已成为重要的学习平台之一。在此背景下,文章采用词频—逆文本频率(Term Frequency-Inverse Document Frequency,TF-IDF)算法和动态主题模型(Dynamic Topic Models,DTM),以951条相关文献作为数据来源,首先对网络学习社区的研究热点和研究主题进行了分析,发现网络学习社区具有明确的教育属性,并将网络学习社区领域的相关研究划分为九类主题。随后,文章基于时序绘制了热度高低均值图和热度曲线图,对网络学习社区主题热度与演化情况进行了分析,发现混合教学和学习服务等主题具有核心热点特征,平台建设、学习者交互、社区生态等主题发展较为稳定,学习环境主题有一定的发展潜力,而学习模式、知识共享、学习动机等主题热度逐渐弱化。最后,文章梳理了研究结论,并针对网络学习社区的发展提出了建议。文章的研究为网络学习社区领域中理论和实践研究提供了一定的数据和理论支持,明确了该领域的研究主题和结构,为探讨该领域的未来研究方向提供了新的思路。     

基于社区多角色的结构化P2P网络查询技术研究

针对一种新型的基于社区多角色的结构化P2P网络模型特点,提出了一种新的查询算法,即迭代扩展查询算法。该算法利用反馈机制,将已经返回的结果统计信息反馈到前端查询Q,指导查询Q向外路由的策略。将该算法与Chord网络查询算法进行了分析比较,使用P2Psim进行模拟验证。仿真结果表明,该网络模型性能稳定,资源查询速度快,通信量小,结果优良。     

基于连接矩阵的社区发现算法

以分歧点和矩阵连通度为依据,通过矩阵初等行列变换划分网络社区的算法,可准确划分社区个数已知的网络,其算法简捷清晰,复杂度相对较低.     

基于标签传播的半监督社区发现算法研究

近年来,许多关于社区发现的优秀算法被提出并取得了较好的社区划分效果。但是到目前为止,没有任何一种算法能够同时在时间复杂度和准确度方面取得较好的表现。现实网络中往往存在一些有利于指导社区发现的标签信息,如must-link信息、cannot-link信息等。因此提出基于少量标签信息传播、拓扑结构的半监督社区发现算法S_LPA,分别在karate网络、dolphins网络、LFR基准网络上进行测试。实验结果表明,该算法S_LPA时间复杂度为O（m）,相对其它算法,S_LPA在karate网络和dolphins网络的NMI值高于CNM、InfoMap、LPA算法,在LRF网络上准确度高出约20%;提高参数u后,S_LPA算法可识别其它算法不能识别的社区结构。     

基于社会化网络社区的开放课程建设探析

基于社会化网络社区的开放课程已经逐渐改变了人们的学习环境和学习习惯,成为信息社会获得知识的重要渠道。本文对社会化网络社区、开放课程进行了概念的解析,就如何基于社会化网络社区进行开放课程建设提出了建立以开放课程和视频课例为基础的“资源中心”,初步构建以开放课程与视频课例为核心的资源中心的建设模式和中小学教师基于开放课程与视频课例的社会化学习模式,同时就如何利用社会化网络社区进行社会化学习和培训等方面提供了可行性实践案例。     

基于服务相似度的API服务推荐方法研究

利用API服务和Mashup应用的注册和组合信息,通过构建Mashup-API网络和API-API网络,在LFH方法的基础上改进Rada & Courtney算法,进行API服务的标签相似度、描述相似度和摘要相似度的计算并最终计算其服务相似度,基于服务的使用场景提出了相应的服务推荐算法,实现了协作关系、竞争关系和其他关系的服务推荐.使用ProgrammableWeb上Mashup应用和API服务的真实数据为载体验证了方法的可行性和有效性,在服务分类和服务推荐方面具有一定的意义.     

基于改进的节点贴近度簇划分算法的研究

复杂网络中社区结构的发现是数据挖掘领域的研究热点,也是进一步发现社区关系知识的前提.根据网络的系统局部信息和全局信息,计算通过网络系统节点之间的贴近度矩阵,并将网络节点可以按照贴近度和模块度指标划分为两个不同的簇.在四个实际网络数据集以及计算机生成网络的实验结果表明,该算法相比Newman、GN等[1]算法具有更高的准...     

基于多属性分类的KNN改进算法

提出了一种基于多属性分类的KNN改进算法,可有效提高传统的欧几里德KNN算法和基于信息熵的KNN改进算法的分类准确度。首先,按照单个属性不同属性值的个数占整个属性包含样本的比例进行属性的分类,分为基于信息熵的KNN算法处理的离散属性和基于传统欧几里德KNN相似度处理的连续属性两类,然后分别对不同属性进行区别处理;其次,将两类不同处理后得到的结果按比例求和作为样本之间的距离;最后,选取与待测样本的距离最小的k个样本判断测试样本的决策属性类别。