基于精准k核的复杂网络节点重要性评估方法

由于k核存在破坏网络整体结构信息、忽略邻居节点影响力等缺点,导致每个节点难以量化区分.为了提高关键节点的识别精度,首先改进了k核的分解过程,提出了精准k核Ak.考虑到网络中局部特征信息和全局结构信息对节点的影响,将精准k核应用到重力中心性中,并提出了精准重力中心性AGC.信息学中的香农熵在网络关键节点识上具有良好的扩展性,通过结合邻域度中心性、邻域精准k核以及精准重力中心性三者的香农熵,最终提出了混合中心性MC对节点重要性进行多元评估.在7种真实网络下,对MC和其他节点评估指标分别从单调性和准确性上进行了一系列实验,实验结果表明MC具有更好的关键节点识别性能.

基于图压缩的最大Steiner连通k核查询处理

研究了基于图压缩的最大Steiner连通k核查询处理,提出了一种支持最大Steiner连通k核查询的图压缩算法SC,证明了基于SC压缩算法的查询正确性.由于最大Steiner连通k核查询仅需要找到符合要求的连通区域,提出了图压缩算法TC,进一步将压缩图压缩为树.证明了基于压缩树的查询正确性,并提出了线性时间的无需解压缩的查询处理算法.真实和虚拟数据上的实验结果表明：压缩算法平均可将原始图压缩掉88%,且对于稠密的原始图,压缩算法的压缩效果更好,可将原始图压缩掉90%,与在原始图上直接进行查询处理相比,基于压缩图的查询处理算法效率更好,平均提升了1~2个数量级.

社交网络中基于K核分解的意见领袖识别算法

针对在社交网络中挖掘意见领袖时存在的计算复杂度高的难题,提出了一种基于K核分解的意见领袖识别算法CR。首先,基于K核分解方法获取社交网络中的意见领袖候选集,以缩小识别意见领袖的数据规模;然后,提出包括位置相似性和邻居相似性的用户相似性的概念,利用K核值、入度数、平均K核变化率和用户追随者个数计算用户相似性,并根据用户相似性对候选集中的用户计算全局影响力;最后,根据用户全局影响力对意见领袖候选集中的用户进行排序,从而识别意见领袖。在实验部分使用独立级联模型(ICM)预测的用户影响力和中心性两种评价指标在三个大小不同的真实数据集上对所提算法选出的意见领袖集进行评估,并将该算法与其他三种识别意见领袖的算法对比,结果表明该算法选出的影响力Top-15的用户平均影响力以21.442高于其他三个算法。另外,与四种与K核相关的算法做相关性指标对比的结果表明,CandidateRank算法总体来说效果较好。综上,CandidateRank算法在降低计算复杂度的同时提高了准确性。

基于贪婪策略的紧密k核子图查询

k核查询是一种社团查询,由于其可以在线性时间内被有效计算,因此在社团检测中具有较广泛的应用。图中边的权值在很多场景下具有较强的语义关系,但现有研究较少考虑图中边的权值。为提升k核查询的效率,在k核的基础上定义加权图中的紧密k核子图查询(CRKSQ)问题,并使用归约方法证明该问题是NP-难的。基于贪婪策略设计启发式算法CRK-G,通过迭代删除节点为CRKSQ问题找到一个近似解。在此基础上,从降低图规模和减少迭代次数两方面研究CRK-G算法的优化策略,分别提出使用图压缩策略的算法CRK-C及使用单次多节点删除策略的算法CRK-F。在Bio-GRID、Email-Enron、DBLP 3个数据集上的实验结果表明,相对于CRK-G算法,CRK-C、CRK-F算法在查询速度上有较大的提升,且平均误差均在8%以内。

内容中心网络中基于K核分解的缓存决策策略

内容中心网络(CCN)默认采用的处理缓存方式存在严重的缓存冗余,而基于介数的缓存决策虽然降低了缓存冗余,但其计算复杂度较高,不适合部署在CCN网络层。为此,提出基于K核分解的缓存决策策略。给出基于K核分解方法的K核值指标定义,将数据对象缓存到请求路径上K核值最高的节点,并给出当K核值相同时依据剩余缓存空间和请求跳数的决策策略。仿真实验结果表明,基于K核分层的缓存决策策略具有较快的收敛速度,在缓存系统稳定时有更高的缓存命中率和更快的缓存响应速度。

融合度与K核迭代次数的节点重要性排序算法

传统的节点重要性排序算法多从单一属性角度进行分析,评价不够全面,影响排序结果的准确度。为解决这一问题,从多属性融合的角度提出一种融合度与K核迭代次数的节点重要性排序算法,从局部(即度)和全局(即K核迭代次数)两个属性对节点重要性进行综合评价,使用熵权法确定局部属性和全局属性对节点重要性的贡献权重。人工网络和真实网络的实验结果表明,该算法对节点重要性进行排序时具有较高的准确性和较好的时间效率。

基于混合的K核影响力的标签传播算法

社会网络中近年来的一个研究热点就是社团发现,在众多的社团发现算法中,将标签传播算法应用到社团发现中是非常快速的一种算法,得益于其接近线性的时间复杂度,该算法能够处理大规模的社会网络。KLPA是一种基于k值影响力的改进标签传播算法,结合K值及局部影响力改进迭代及标签选择过程。实验证明,使用改进算法能够得到更好的社区划分结果。

面向汽车运行工况数据采集的道路等级K核划分方法（英文）

为解决需采集大量汽车工况数据以保证试验数据的代表性以致试验成本显著增加的问题,研究了路网的等级特性,提出了一种基于K核和最优分割理论的城市道路等级划分方法。K核算法通过同时考虑道路流量和道路位置,使得Ks值相近的道路具有相似的速度和加速度概率分布;并可以根据不同道路的Ks值,采用最优分割理论将整个道路网络分为若干等级;伪F统计量被用来确定路网划分的合理等级个数。根据长春2辆出租车1年的行驶数据和通化1辆出租车半年的行驶数据,将长春和通化的路网分为3个等级。结果表明:同一等级下道路的速度、加速度概率分布具有很高的相似度,尤其是占城市绝大部分流量的前两等级,其样本相似系数αab高达70%以上,因此在进行汽车运行工况数据采集的过程中,只需采集每种等级中很少的几条道路就可以代表整个路网的特征;利用路网的等级特性研究的K核分级方法,可以在保证数据代表性的前提下,减少汽车运行工况数据采集的时间和数据量。

基于Agent和K核分解的群体事件微博传播模型

【目的/意义】有别于众多现有的针对社会群体事件的定性理论研究,文章采用了定性分析和定量研究相结合的方式探讨群体事件在微博网络中的传播特点,并给出了社会群体事件在微博中传播的传播模型。【方法/过程】以定性分析和定量讨论相结合的方式为指导思想,以复杂系统的理论为依据,提出对群体事件的微博传播进行基于Agent的建模分析;以复杂网络的相关知识为支撑,提出依据K-Shell index方式来划分Agent群类并设计了相应的交互规则。【结果/结论】实证分析了以K-shell index为依据构建Agent的优点;基于Repast平台对所设计的模型进行了仿真分析、模拟出了由个体用户的意见从无序交互到集中爆发的涌现过程,并以真实群体事件的数据为基础论证了该模型的科学性和实用性。这些工作能帮助人们更科学地理解群体事件微博传播中的演变规律,从而为群体事件的及时预测和有效应对提供理论指导。

D816V突变型KIT特异性诱导COS-1非洲绿猴肾细胞核不均一核糖核蛋白 L(HNRNPL)和HNRNPK磷酸化

目的探究Ⅲ类酪氨酸激酶受体KIT D816V突变对核不均一核糖核蛋白L(HNRNPL)和HNRNPK的调控作用。方法在COS-1非洲绿猴肾细胞表达野生型KIT或KIT D816V,或与HNRNPL或HNRNPK共表达,用免疫沉淀法和Western blot法检测KIT活化及HNRNPL、HNRNPK的磷酸化,通过激光共聚焦显微镜检测KIT、HNRNPL、HNRNPK在COS-1细胞中的定位。结果野生型KIT需要其配基干细胞因子(SCF)的刺激发生活化,而KIT D816V无需SCF刺激即可发生自活化。此外,KIT D816V可诱导HNRNPL和HNRNPK发生磷酸化,而野生型KIT无此功能。HNRNPL和HNRNPK在细胞核表达,野生型KIT在细胞膜和细胞质表达,而KIT D816V主要表达于细胞质。结论野生型KIT活化需要其配体SCF参与,而KIT D816V无需SCF刺激即可发生自活化,并能特异性诱导HNRNPL和HNRNPK磷酸化。

基于K核分解的网络知识社区关键用户挖掘研究

[目的/意义]为了提升关键用户在知识型社区发展中的知识贡献,对知识型社区情景下的关键用户挖掘方法进行研究。[方法/过程]以CSDN社区用户作为研究对象,分析用户交互行为与发布的文本特征,在K核分解方法的基础上,考虑相邻用户节点的影响力贡献差异,定义网络边的潜在影响力与边的影响因子,综合考虑用户知识贡献者与传播者双重身份,构建关键用户挖掘模型与排序方法。[结果/结论]结果表明,本文方法能够有效识别现实网络知识社区中的关键用户。

社交媒体个人数据资源的多边市场竞争研究——基于k核凝聚子网的实证解析

基于2016~2017年期间连续的用户活跃度相关指标和社交媒体平台API开放状态,构建社交媒体平台链态矩阵,并采取社会网络分析(SNA)方法中的k核分析方法,通过网络模块度、网络聚集系数和网络密度的测定,对选取的31个具有代表性的中国社交媒体平台个人数据链接网络(PDCN)的汇聚结构进行分析。实证结果显示,样本网络存在网络聚集系数和网络密度较高的k核子网络,处于k核子网络中的平台构成了一个完整的数据资源配置网络。研究认为目前中国社交媒体平台个人数据链接网络汇聚较为显著,社交媒体产业结构性资源的个人数据资源的汇聚直接影响市场竞争状态,处于个人数据链接网络结构中心位置的平台对基于数据资源的多边市场竞争结构具有较强的控制力。

一种基于PSO同步进行特征选择及参数优化的核K近邻分类算法

特征选择及分类器参数优化是提高分类器性能的两个重要方面,传统上这两个问题是分开解决的.近年来,随着进化优化计算技术在模式识别领域的广泛应用,编码上的灵活性使得特征选择及参数的同步优化成为一种可能和趋势.为了解决此问题,本文研究采用二进制PSO算法进行特征选择及核K近邻分类器参数的同步优化.实验表明,该方法可有效地找出合适的特征子集及核函数参数,并取得较好的分类效果.

基于K型核函数的支持向量机

提出了一个可行的支持向量核函数——K型核函数,由此得到了K型支持向量机.证明了K型核函数满足Mercer条件且是转移不变支持向量核函数,分析了K型核函数具有较小的计算量和计算时间代价,并且相应的K型支持向量机具有较高的精确性和较好的泛化能力,利用K型核函数得到了一种新型的K型支持向量机.最后给出了几个计算机模拟的实例,包括支持向量回归和支持向量分类,来说明K型支持向量机的优势.

用核K-means聚类减样法优化半定规划支持向量机

提出了使用核空间K-means聚类算法从训练集中抽取特征边界支持向量集,在边界集上构造支持向量机的半定规划问题,由于边界集的规模比原始训练集要小,降低了半定规划支持向量机的规模,达到优化向量机的目的.在UCI数据集上的实验结果表明:所提优化方法在求解多核半定规划向量机时,比原始方法获得几倍以上的速度提升,分类精度基本不变.

基于基因表达式编程的核k近邻分类算法

核k近邻分类算法在生物信息学和蛋白质结构预测等领域中的应用受到人们极大的关注。核函数在核k近邻分类算法的分类性能中起着重要的作用,如果核函数及其参数选择得当,则将获得较高的分类准确率。为了自动产生合适的核函数,提高分类的准确率,提出了一种基于基因表达式编程的核k近邻分类算法GEPKNN。该算法的基本思想是用基因表达式编程搜索与训练数据相关的核函数及其参数,在进化过程中用k折交叉验证评估个体的适应度。该算法克服了核k近邻算法的主观性和不确定性,能自动产生合适的核函数并提高分类的准确率。

基于核的K近邻法

将核学习方法的思想应用于K近邻法中,提出了一种核K近邻算法,算法的主要思想是:首先将原空间中待分类的样本经过一个非线性映射,映射到一个高维的核空间中,突出各类样本之间的特征差异,然后在这个核空间中进行K近邻分类。为了验证算法的有效性,分别利用人工和实际数据进行K近邻分类和核K近邻分类,实验结果显示对于一些特殊的类分布数据,核K近邻分类比K近邻分类具有更好的分类效果。

基于改进K-Shell的社会网络关键节点挖掘算法

传统的K-Shell分解法具有时间复杂度低的特点,但其划分结果普遍粗粒化,难以满足精细化节点重要性划分的实际需求。基于K-Shell分解法,提出一种改进的重要节点挖掘算法。在充分利用节点的网络位置信息的基础上,考虑节点的度数和节点被删除时所处的迭代层数,提出改进的K-Shell方法;在用改进的K-Shell对节点排名并提取核心网络后,结合节点的PageRank值,定量分析网络核心层的节点,形成多层级的节点重要性划分。在三种真实网络数据集中的实验验证表明,该方法能显著提高K-Shell分解法的分辨率,并且时间复杂度低,适用于大规模网络的应用。

异质性胞核核糖核蛋白K在肝癌组织及不同密度肝癌细胞中的表达

目的:观察异质性胞核核糖核蛋白K(heterogeneous nuclear ribonucleoprotein K,hnRNPK)在肝细胞癌(hepatocellular carcinoma,HCC)组织中的表达及在不同密度肝癌细胞(PLC/PRF/5)中的亚细胞定位。方法:免疫组化染色观察肝细胞癌组织中hnRNPK的表达;Western印迹检测肝癌组织(n=30)及对应癌旁组织hnRNPK蛋白表达差异;应用细胞免疫组化和Western印迹法比较不同密度肝癌细胞hnRNPK蛋白的亚细胞定位及表达。结果:肝细胞癌组织hnRNPK蛋白主要表达于细胞核。hnRNPK蛋白表达在30例的肝癌组织中有21例高于其对应的癌旁组织;20倒HBV阳性肝癌组织有16例高于其对应的癌旁组织,而10例HBV阴性肝癌组织仅有5例表达高于癌旁组织。细胞免疫组化结果表明。hnRNPK主要表达于PLC细胞核中,并且随密度(汇合率为30%、50%、90%)的上升。其表达量逐渐上升。Western印迹结果表明,不同密度(汇合率为30%、50%、70%、90%)肝癌细胞的细胞质中,hnRNPK的表达量无统计学差异;而在细胞核中,随着细胞密度的增大,hnRNPK的表达量逐渐升高。结论:肝癌组织细胞核hnRNPK表达上调,且随着肝癌细胞密度的增加。其表达会逐渐增强,HBV感染可能会促进其表达。

核K均值聚类改进神经网络垃圾标签检测模型

为了提高垃圾标签检测精度,提出一种核K均值聚类和改进神经网络相融合的垃圾标签检测模型。首先核K均值聚类算法提抽取垃圾标签的特征向量,然后将特征向量集输入到BP神经网络进行训练,并采用混沌粒子群算法对BP神经网络的参数进行优化,最后建立垃圾标签检测模型,并通过仿真实验对模型性能测试。结果表明,该垃圾标签检测算法模型不仅提高了垃圾标签识别率,训练时间大幅度减少,垃圾标签检测效率得到提高,可以较好满足垃圾标签实时、在线检测要求。