基于节点影响值的社区网络稳定标签传播算法

针对社区网络标签传播准确性差的问题,提出基于节点影响值的社区网络稳定标签传播算法。该算法重设社区网络相邻节点相似度,结合链路加权思想将其变换为链路无向带权图;利用节点K-shell分解值判断节点影响力,计算种子节点的中心性度量值,升序排列节点更新顺序;根据越重要节点标签影响越大的规则,修正高频数标签,获取最佳社区网络划分结果。结果表明:该算法模块度在0.320以上,准确率达到99%,因此,经该方法划分后的网络结构清晰、准确,稳定性高。

一种基于受限约束范围标签传播的半监督学习算法

为了提高文本分类性能,提出一种基于受限约束范围标签传播的半监督学习算法。首先利用相似性矩阵计算得出概率转移矩阵,进而通过概率转移矩阵得出受限约束范围;然后在约束范围内利用半监督学习框架下的标签传播算法计算基于路径的相似性,路径相似性决定了标签传播的重要路径。由于只使用几条重要的传播路径,使得算法中省去计算每一条路径的相似度,计算复杂度大大减少。最终使得标签在带标签数据与未标签数据之间通过几条重要的路径之间传播。实验已经证明此算法的有效性。

基于标签影响力传播的人工免疫检测器生成算法研究

人工免疫系统利用训练样本对候选检测器进行筛选训练,以产生覆盖非自体区域的成熟检测器用于自体和非自体的区分。传统基于否定选择的检测器生成算法(Negative Selection Algorithm,NSA)通常需要大量有标记的自体训练样本,而实际应用中已标记样本有限,导致检测器训练不足,限制了检测器的检测精度。针对这一问题,提出了一种基于标签影响力传播的免疫检测器训练方法。在属于同一聚类的样本中,通过少量的已标记聚类成员进行标签影响力传播,为聚类中的未标记样本进行伪标记。随后,基于噪声学习的伪标记评估去除低可信的新标记样本。通过了标签评估的新标记样本被加入训练样本集合,以扩展已标记样本规模,提升免疫检测器的训练质量。在7类不同维度和规模的UCI公开数据集上的对比实验结果表明,所提基于标签影响力传播的免疫检测训练算法能够有效提升检测器的训练性能,尤其在训练样本有限或数据集不均衡的情况下,检测器的性能明显优于传统方法,相较于PSA,co-PSA和GFNSA等检测生成算法,检测器的识别精度平均提升了10%。

基于节点中心性和标签传播算法的社区检测

在复杂网络的探索过程中,关键节点的识别和社区结构的检测受到广泛关注,有助于人们更好地理解和利用复杂网络的结构特征,揭示节点之间的关系。提出库仑力中心性(CFC),并将其应用到标签传播算法(LPA)中设计了社团检测算法(CFCLPA),消除了LPA中的随机性,具有较高的社团结构识别能力。在真实网络和LFR基准网络下进行了一系列测试和比较,实验结果表明,该算法具有更优秀的社团检测性能。

一种基于置信传播的算法求解随机约束满足问题

为了求解具有增长域的随机约束满足问题(CSP),提出一种基于置信传播的算法即NBP* (new-selected belief propagation*, NBP*)。在置信传播算法中,当BP方程不收敛时,算法就会终止。然而算法在经过多次迭代之后,虽然约束发送给变量的信息没有达到收敛条件,但是仍有部分信息是准确的,所以当算法的BP方程不收敛时,提出利用最后一次迭代得到的约束发送给变量的信息来计算变量的边际概率,当赋值不满足约束时,根据边际概率确定的变量顺序挑选下一个变量进行赋值,得到NBP*算法。数值实验表明:这种算法可以在可满足性相变区域找到解,并且有效提高了置信传播算法的求解效率。

基于改进成对约束扩充的标签传播聚类算法

针对半监督聚类算法性能受到成对约束数量多寡的限制问题,现有的研究大都依赖于原始成对约束的数量。因此,首先提出了基于灰关联分析的成对约束初始化算法(initialization algorithm of pair constraints based on grey relational analysis,PCIG)。该算法通过均衡接近度计算数据对象间的相似度,并根据相似度的取值来确定可信区间,然后借鉴网络结构初始化方法来扩充数据对象间的成对关系。最后,将其应用于标签传播聚类算法。通过在五个基准数据集上进行实验,基于改进成对约束扩充的标签传播聚类算法与其他方法相比NMI值和ARI值有所提升。实验结果证明了改进成对约束扩充可以有效改善标签传播算法的聚类效果。

基于改进标签传播算法的电力系统并行恢复分区方法

制定合理有效的分区方案是并行恢复的首要任务。由于电网运行的潮流分布能够反映系统内节点之间联系的紧密程度,为了达到更有效的分区目的,结合复杂网络社区发现理论和潮流信息,提出一种基于改进标签传播算法的电网并行恢复分区方法。首先给黑启动电源分配不同的子区标签,再根据停电前支路潮流信息构建电网节点的标签传播矩阵。反复将节点标签的信息在电网中传播,直至各节点标签信息不再发生变化,则具有相同标签的节点被划分到同一个子区。针对传统标签传播算法可能出现的标签振荡现象,提出了同时考虑邻接节点标签和自身历史标签的节点标签影响策略。通过IEEE 39节点系统的仿真表明,所提方法得到的分区结果在区间功率交换、最大子区规模和模块度方面效果显著。最后利用某省级电网的实际数据进行仿真分析,验证了所提方法用于实际系统的有效性。

标签传播算法理论及其应用研究综述

介绍了标签传播算法理论,分析了标签传播算法的特点,总结了其在多媒体信息检索、分类、标注、处理和社区发现等方面的应用研究,最后探讨了标签传播算法未来的研究方向。

基于标签传播的语义重叠社区发现算法

语义社会网络(Semantic social network,SSN)是一种由信息节点及链接关系构成的新型复杂网络,为此以节点邻接关系为挖掘对象的传统社会网络社区发现算法无法有效处理语义社会网络重叠社区发现问题.由此提出标签传播的语义重叠社区发现算法,该算法以标签传播算法(Latent Dirichlet allocation,LDA)模型为语义信息模型,利用Gibbs取样法建立节点语义信息到语义空间的量化映射;提出可度量节点间相似性的主成分(Semantic coherent neighborhood propinquity,SCNP)模型和语义影响力(Semantic impact,SI)模型;以SCNP作为标签传播的权重,以SI作为截断值的参数,提出一种改进的Semantic-LPA(Semantic label propagation algorithm)算法;提出可度量语义社区发现结果的语义模块度模型,并通过实验分析,验证了算法及语义模块度模型的有效性及可行性.

采用PageRank和节点聚类系数的标签传播重叠社区发现算法

基于标签传播的社区发现算法可以检测出复杂网络的重叠社区结构,因此提出了一种基于PageRank和节点聚类系数的重叠社区发现算法。该算法使用PageRank算法对节点的影响力进行排序,可以稳定社区发现结果,节点的聚类系数是一个与节点相关的值,使用节点聚类系数修改算法的参数并限制每个节点拥有最多标签的数量值,可以提高社区挖掘的质量。在人工网络和真实世界的网络上测试,实验验证了该算法能够有效地检测出重叠社区,并具有可接受的时间效率和算法复杂度。

一种结合节点局部影响力的标签传播算法

标签传播算法(LPA)作为一种简单高效的社区挖掘算法一直受到广泛的关注.但是标签传播过程中存在随机性,导致算法鲁棒性差、社区划分结果不稳定.为解决此类问题,本文提出一种结合节点局部影响力的算法(CRD-LPA).该算法综合考虑节点度、邻节点的消息传播能力、局部密度分布等因素,将近似集聚系数和节点局部密度引入到CRD系数的计算中,从而更精确的衡量节点在网络中的重要程度;然后,根据CRD系数对LPA算法的节点标签更新策略进行改进.实验结果表明,改进后的算法不仅提高了社区划分的质量,而且也表现出较好的鲁棒性.

一种基于约束传播的多主体规划算法

提出了一种基于约束传播的分布式多主体规划算法。主体之间的冲突检测与协调通过一种特殊的多主体协商来解决。在确定环境中该算法是可靠的。算法中主体之间交换的只是与冲突有关的动作、因果链和约束,具有通信量小、安全性高的优点。

一种基于标签传播的重叠社区发现算法

针对COPRA算法因在标签更新过程采用随机策略而导致的重叠社区划分结果不稳定问题,本文对COPRA算法进行了改进,提出了一种简单的重叠社区发现算法.该算法仍采用同步的方式传播标签,但只在以边缘节点为中心的桥梁节点群内进行标签传播,以此提升发现重叠社区的速度.该算法还引入了节点连接社区强度,利用其降低标签更新过程中的随机性.此外,引入节点连接社区强度,还可以防止标签的过度传播.在真实网络和人工合成网络上的实验结果验证了本文方法的正确性和有效性.

Hadoop框架下的多标签传播算法

标签传播算法的主要思想是利用已标注数据的标签信息预测未标注数据的标签信息。然而,传统传播算法没有区别对待未标注数据与已标注数据相互之间的转移信息,导致算法的收敛速度较慢,影响了算法的性能。针对传统算法的不足,提出了差异权重标签传播算法,算法按标注信息的重要性赋予不同的权重。在解决了大规模特征矩阵相乘问题之后,将提出的差异权重标签传播算法应用到Hadoop框架下,采用分布式计算,实现了能够处理大规模数据的多标签分类算法(HSML),并将提出的HSML算法与现有主流多标签分类算法进行了性能比较。实验结果表明,HSML算法在多标签分类的各项性能评测指标和执行速度上都是有效的。

基于随机游走的改进标签传播算法

社区发现是挖掘社交网络隐藏信息的一个有用的工具,而标签传播算法(LPA)是社区发现算法中的一种常见算法,不需要任何的先验知识,且运行速度快。针对标签传播算法有很强的随机性而导致的社区发现算法结果不稳定的问题,提出了一种基于随机游走的改进标签传播算法(LPARW)。首先,根据在网络上进行随机游走确定了节点重要性的排序,从而得到节点的更新顺序;然后,遍历节点的更新序列,对每个节点将其与排序在其之前的节点进行相似性计算,若该节点与排序在其之前的节点是邻居节点且它们之间的相似性大于阈值,则将排序在其之前的节点选为种子节点;最后,将种子节点的标签传播给其余的节点,得到社区的最终划分结果。将所提算法与一些经典的标签传播算法在4个有标签的网络和5个无标签的真实网络上进行比较分析,实验结果表明所提算法在标准互信息(NMI)、调整兰德系数(ARI)和模块度等经典的评价指标上的性能均优于其余对比算法,可见该算法具有很好的社区划分效果。

一种局部强化的多标签传播社区发现算法

在社交网络中,社区和圈子均表现为一组内部连接相对紧密的节点,但后者规模较小。圈子是重要的局部社区信息,利用这一特点有助于进行社区发现。然而,现有的大部分基于标签传播的社区发现算法并没有考虑圈子的信息。为此,提出一种基于局部强化的多标签传播(LSMLP)社区发现算法。给出圈子的定义,提出一种基于圈子信息的迭代多标签传播策略,并从每个节点的多个标签中选择归属系数最大的标签作为其从属的临时社区。采用两步优化方法使模度最大化。在真实网络的数据实验结果表明,与已有的社区发现算法相比,LSMLP算法能更高效地发现社区。

基于势函数的标签传播社区发现算法

针对标签传播算法(LPA)存在大量随机性、算法稳定性差的问题,提出了基于数据场势函数的标签传播算法(LPAP)。该算法计算所有节点的势值,搜索势值极值点。初始化时仅赋予势值极值点以标签,迭代过程中根据邻接节点中相同标签节点势值之和更新标签,所有节点标签不再改变时迭代结束。实验结果表明:该算法得到的社区划分方式平均是LPA的4.0%,是平衡传播算法(BPA)的12.9%;信息变化参数平均是LPA的45.1%,是BPA的73.3%。具有更好的稳定性,适用于大型网络的社区发现。

基于优化标签传播算法的社区发现方法研究

自动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热点方向之一。与现有一些网络社区结构发现算法相比，标签传播社区发现算法具有不需要指定社区数量与时间复杂度低的优点，但该算法随机排列待更新节点和随机选择候选标签的策略严重影响了算法的准确率和稳定性。为了降低标签传播算法中这两种随机性，本文提出了一种优化的标签传播算法。经在真实基准网和计算机生成网的测试表明该算法具有更好的有效性和稳定性后，我们将该算法应用在科学网博客中“图书馆、情报与文献学”领域用户的好友关系网上，有效地发现了该网络中的社区结构。

基于节点中心性和社区相似性的快速标签传播算法

为了减少标签传播算法(LPA)中不必要的更新、解决算法准确率低且稳定性差的问题,提出了基于节点中心性和社区相似性的快速标签传播算法(FNCS_LPA)。按照节点中心性度量对网络的节点从低到高进行排序后加入节点信息列表,利用节点信息列表来指导更新过程,提高社区发现的稳定性并避免不必要的更新;采取基于社区相似性的更新规则,提高了社区发现的准确率。在真实社会网络和LFR基准网络上进行实验:相比LPA和三种较好的LPA改进算法,FNCS_LPA在执行速度方面提升了几十倍,真实社会网络的模块度也相对较高,在社区结构比较模糊的LFR基准网络上的归一化互信息有明显的优势。实验结果表明FNCS_LPA在提高执行速度的基础上,提高了算法的稳定性和准确率。

基于标签传播算法的海面漂浮小目标检测方法

在高分辨体制下海杂波与海面小目标具有复杂的特性,特别是对于雷达散射截面积较小的海面漂浮目标,传统的检测方法性能不佳。为了突破临界信杂比情况下的检测性能,可以提取雷达回波的一种或者多种特征,从而进行特征检测,该方法是实现临界信杂比情况下有效检测的重要途经。目前,在3维及以下的特征空间中可以使用凸包学习算法计算判决区域并有效地控制虚警概率,但是在3维以上的特征空间中凸包学习算法计算复杂度提高,难以进行检测。针对这个问题,该文提出一种基于标签传播算法的海面小目标检测方法,它突破了凸包学习算法的维数限制和决策域必须为凸集的形状限制,能够在高维特征空间进行检测并有效地控制虚警。经过实测数据集验证,基于标签传播算法的海面小目标检测方法在0.512 s和1.024 s的观测时间内分别获得了88.4%和92.0%的检测概率,相比于基于K近邻(KNN)的检测器有了3.3%和2.8%的检测概率提升。