面向增量的大规模图划分方法研究

针对现阶段图划分技术仍主要针对静态图划分，无法满足图的动态变化，提出一种面向增量的大规模图划分算法。首先，该算法在增量图划分阶段分析了增量与子图的关联性；其次，同时计算了紧密度和各个子图的负载值，赋予权重，根据权重之和判定增量节点或者增量边应该进入哪个子图，保证子图之间的低耦合和子图内部的高内聚以及各个子图的负载值近似相等实现负载均衡；最后，通过实验得出该方法可以在增量图划分时均衡各子图的负载。

基于极大团的标签传播重叠社区发现算法

由于现有的社交网络重叠社区发现算法存在不可预见的随机性,使得这种以标签形式传播算法具有不稳定性和标签冗余性问题,为了发现网络中重叠的社区,提出一种基于极大团的标签传播算法。该算法通过寻找网络中的极大团作为标签初始化的基本单位,有效的减少了标签冗余并提高了稳定性,并在标签筛选时通过比较标签综合度数来减少标签选择的随机性,同时利用BSP模型,实现了MC-PCOPRA算法的并行化,能更好的应用于大规模社交网络,得到更加稳定和准确的重叠社区结构。

基于多元相似度融合的中文命名实体消歧方法

【目的】解决文本中多个不同含义的同名实体在映射到知识库时产生的歧义问题,提高实体消歧的准确率。【方法】提出一种多元相似度融合方法,考虑实体上下文的语义相似度、实体属性的背景相似度和主题词的主题相似度,对实体进行刻画。【结果】在维基百科农业方向数据集上的实验结果表明,本文所提方法准确率为89.7%,优于传统方法。【局限】方法仅在特定领域适用。【结论】本文所提多元相似度融合方法较传统方法和主流消歧方法具有更高的实体消歧准确率,能够解决特定领域的实体消歧问题,未来可将其应用于更广泛的实体消歧场景中。