基于概率生成模型的网络数据分类方法

利用实体之间的相互关系来对实体进行分类的网络数据分类是数据挖掘的一个重要研究内容.现有的网络数据分类方法普遍根据邻居节点的类别来对节点进行分类.这些方法在同质性程度较高的网络中达到了很高的分类精度.然而在现实世界中,存在许多同质性程度很低的网络.在低同质性网络中,大多数相连节点的类别不同,所以现有方法难以正确预测出节点的类别.因此,提出了一种新的网络数据分类方法.其主要思路是建立一个描述网络的概率生成模型.在这个概率生成模型中,将网络中的边作为观察变量,将未知类别节点的类别作为潜在变量.通过吉布斯采样方法对模型进行求解,计算出潜在变量的取值,从而得到未知类别节点的类别.在真实数据集上的对比实验表明,提出的分类方法在低同质性网络上有更好的分类性能.

基于深度学习的不均衡网络数据分类技术研究

在现实网络环境中,数据分布不均衡是普遍现象,也是研究的热点问题。利用传统机器学习算法解决该问题的研究成果较多,综述性研究也较丰富。但当前从深度学习的角度探讨数据不均衡问题已成为新趋势。对此,综述了基于深度学习方法的研究成果。通过对数据不均衡问题进行深入分析,从数据预处理、分类器设计及改进两大方面梳理相关技术路线,包括传统采样方法与深度学习相结合、利用深度学习网络模型合成数据、代价敏感学习、设计端到端模型的方法,最后针对现有研究提出开放性问题。

基于流形学习的社会化媒体网络数据分类

社会化媒体提供了海量的、大尺度的异质网络数据,如何对网络数据进行分类是一个亟待解决的新问题。基于潜在社会维模型,提出利用流形学习中的拉普拉斯特征映射算法进行社会维抽取。实验表明,在精确匹配率、微平均、宏平均等性能指标上,均优于基于模块度最大化的原有社会维模型。该算法能更好地获取用户的隐性联系,从而更好地分析网络用户行为。

《网络安全标准实践指南——网络数据分类分级指引》正式发布

近日,全国信息安全标准化技术委员会秘书处正式发布《网络安全标准实践指南——网络数据分类分级指引》(以下简称“《实践指南》”)。亚信安全全程参与了《指南》的讨论和编制工作,基于多年积累的数据安全实践经验以及前瞻性数据安全技术研究与创新,在网络数据安全标准框架、分类分级工作中提出了大量建议,助力《指南》制定与落地。

网络数据分类研究进展

各种网络的广泛应用产生了大量的网络数据,对网络数据进行分类是数据挖掘的一个重要问题.文中对网络数据分类的国内外研究进展进行评述.首先概述网络数据分类的基本概念,然后详细分析各种网络数据分类算法,重点讨论在网络标注稀疏情况下的网络数据分类面临的挑战和解决策略,最后对网络数据分类技术进行总结和展望.

失独家庭问题研究--建立网络分类数据库的必要性

家中唯一子女不幸离世的家庭被称为"失独家庭"。这类家庭面临许多养老困境:如精神创伤,医疗负担、生活贫困等。虽国家已出台政策,要求从2014年起提高对独生子女伤残的特殊家庭的经济补助,但由于在人数统计、状况分类、实际需求等环节存在问题,补助无法按要求落实,无法解决老人们的养老困境。文章根据问题进行分析,提出了建立网络分类数据库的必要性。

Twitter的Follow关系和Retweet关系对比

研究Twitter在线社交网络中,Follow关系和Retweet关系在传播用户影响力和表征用户同质性这两方面的差异。为研究两者在传播用户影响力上的差异,定义了V f变量和V r变量分别度量Follow关系和Retweet关系的作用;为研究两者在表征用户同质性上的差异,分别基于Follow关系和Retweet关系构造出对应的社交网络图,并采用wvRN算法分别对两个网络内的用户进行分类。通过对比用户的V f变量值和V r变量值发现,Retweet关系在传播用户影响力方面的作用优于Follow关系;通过对比分类结果发现,Follow关系比Retweet关系更能表征用户的同质性,基于Follow关系的分类精度比基于Retweet关系的分类精度高20%,分类结果同时揭示不同类别的用户体现出了不同的关注和信息互动特性。基于上述研究说明Follow关系和Retweet关系所携带的信息是不同的。