基于社区划分的社交推荐隐私保护方法

目的 社交推荐是在传统推荐的基础上引入用户的社交信息以更好地生成推荐结果。由于社交推荐不仅涉及用户本身的信息,还涉及用户的社交关系信息,因此对用户的隐私保护变得更加重要。然而,目前的社交推荐方法大多只注重提高推荐准确性,而忽视了对用户个人信息隐私保护的问题。因此针对社交推荐中用户的评分数据和社交关系数据的隐私保护问题,提出了一种基于社区划分的社交推荐隐私保护方法(SRCD)。方法 首先,考虑评分值的分布范围对用户相似度的影响,并结合用户之间的社交关系,来给社交网络中的用户划分社区,并计算每个社区中用户对所看过项目的评分的均值;然后,根据社区划分的结果,寻找与目标用户所在社区相似的其他社区。从而可以构造出一个社区-项目评分均值矩阵。并且针对实际场景中评分均值矩阵稀疏的情况,采用了中位数填补矩阵的缺失元素。最后,用矩阵分解的结果来预测用户对项目的评分,从而评估算法的性能。结果 通过仿真实验验证,所提方法相比于现有的社交推荐算法不仅在隐私保护方面提供了保障,而且在推荐准确度方面具有相近的预测准确率。结论 提出的方法不仅在一定程度上保护了用户的隐私信息,还为用户提供了令人满意的推荐结果。

一种基于节点相似性聚类的社区划分方法

现有的层次聚类社区划分通常使用公共邻居的数量来衡量节点对之间的相似性。由于忽略了公共邻居之间的差异性造成相似度值相同,许多节点对无法区分,导致社区划分结果不稳定、不准确。对此,提出了一种节点相似性聚类的社区划分方法 ISCM。在无权图上工作,在特征向量构建时考虑了节点的度、聚类系数、介数中心性、信息熵等综合指标,同时在相似性矩阵构建时采用综合指标的余弦相似性,实现了一个基于节点特征的谱聚类方法,而非传统基于图的方法。使用真实的数据集和评估算法,并在模块度、运行时间上进行了比较,结果显示,其在不同数据集上具有很高的模块度和准确性。

基于层次耦合聚类的用户社区划分方法:以主题公园社交平台为例

当前用户社区划分的研究较少关注对象与属性间的从属性关联,导致特征选择性能不高、精确度较低、鲁棒性较差以及运算量大的问题.文中在充分考虑用户和偏好主题词之间的关联影响关系的基础上,提出一种基于层次耦合聚类的用户社区划分方法,并通过4种分类算法的比较来确定最优阈值和实现偏好领域的最优划分.实验结果表明该方法具有较好的社交媒体用户偏好识别和社区划分性能,以分类评价指标AUC数值作为选取聚类阈值的标准,选取聚类阈值,极大的减少人为因素的影响.文中所提出的方法切实有效,有助于提升用户偏好识别和社区划分的相关性能.

基于复合粗糙集的异构属性患者社区划分模型

社区划分是网络研究中的重要组成部分,基于医疗数据对类风湿关节炎患者进行社区划分能够有效提升临床医疗决策的准确性。考虑到社区划分过程中可能会存在患者属性异构及相关性问题,首先基于复合粗糙集理论实现对患者异构属性的有效处理,其次将复合粗糙集理论与louvain算法相融合,构建出基于异构属性节点的社区划分模型。通过采用临床真实数据集及经典网络数据集对本文构建的模型进行实验分析,验证了本文模型能够取得模块值较大的社区结构,实现将不同疾病活动程度的患者划分到不同社区内,从而提升患者疾病活动程度评估的有效性和准确性。

基于节点相似度与影响力的CCN社区划分方案

内容中心网络(CCN)的内容检索过程存在低效冗余问题,为提升其性能,提出一种基于节点相似度和影响力的CCN社区划分方案(SI-LPA)。首先提出基于特征向量中心性和改进标签传播算法的社区划分方案,以帮助内容检索;随后利用节点与邻居节点间相似性和影响力提出一种更新标签值的方法;最后在每一个划分好的社区上选择竞争力最大的节点部署SDN控制器,以帮助实现更好的管理社区功能以及进行社区间路由。实验表明,引入SDN控制器和社区划分可以加快内容检索和路由分发的速度,从而提高CCN路由的性能。

基于社区划分的学术论文推荐模型

针对学术社交网络独有的社交性,构建了基于社区划分的学术论文推荐模型。模型选择社区复杂好友关系网络图中最大连通分量作为数据处理逻辑单元,在此基础上进行核心关系网划分,并采用非参数控制的方式,在所建立的核心关系网内建立标签,在学术社交网络中通过标签传播进行社区划分,根据社区划分结果在社区内部的用户之间推荐学术论文。该社区划分算法与经典社区划分算法在人工网络上进行仿真实验,结果表明该算法在不同特征的人工网络上皆能取得良好的社区发现质量。

基于核心标签的可重叠微博网络社区划分方法

针对传统微博社区发现算法内聚低重叠度不可控制等问题,以自顶向下的策略,提出一种基于核心标签的可重叠微博社区发现策略Tag Cut.先利用用户标签的共现关系及逆用户频率对标签进行加权,并基于标签之间的内联及外联关系并将用户的标签进行扩充,然后在整体社区中提取包含某一标签的用户作为临时分组并利用评价函数评估划分的优劣,最后选出最合适的核心标签根据其对应分组与其他分组距离的远近来决定将其划分为新的分组还是并入其他分组.用此策略反复迭代直到满足要求.该算法划分的组由若干个拥有核心标签的分组组成且综合利用微博用户已声明的及隐含的兴趣、用户之间的关注规律、结果的实用性对划分结果进行修正.经真实数据实验表明该方法内聚高社区重叠度可控且拥有实际意义.

一种融合节点与链接属性的社交网络社区划分算法

针对传统社交网络社区划分算法普遍缺乏对节点属性、链接属性的综合考虑和充分表达利用节点与链接属性信息的模型和机制等问题,提出了一种融合节点与链接属性的社交网络社区划分算法。该算法融合节点属性的相似度、节点间链接权值等链接属性信息,定义了相似权值,并以此为基础,结合凝聚算法实现了对社交网络的社区划分。实验表明,该算法对社交网络中属性比较明显的社区划分效果显著。

基于无偏Q值反馈的社区划分算法

在分析现有社区划分算法的基础上,针对当前算法Q值有偏及权值未体现等缺陷,提出了一种基于无偏Q值反馈的社区划分算法.该算法首先利用传递权值计算出节点间的相似度;然后,采用随机游走策略确定最优社区数,以解决现有划分算法中Q值有偏的问题;最后,在最优社区数确定的情况下,利用划分结果评价Q值反馈更新信息素矩阵以驱动后续的划分,从而达到快速收敛的目的.针对计算机构造的数据集以及实际网络的实验分析结果表明,与现有算法相比,该算法在社区划分方面具有更高的准确率及更快的收敛速度,能够达到社区划分以及核心节点发现的目的,可被推广应用至移动社会网络模型的建立中.

基于社区划分的多线程潜在好友推荐算法

针对基于社区划分的潜在好友推荐算法FRCD运行速度慢的问题,提出了一种基于社区划分的多线程潜在好友推荐算法MTFRCD。该算法在网络拓扑图上利用多线程技术寻找核心关系子网,以核心关系子网作为标签种子节点,使用多线程并发传播标签来发现网络拓扑图上的社区结构,利用社区发现结果在社区内部推荐潜在好友。人工网络的实验结果表明,MTFRCD相比于传统的FRCD,在性能近似的前提下具有明显的速度增长。因此,将该算法应用于真实社交网络(学者网)平台的潜在好友挖掘和推荐,根据推荐结果的评测,验证了算法具有良好的推荐效果。

基于改进的PSO算法的网络社区划分方法

网络社区划分是复杂网络研究领域的一个热点,现有的复杂网络社区划分方法时间复杂度比较高,准确性过于依赖先验知识,因此许多现有的社区划分方法不太适用于实际网络的社区结构分析。对PSO算法进行改进,改进后的PSO算法的参数设置更简单。基于改进后的PSO算法,提出一种复杂网络社区划分方法,该社区划分方法时间复杂度比较低,并且无需预先知道网络的社区数量、社区节点数。实验结果表明该方法具有良好的性能。

基于Louvain算法的铁路旅客社会网络社区划分研究

为了对铁路旅客社会网络结构进行更深入的分析,需要利用社区划分算法提取出联系紧密的旅客出行团体。由于铁路旅客社会网络规模庞大,常规的社区划分算法处理速度非常慢,甚至无法处理。本文在利用铁路旅客出行大数据构建旅客社会网络的基础上,选择Louvain算法对铁路旅客社会网络进行社区划分。分析结果表明,Louvain算法能够对铁路旅客社会网路进行快速有效地社区划分,划分的社区中节点紧密程度较高,且都具有小世界特性。

基于联合引力度扩展的加权网络重叠社区划分算法

基于引力度扩展的重叠社区发现算法(GDE),主要用于挖掘无权社交网络的重叠社区结构.真实社区更多是具有加权属性的,本文根据GDE算法的种子策略思想,并依据加权网络的特征,以网络节点的度与强度来综合确定重叠社区的中心节点,提出基于联合引力度扩展的加权网络重叠社区划分算法(UGDE).算法的实验检测结果表明:该算法对划分加权网络中的重叠社区具有可行性与有效性.

基于拉普拉斯矩阵的网络社区划分算法在电缆网测试中的应用

在低频电缆网导通绝缘测试中,对电缆网连接节点的划分是开展低频电缆网测试的基础。通过电缆网连接节点的划分,可以高效低成本完成转接电缆和测试方案的设计,将能够大大节省电缆网性能测试的周期和成本,为工程项目任务中电缆网快速、高效、准确测试奠定基础。目前,对电缆网的测试一般直接通过连接器进行转接电缆设计,这种方法由于转接电缆连接器芯点分配的问题,导致测试效率较低。针对以上问题,提出了改进型的转接电缆设计方法,并针对改进型设计方法中子网络难划分的痛点问题,采用基于拉普拉斯矩阵的网络社区划分算法完成了电缆网关联性大的子网络的划分。该方法解决了节点多、关联性强的电缆网子网络划分问题,经过仿真验证,使用划分后设计的转接电缆进行电缆网测试,测试效率得到提升。

基于共邻节点相似度的社区划分算法

复杂网络中的社区结构能帮助人们认识网络的基本结构及其功能。针对目前多数社区划分算法准确率低、复杂度高的问题,提出了一种基于共邻节点相似度的社区划分算法。首先,为了计算节点间相似度值,提出了相似度模型,该模型通过将被测节点对的邻居节点引入一并计算,提高了相似度度量的准确性;然后,计算节点局部影响力值,能客观地表现出节点在所处网络中的重要性;其次,结合节点相似度值和节点局部影响力值对节点进行层次聚类,完成网络社区结构的初步划分;最后,通过聚合初步划分的子社区,获得复杂网络的最优模块度值。仿真结果表明,在网络的社区特征模糊时,与新的基于局部相似度的社区发现算法(CDALS)相比,所提算法的准确率提高了14%,证明了所提提法更能够准确、有效地划分复杂网络的社区结构。

一种动态网络社区划分算法

基于MDL(minimum description length)原则提出一种动态社区划分算法DCI(dynamic community identifi-cation).通过定义相邻时刻静态社区的演化关系,使得DCI算法不仅能发现具有不同生命周期的动态社区,并且所得结果能准确描述动态社区的演化过程.实验结果表明,与已有算法相比,DCI算法可以更加准确地划分动态社区,并在可接受的时间内完成较大规模动态网络社区划分.

基于网络社区划分的协同推荐算法

为提高协同推荐系统的准确性及可扩展性,提出基于网络社区划分的协同推荐算法。首先利用用户好友数据构建用户关系网,然后利用社区划分算法对用户进行社区划分,使得划分在同一社区的用户有共同话题和爱好,接着利用同一社区的用户寻找目标用户近邻集,最后根据近邻用户对未知项目的评分预测目标用户的评分。通过实验证明:在近邻数小于27时,该推荐算法优于基于用户模糊聚类的协同过滤算法。

一种基于社区划分的数据分发方法

随着无线网络技术的发展,无线网络中对数据传输应用的需求也越来越多。文中结合对无线自组织网络特点的分析,提出了无线自组织网络中一种基于社区划分的数据转发方法。首先将无线自组织网络中的节点按照兴趣度划分为多个社区,再根据数据传输的区间划分选择不同的消息分发机制,社区内节点的数据转发通过限制跳数的传染病算法实现,节点间的数据转发跨跃社区时采取由中继节点携带转发的消息分发策略。仿真实验结果证明本算法实现了无线自组织网络中时间和空间效率的平衡。

基于Louvain算法的作者合著网络社区划分研究

对作者合著网络进行社区划分有助于挖掘科研人员的合作和交流模式。采用Louvain算法将C-DBLP作者发文合作关系公开数据集进行了社区划分,并采用模块度对划分结果进行评估。结果表明,Louvain算法能够快速高效地处理具有数千个节点的网络,与LED算法和GN算法相比,能更有效地进行社区划分。研究结果揭示了各个学科不同的合作交流模式,有助于挖掘潜在的合作团体,为学科合作研究提供帮助。

基于网络嵌入与局部合力的复杂网络社区划分算法

社区划分可以揭示复杂网络中的内在结构和行为动态特点,是当前的研究热点。文中提出了一种基于网络嵌入和局部合力的社区划分算法。该算法将网络的拓扑空间转化成欧氏空间,把网络节点转换成向量表示的数据点,首先基于重力模型和网络拓扑结构,提出局部合力和局部合力余弦中心性指标(Local Resultant Force Cosine Centrality,LFC),通过节点的LFC和节点间的距离来确定各个初始小社区的中心节点,然后将网络中其他的非中心节点划入与其最近的中心节点所在的初始小社区内,最后通过优化模块度的方法来合并初始小社区并找到最优的网络社区结构。在6个现实世界网络和可调参数人工网络上与6种知名社区划分方法进行比较,比较结果表明了新算法良好的社区划分的性能。