本文主要研究内容
作者王妍（2019）在《基于单视图和多视图的复杂网络的社区检测研究》一文中研究指出：21世纪是数据爆发式增长的年代,从这些海量的数据中提取有用的信息变得越来越重要。社区结构是复杂网络的重要属性,随着复杂网络的建立,社区检测研究备受关注。传统的社区检测都试图通过各种算法来获得一个高的评价函数,模块度是广泛使用的评价函数,由于模块度自身的分辨率存在局限性,导致其社区划分结果并不理想。改进的模块度加入可调参数,避免了分辨率的限制。本文提出了基于基因算法和模拟退火算法的优化算法(Genetic Algorithm and Simulated Annealing,GASA)算法,用来提高改进的模块度的最大值。GASA算法是遗传算法和模拟退火算法的融合,该算法既具有遗传算法的全局搜索能力,又具有模拟退火算法的局部搜索能力,相比于使用单一算法优势更加明显。将GASA算法应用在实例中,以客家传统村落的社区划分为例,对客家传统村落的地理环境因素数据进行收集整理,在此基础上对数据进行数字化处理,每个村落的环境数据用12维的向量表示。复杂网络的节点代表传统村落,节点之间是否存在边,取决于节点之间环境的相似度,从而构建复杂网络。利用GASA算法,对传统村落构建的复杂网络进行社区划分,将村落划分为4个社区。传统的单视图数据较为简单,单一数据可能由于数据自身的原因,导致社区划分效果不理想。多视图数据之间可以相互补充完善,进一步提高聚类的效果,很多现实问题的解决也依赖于多视图数据,但是多视图数据的融合是一个非常复杂的过程。为了处理多视图聚类时存在的问题,我们又提出了一种新的多视图聚类算法,自动加权的半监督聚类(Auto-weighted Multi-view Semi-Supervised graph clustering,AMSS)算法,首先采用无缝集成策略将多视图数据进行集成,如拓扑结构、节点、边的属性,这些数据的集成提高了聚类效果。其次将特征属性映射到高维空间中,通过图嵌入的方式赋予每个节点一个属性函数,函数可以识别非线性特征,为每个属性分配一个权重,实现对非线性特征的选择。这样,可以将相似节点聚在一起,不相似的节点被推开。AMSS算法提出的自动加权的多视图模型,不仅实现无缝集成,还可以对这些带有属性的节点进行社区划分。在数据集上进行测试,结果表明该算法在解决多视图聚类问题时具有一定优势。
Abstract
21shi ji shi shu ju bao fa shi zeng chang de nian dai ,cong zhe xie hai liang de shu ju zhong di qu you yong de xin xi bian de yue lai yue chong yao 。she ou jie gou shi fu za wang lao de chong yao shu xing ,sui zhao fu za wang lao de jian li ,she ou jian ce yan jiu bei shou guan zhu 。chuan tong de she ou jian ce dou shi tu tong guo ge chong suan fa lai huo de yi ge gao de ping jia han shu ,mo kuai du shi an fan shi yong de ping jia han shu ,you yu mo kuai du zi shen de fen bian lv cun zai ju xian xing ,dao zhi ji she ou hua fen jie guo bing bu li xiang 。gai jin de mo kuai du jia ru ke diao can shu ,bi mian le fen bian lv de xian zhi 。ben wen di chu le ji yu ji yin suan fa he mo ni tui huo suan fa de you hua suan fa (Genetic Algorithm and Simulated Annealing,GASA)suan fa ,yong lai di gao gai jin de mo kuai du de zui da zhi 。GASAsuan fa shi wei chuan suan fa he mo ni tui huo suan fa de rong ge ,gai suan fa ji ju you wei chuan suan fa de quan ju sou suo neng li ,you ju you mo ni tui huo suan fa de ju bu sou suo neng li ,xiang bi yu shi yong chan yi suan fa you shi geng jia ming xian 。jiang GASAsuan fa ying yong zai shi li zhong ,yi ke jia chuan tong cun la de she ou hua fen wei li ,dui ke jia chuan tong cun la de de li huan jing yin su shu ju jin hang shou ji zheng li ,zai ci ji chu shang dui shu ju jin hang shu zi hua chu li ,mei ge cun la de huan jing shu ju yong 12wei de xiang liang biao shi 。fu za wang lao de jie dian dai biao chuan tong cun la ,jie dian zhi jian shi fou cun zai bian ,qu jue yu jie dian zhi jian huan jing de xiang shi du ,cong er gou jian fu za wang lao 。li yong GASAsuan fa ,dui chuan tong cun la gou jian de fu za wang lao jin hang she ou hua fen ,jiang cun la hua fen wei 4ge she ou 。chuan tong de chan shi tu shu ju jiao wei jian chan ,chan yi shu ju ke neng you yu shu ju zi shen de yuan yin ,dao zhi she ou hua fen xiao guo bu li xiang 。duo shi tu shu ju zhi jian ke yi xiang hu bu chong wan shan ,jin yi bu di gao ju lei de xiao guo ,hen duo xian shi wen ti de jie jue ye yi lai yu duo shi tu shu ju ,dan shi duo shi tu shu ju de rong ge shi yi ge fei chang fu za de guo cheng 。wei le chu li duo shi tu ju lei shi cun zai de wen ti ,wo men you di chu le yi chong xin de duo shi tu ju lei suan fa ,zi dong jia quan de ban jian du ju lei (Auto-weighted Multi-view Semi-Supervised graph clustering,AMSS)suan fa ,shou xian cai yong mo feng ji cheng ce lve jiang duo shi tu shu ju jin hang ji cheng ,ru ta pu jie gou 、jie dian 、bian de shu xing ,zhe xie shu ju de ji cheng di gao le ju lei xiao guo 。ji ci jiang te zheng shu xing ying she dao gao wei kong jian zhong ,tong guo tu qian ru de fang shi fu yu mei ge jie dian yi ge shu xing han shu ,han shu ke yi shi bie fei xian xing te zheng ,wei mei ge shu xing fen pei yi ge quan chong ,shi xian dui fei xian xing te zheng de shua ze 。zhe yang ,ke yi jiang xiang shi jie dian ju zai yi qi ,bu xiang shi de jie dian bei tui kai 。AMSSsuan fa di chu de zi dong jia quan de duo shi tu mo xing ,bu jin shi xian mo feng ji cheng ,hai ke yi dui zhe xie dai you shu xing de jie dian jin hang she ou hua fen 。zai shu ju ji shang jin hang ce shi ,jie guo biao ming gai suan fa zai jie jue duo shi tu ju lei wen ti shi ju you yi ding you shi 。
论文参考文献
论文详细介绍
论文作者分别是来自江西理工大学的王妍，发表于刊物江西理工大学2019-09-23论文，是一篇关于复杂网络论文,社区检测论文,遗传算法论文,多视图数据论文,半监督论文,江西理工大学2019-09-23论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自江西理工大学2019-09-23论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：复杂网络论文; 社区检测论文; 遗传算法论文; 多视图数据论文; 半监督论文; 江西理工大学2019-09-23论文;