一种基于增量式谱聚类的动态社区自适应发现算法

针对当前复杂网络动态社区发现的热点问题,提出一种面向静态网络社区发现的链接相关线性谱聚类算法,并在此基础上提出一种基于增量式谱聚类的动态社区自适应发现算法.动态社区发现算法引入归一化图形拉普拉斯矩阵呈现复杂网络节点之间的关系,采用拉普拉斯本征映射将节点投影到k维欧式空间.为解决离群节点影响谱聚类的效果和启发式确定复杂网络社区数量的问题,利用提出的链接相关线性谱聚类算法发现初始时间片的社区结构,使发现社区的过程能够以较低的时间开销自适应地挖掘复杂网络社区结构.此后,对于后续相邻的时间片,提出的增量式谱聚类算法以前一时间片聚类获得的社区特征为基础,通过调整链接相关线性谱聚类算法实现对后一时间片的增量聚类,以达到自适应地发现复杂网络动态社区的目的.在多个数据集的实验表明,提出的链接相关线性谱聚类算法能够有效地检测出复杂网络中的社区结构以及基于增量式谱聚类的动态社区自适应发现算法能够有效地挖掘网络中动态社区的演化过程.

基于二阶段聚类的重叠社区发现算法

针对当前复杂网络重叠社区发现的热点问题,提出基于二阶段聚类的重叠社区发现算法.对网络邻接矩阵进行特征分解时,节点投影到k维欧氏空间后,对节点先后进行硬聚类和软聚类,高效自适应地挖掘网络中的重叠社区结构.在硬聚类阶段中,引入基于距离最小原则的一趟聚类算法对节点进行自适应的硬划分,确定软聚类阶段中的聚类中心和网络的社区数量.在软聚类阶段中,引入以模糊模块度为目标函数的模糊C均值算法,通过迭代优化模糊模块度实现对节点的软划分,挖掘网络中的重叠社区结构.在多个真实网络数据集上的实验验证文中算法能高效挖掘复杂网络中的重叠社区结构.

基于快速社区检测的协同过滤推荐算法

随着社交网络服务的快速发展,推荐服务亦以各种形式融入到社交网络服务之中。由于社交网络服务数据量大,如何快速高效地处理数据成为迫在眉睫的问题。基于这一研究背景,提出一种能够快速得到较好推荐结果的基于快速社区检测的协同过滤推荐算法。实验结果表明,与传统的协同过滤推荐算法相比,提出的算法可以得到更好的推荐结果和更少的时间开销。

基于网络社团检测的电信客户细分

现有的电信客户细分方法无法发现基于个体间交互关系形成的客户群体。为此,提出基于网络社团检测的电信客户细分模型。考虑网络加权方法对社团检测效果的影响,采用电信企业的通话明细记录构建不同的加权电话呼叫网络,并采用随机漫步模型算法建立基于通话关系的客户细分模型。在细分模型的基础上,结合客户基本信息分析社团的特征,使用网络节点度中心性识别社团中的中心客户。经电信运营商客户通话数据的分析表明,以通话总时长进行加权的网络得到的社团检测效果最佳,可以用于检测客户的关系圈,发现具有领导地位的中心客户,为电信企业客户挽留、精准营销等提供有效的决策支持。

一种基于增广网络的快速微博社区检测算法

微博是当前最流行的在线社交媒体之一,有效地检测出微博用户的社区结构,能够帮助人们理解微博社交网络的结构和用户的行为特征,从而为用户提供个性化的服务。然而,现有社区检测算法大多只考虑社交网络节点之间的直接链接关系,忽略节点自身的内容特征。针对此问题,提出一种基于增广网络的快速微博社区检测算法。该算法通过融合社交网络的链接信息以及用户在微博上所发布的博文内容信息构建增广网络,然后以模块度为目标函数快速挖掘增广网络中的主题社区。通过真实微博社交网络的实验表明,提出的算法能够高效地检测出社交网络的主题社区。

国内外社会化标签挖掘研究综述

简述社会化标签的相关背景和内涵;重点梳理国内外社会化标签挖掘的主要成果,一方面归纳社会化标签分析、社会化标签推荐及基于社会化标签的个性化推荐等方法,另一方面概述利用社会化标签增强信息检索功能、发现潜在信息、改进传统分类法和辅助构建本体等方面的应用,并总结当前研究存在的不足;然后,概括社会化标签挖掘在相关领域的应用;最后总结全文,对社会化标签挖掘的未来发展方向进行展望。