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。     

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。     

基于节点吸引力的社区发现算法

提出了基于节点吸引力的分裂社区发现算法,算法认为网络中节点之间是存在一定吸引力的,不同相连节点之间的吸引力大小差异很大。如果相连两个节点的度数越相近,那么这两个节点相互吸引力越小;否则认为度数较大的节点对度数较小的节点的吸引力大。在本算法中,通过计算网络中节点之间的吸引力,删除节点间吸引力最小的连边,重复计算吸引力,并删除相应的边,实现网络的分裂,通过计算网络分裂后社区的中心性,实现社区的发掘。实验证明该算法可以有效划分网络社区。     

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。     

大数据环境下复杂社会网络的社区发现方法研究综述

社会化媒体大数据环境下的社区发现研究,是社会网络分析与挖掘领域的一个热门研究方向,已有众多学者提出各种研究方法,但对当前研究工作的进展分析相对较少。首先从局部、全局、节点相似度3个角度讨论社区的定义,然后针对网络的大规模、动态、异构3个特性,分别调研与梳理国内外相关文献,并从采取的主要技术、数据建模方法、可处理的网络规模、网络时序特征4个方面比较与总结其中的代表性方法,分析当前的学术思路与发展动态,最后指出该研究领域存在的挑战及未来可能的研究方向。     

基于谱聚类的社团发现算法

当前人们已经建立了很多社团发现算法,但这些算法大都具有较高的时间复杂度。本文介绍一种基于谱聚类的社团发现算法,这种算法效率较高,在处理有上万节点的大型网络中更具优势,得到的社团结构质量更高。     

基于社交网络的犯罪团伙发现算法研究

如何快速、有效地发现犯罪团伙是公安机关侦查办案中的关键问题之一。针对通信网络特点,改进社区发现的Louvain算法,并根据电信诈骗犯罪团伙利用通信网络实施诈骗的特点,提出基于相似度的犯罪团伙发现算法,以及基于属性的犯罪团伙发现算法。初步实验结果表明,改进后的Louvain算法可以提高通信网络社区划分效率。然后在社区中利用结构特征进行相似度判断,并结合属性特征进行聚类分析,从而为公安机关发现可疑犯罪团伙提供有效的理论与技术支撑。     

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。     

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。     

网络拓扑的自动发现算法研究

网络拓扑自动生成是网络管理系统的一个重要组成部分。首先介绍了拓扑发现的主要相关协议和算法,然后重点阐述了拓扑自动发现算法及其实现机制。该算法的拓扑发现能够高效、准确地生成网络拓扑图。     

基于粗糙集理论的知识发现

粗糙集理论是一种新型的处理模糊和不确定知识的数学工具。目前已在人工智能、知识与数据发现、模式识别与分类等方面得到了广泛应用。介绍Rough Set理论的基本思想及分析了粗糙集方法的特点,描述一种基于粗糙集理论的知识发现步骤,并以实例作出说明。     

一种改进RANSAC算法的单应性矩阵估计方法

在图像拼接技术中,单应性矩阵是实现两幅图像正确拼接的关键因素。针对传统RANSAC算法误匹配点概率较高,需要设置固定的投影误差阈值t导致迭代次数多、运行时间长、估计的单应性矩阵精度低等问题,提出一种改进的RANSAC算法以降低误匹配率。利用特征点周围灰度梯度相似性,剔除初始匹配中部分误匹配点,以减少矩阵估计的迭代次数;通过快速舍弃错误的单应性矩阵以减少内点检测时间,提高算法运行效率;通过BGD算法最小化损失函数以拟合精确的单应性矩阵。对比实验结果表明,改进的RANSAC算法能够有效剔除误匹配点,减少内点检测时间,提高单应性矩阵H的精度。     

过滤级服务发现中不同本体间概念匹配算法

提出了一种基于过滤级的语义Web服务发现策略,该发现策略将服务发现分为四级匹配,各级匹配的作用各不相同．给出了第三级匹配中来自不同本体的概念匹配算法．该算法简单但能够满足服务发现的需要,它借鉴了同一本体中没有直接关系的二概念匹配方法,同时也考虑了语法相似性在匹配中的作用．     

微群网络学习共同体的实践探索

社会性建构理论倡导和支持在一定的社会文化情境脉络之中实现知识的流动、生产和创生,如何利用社会化网络建构学习共同体成为研究的热点问题之一。微群是随着Web2.0而兴起的一类开放的互联网社交服务社群,具有内容的微型化与简明性、操作方式的多样化与便捷性、交流的时效性与临场感等特征,可以多渠道地使隐性知识显性化、便捷地将海量碎片信息重组并提供良好的应用程序接口,实现软件功能移植。河南师范大学以"数字媒体技术导论"课程内容为主题,通过13周、三轮行动研究法,进行基于微群的网络学习共同体实践,发现利用微群进行学习,能发挥教师主导和学习者主体作用,激发学习者学习兴趣,加深学习者对知识的理解,促进成员之间的情感交流,培养个人协作学习、自我管理、问题探究等方面的能力。     

基于粗集理论的知识发现

知识发现是知识信息处理的关键问题之一,粗集作为一种数据分析理论能有效地从不确定性的数据中发现知识,是目前在知识发现领域研究的热点之一。本文首先对知识发现和粗集理论做了简单介绍,在此基础上论述了粗集作为一种数学工具在知识发现领域中的重要性,并提出粗集的进一步可能发展方向。     

基于GOMS模型的科学发现学习认知任务分析

文章首先将科学发现学习的认知要素划分为实际系统和科学理论模型,以及实验空间和假设空间。然后,运用GOMS模型对科学发现学习进行认知任务分析,将其分解为理解问题、探究局部模型、合成全局模型和反思评价四个子目标,详细分析了其中的基本操作与方法,以及在此过程中学生的工作记忆和长时记忆是如何发展变化的。由此建立的认知模型为基于计算机的科学发现学习环境的设计奠定了必要的理论基础。     

基于网络拓朴的资源发现机制研究

分析了大型分布式网络所呈现的小世界和Power-Law等特征。在总结现有资源发现技术的基础上,基于网络拓扑结构构造了合适的网络覆盖和资源发现机制,有效地减少了查询消息的冗余发送,提高了资源发现的效率和成功率。     

基于QoS的Web服务发现与组合框架

本文提出了一个全面支持QoS的通用Web服务发现与组合框架。该框架将基于QoS的服务发现与组合过程分为接收用户请求、服务发现、功能流程设计、全局QoS服务选择、服务组合执行、组合结果评估6个阶段．能够支持服务组合中功能流程的自动构建和QoS全局最优的Web服务自动选择。