网络形式背景下的社区划分方法研究

网络社区划分是从社会网络中进行概念认知、模式学习的基础,也是网络背景下机器学习研究的热点问题。为了充分发挥形式概念和网络特征值的双重优势,基于网络形式背景研究网络社区划分问题。首先,将网络结构与节点属性信息相结合给出了网络节点中心度和中心势,使得网络形式背景的网络社区划分综合考虑了网络结构和节点内涵两方面的特征;其次,提出了网络形式背景的网络社区概念,该概念不仅给出了传统形式背景的形式概念,还包含了概念的网络特征值,可以描述该概念在网络中的平均重要度和平均重要度势差;然后,考虑到社会网络划分中多角色与网络有向性的特点,又将有向网络分为单角色网络和双角色网络,运用网络结构与节点属性信息相结合的方法提出了两种网络社区划分算法,并分析了算法的时间复杂度;最后,通过实例说明了上述网络社区划分算法的有效性。所得结论为网络数据挖掘和网络概念认知的进一步研究提供了参考。

网络决策形式背景下基于因果力的邻域推荐算法

网络数据下的概念认知与知识发现是网络数据分析领域的热门研究方向,已应用于推荐系统领域,但是如何构建合理的弱概念集以提高邻域推荐效果仍是一个难题.为了解决该问题,文中提出变精度弱概念集,诱导出包含较多信息量的邻域,在此基础上提出基于因果力的邻域推荐算法.首先,定义相似性网络聚合中心度,确定专家节点,得到变精度弱概念集,进行邻域划分.然后,在每个邻域中利用变精度共有算子得到对象的条件属性弱概念和对象的决策属性弱概念,通过因果力代换原理和相关推论给出邻域推荐算法.在MovieLens、Filmtrust数据集上的对比实验表明,文中算法在精确度、召回率、F1值和运行时间上均有明显提升.

复杂网络下的概念认知学习

数据分析中,从网络中进行概念认知学习是网络背景下的机器学习或人工智能领域的重要问题.首先通过分析复杂网络方法与形式概念方法的数据基础,将二者的数据通过邻接矩阵与关联矩阵统一起来,提出一种网络形式背景框架,使以上两种理论与方法之间有了互通的桥梁,从而可以结合它们各自的优势对网络概念进行更深入的研究.在此基础上,从网络概念的三个层次出发研究了以下内容:(1)通过定义节点的结构影响力和内涵影响力并将它们进行加权,定义了节点的网络影响力.(2)通过分析扩散网络、收缩网络的特点提出强概念、弱概念、网络概念,并给出了网络概念的特征值:概念的势、概念平均度.于是,该理论不仅能在网络中找到网络概念,还能给出网络概念的重要性和网络概念内部的差异性.(3)研究了强(弱)概念的有关性质,为以后构造相应的代数系统,生成各种网络概念算子提供了理论基础。

基于弱概念相似度的组推荐方法

网络数据下的概念认知与知识发现是网络背景下机器学习和人工智能的重要研究方向,已被引入到推荐系统研究中。现有的基于概念格的推荐方法忽视了节点之间的网络结构关系,同时构造概念格的效率低且构建概念集合的约束条件较严,在大规模的社交网络中难以实现。为解决这些问题,本文在网络形式背景的框架下,综合复杂网络的拓扑结构和弱概念相似度,提出了基于弱概念相似度的组推荐算法。首先,定义属性度、属性密度来描述属性的重要性,通过改进的节点影响力来确定专家节点;其次,利用专家节点划分社区,在划分的社区中通过属性弱概念下限相似度进行组推荐研究,进而获取推荐规则并对相应社区进行组推荐;最后,利用MovieLens数据集和Filmtrust数据集分析了各参数对本文所提算法的影响,并确定了参数的合理取值。将本文所提算法与其他推荐算法进行比较测试,实验验证了本文算法的有效性。

基于三支因果力的邻域推荐算法

本文将三支决策思想、因果力理论与形式概念分析相结合,提出了三支因果力下的邻域推荐算法。考虑到极端用户评分对推荐精度的影响,根据宽松度和严苛度对用户进行分类,修正极端用户评分。基于修正评分矩阵计算节点之间的三支余弦相似度和节点相似结构重要度,找出专家节点。在对象弱概念需要满足的目标函数和约束条件下进行聚类得到邻域,在邻域中根据属性密度识别关键的条件属性和决策属性并计算置信度,结合三支因果力提取推荐规则对社区成员进行邻域推荐。实验结果表明,本文算法的精确度、召回率、F1均优于其他传统的推荐算法。