动态属性网络的语义社区发现及演化分析具有重要研究价值,其包含动态社区发现、社区语义解释及社区演化分析三个任务,但现有方法均难以同时实现.针对该问题,提出一种基于联合非负矩阵分解的方法DANNMF(NMF for Dynamic Attributed Netwo...动态属性网络的语义社区发现及演化分析具有重要研究价值,其包含动态社区发现、社区语义解释及社区演化分析三个任务,但现有方法均难以同时实现.针对该问题,提出一种基于联合非负矩阵分解的方法DANNMF(NMF for Dynamic Attributed Networks).DAN-NMF可以统一集成网络拓扑结构信息、节点属性信息及社区演化平滑约束信息,并利用最大最小化优化框架推导相关因子矩阵的迭代更新规则,从而可以直接获得动态社区发现、社区语义解释及社区演化分析结果.在人工合成和真实的动态属性网络进行大量相关实验,结果表明DAN-NMF比最优的基准方法在准确性指标上至少提高了7.3%.此外,在真实动态属性网络上的相关数据分析结果也表明DAN-NMF能够有效地发现动态社区的演化模式,并提供丰富的社区语义解释.展开更多
文摘动态属性网络的语义社区发现及演化分析具有重要研究价值,其包含动态社区发现、社区语义解释及社区演化分析三个任务,但现有方法均难以同时实现.针对该问题,提出一种基于联合非负矩阵分解的方法DANNMF(NMF for Dynamic Attributed Networks).DAN-NMF可以统一集成网络拓扑结构信息、节点属性信息及社区演化平滑约束信息,并利用最大最小化优化框架推导相关因子矩阵的迭代更新规则,从而可以直接获得动态社区发现、社区语义解释及社区演化分析结果.在人工合成和真实的动态属性网络进行大量相关实验,结果表明DAN-NMF比最优的基准方法在准确性指标上至少提高了7.3%.此外,在真实动态属性网络上的相关数据分析结果也表明DAN-NMF能够有效地发现动态社区的演化模式,并提供丰富的社区语义解释.