导读:本文包含了社区结构挖掘论文开题报告文献综述及选题提纲参考文献，主要关键词:微博签到,POI,社区发现,层次聚类
社区结构挖掘论文文献综述
别婉娟,易孜芳,肖蓊岸,万幼[1]（2019）在《面向微博签到数据的城市社区结构挖掘》一文中研究指出近年来,城市发展趋向区域化管理,为了得到贴近城市真实内部结构的区域划分方式,辅助城市规划决策,需要在以人为本的角度进行城市社区结构挖掘。基于2015年深圳市的微博签到数据,对现有城市社区结构挖掘研究中社区发现最小单元定义不合理、划分特征因子多为独立特征缺乏关联性等不足进行改良。经过有效数据筛选形成用户轨迹后,将Voronoi划分得到的泰森多边形作为社区发现的最小单元,保留划分对象重要程度的不同,并以此构建一张由特征签到POI点形成的城市内部交互网络。划分特征因子除了人群的主观迁徙外,还增加了空间邻近约束,通过REDCAP社区挖掘算法对构成的地理空间网络进行区域分割,确保了社区划分结构的完整性。最后选取模块度最大为0.5095时的划分结果,通过实地比对和POI类型分析,发现得到的7个子社区功能结构完整、且社区间差异明显,对于城市公共设施的完善和城市规划发展的区域划分方向具有重要参考意义。(本文来源于《地理信息世界》期刊2019年04期）
王亚卫[2]（2018）在《基于社区结构的复杂网络分布式关键节点挖掘算法》一文中研究指出在复杂网络中挖掘关键节点具有重要的现实应用价值,本文通过对复杂网络结构和特性的研究分析,同时考虑到网络规模不断变大的问题,进行了如下工作。首先,构建复杂网络的分布式处理模型。分别对HDFS文件中复杂网络数据的划分,算法中间结果数据的存储方式和基于MapReduce的多任务计算框架做了详细的设计。其次,针对无权复杂网络,提出基于社区结构的关键节点分布式挖掘算法。该算法针对节点社区结构属性、节点的直接邻里关系,得到节点对应的社区因子、信息扩散系数和信息传播依赖度,在此基础上,计算得出节点自身重要度;接着通过对节点间接邻里关系的考虑,得出节点综合重要度,其大小决定节点在整个网络中的关键程度。再次,针对加权复杂网络,提出基于核心点社区的分布式关键节点挖掘算法。该算法基于节点相似度,划分邻域点社区;接着对互为合并点社区的邻域点社区进行合并,得到核心点社区,进而完成整个网络的社区划分;每个核心点社区的核心点作为嫌疑关键节点群,考虑度属性、权重属性、多层邻里关系,计算核心节点综合重要度,并在每个社区中按照重要度值从大到小排序,取出每个社区中前几个节点作为全网的关键节点。最后,针对本文提出的两个算法,基于分布式平台进行实现,并与经典的关键节点挖掘算法进行了对比分析,验证本文算法在性能上的优势。(本文来源于《燕山大学》期刊2018-05-01）
罗彩君[3]（2014）在《一种改进的Web社区结构挖掘系统》一文中研究指出针对HITS算法、传统最大流算法在挖掘Web社区时存在主题漂移、噪音页面等问题,采用基于传递概率的边容量分配最大流改进算法,开发了一个改进的Web社区结构挖掘系统,详细描述了该系统的设计和实现过程。实验表明,利用该系统进行Web社区挖掘能较好的解决传统算法中存在的问题,进一步提高了Web社区挖掘的准确性。(本文来源于《电子设计工程》期刊2014年12期）
应加炜[4]（2014）在《社会网络的社区结构挖掘与社区影响分析》一文中研究指出Web和Internet在过去的十年中得到了快速的发展,同时也发生了巨大的变化,涌现出了无数互动的Web应用程序和社交网站,如Facebook、Twitter、Flickr、新浪微博等。广大的用户群体由这些应用和站点所代表的社交媒体服务通过特定的方式联系在一起,构成了以用户为节点、以联系为边的社会网络。随着对社会网络的深入研究,研究人员发现社会网络中的用户由于某些紧密的联系,倾向于形成一定的社区结构,作为社会网络最普遍且最重要的拓扑结构属性之一,它能够揭示社会网络中用户的行为特征以及某些隐藏的规律,因此社区结构挖掘问题备受学术界的关注。此外,由于社会化商务(Social Commerce)的兴起,许多企业都通过用户交互以及用户生成内容等形式在Facebook和微博平台上进行营销、推广等活动,拓展商品的销售渠道,并且获得了巨大的经济效益,吸引了许多研究人员对社会网络中的影响力进行深入研究,但目前主要的研究都集中在用户级别的影响力,对社区级别的影响力却很少涉及。面对商业领域旺盛的应用需求,本文对社会网络分析的两大关键问题——社区结构挖掘以及社区影响分析展开研究。这两个问题都和社区相关且存在紧密的联系。目前如何自动、准确地对社区结构进行挖掘,以及在社区结构的基础上,对社区的影响力进行有效合理的评估仍是亟待解决的问题。在社区挖掘问题上,本文通过分析社会网络社区挖掘问题的优化目标,构造多目标优化模型,提出了一种社区挖掘的多目标分解粒子群优化算法。该算法采用切比雪夫分解方法将多目标优化问题分解为多个标量优化子问题,然后使用粒子群优化算法(PSO)挖掘社区,并引入一种新颖的基于局部搜索的变异策略以提高算法的搜索效率、加快收敛速度,算法克服了单目标优化方法存在的解单一及难以发现社区层次结构的缺陷。在人工网络及真实网络上的实验结果都表明,算法能够快速准确地挖掘社会网络中的社区并且揭示其层次结构。在社区影响分析问题中,本文以社区结构为基础,对社区级别的影响力进行建模,构建了一个新颖的社区级别影响力评估分析模型,该模型使用马尔科夫链对社区影响力进行计算。此外,考虑社区影响力因素,本文还设计了一个简单有效的启发式节点选择策略,通过得到的种子节点集合进行影响力传播实验,且和经典的影响力最大化算法进行对比,实验结果表明,该节点选择策略能够有效的传播影响力,这也验证了本文所提出的影响力分析模型的合理性以及对影响力的传播所起的促进作用。(本文来源于《福州大学》期刊2014-02-01）
陈永涛[5]（2011）在《一种基于局部信息的分布式社区结构挖掘算法》一文中研究指出复杂系统是现实世界的重要组成部分，复杂网络是对复杂系统的抽象。研究并发掘复杂网络的性质可以帮助人们更好的理解复杂系统。随着社会的网络化以及计算机技术的不断发展，人们对现实世界的建模能力较过去有了长足的发展，这使得网络科学的工作者所接触的网络模型越来越复杂，面对的任务也越来越重。而社区结构是人们认识复杂网络的一个有力工具，从而使得解决复杂网络中的社区结构挖掘问题成为一项积极有意义的工作。现实世界中个人在生活工作中所产生的数据急剧增加，同样它们所需要的信息量也随之增加。面对海量数据，如何在一个可接受的时间内挖掘出特定人群所需要的信息是一个重要的挑战，分布式成为人们处理海量数据的主要方式之一。文中首先分析了复杂网络的基本特征并以此引出复杂网络的社区结构特征；然后分析了现有的社区结构挖掘算法，总结了算法的优缺点。基于全局信息的社区结构挖掘算法需要利用网络的全局信息，因此时空复杂度都较高，而且在复杂网络中全局信息并不容易获得。为此本文研究并实现了一种基于局部信息的社区结构挖掘算法，同时将其推广到分布式平台上进行实现。利用分布式平台的优势，达到时间与空间的良好平衡。文中在Clauset提出的局部模块度概念的基础上提出了一个新的衡量节点是否属于特定社区的函数，应用该函数对Bagrow算法进行改进，改进的算法考虑了节点的更多信息，因此在精确度上取得了进展，但是算法的迭代速度并没有提高。随后文中分析了本地社区中节点的特点并提出了两种启发式方法，应用启发式得出了一种新的算法，新算法在保持准确度的同时提高了算法的迭代速度，而后将其以MapReduce的编程模型进行实现，最后在Hadoop开源平台上实现整个算法，并进行了实验验证。实验结果表明改进算法较原始的Bagrow算法在精确度上有了一定的进步。而算法的MapReduce实现则证明了在数据量逐渐增大时，分布式计算是一个有力的武器。(本文来源于《哈尔滨工程大学》期刊2011-12-01）
陈传梓[6]（2011）在《基于复杂网络理论的社区结构挖掘与人类行为模式特征分析》一文中研究指出近年来,复杂网络理论的发展为人类了解诸如Internet、生物网络、WWW、Blog网络等真实网络提供了理论模型和研究框架。研究表明,大量的真实网络具有小世界效应、无标度性质、聚集性质和社区结构特性。如何从大量真实网络的数据中发现有意义的基本特征信息以及通过对行为数据分析社区结构特性以及进行行为预测匹配是近年来复杂网络理论应用以及Web数据挖掘的研究热点问题之一。社区结构是复杂网络的一个重要特性,对社区结构的挖掘研究可以更好地揭示出复杂网络的内部结构,而复杂网络的内部结构进一步地影响到网络的演化和动力行为特征。到目前为止,对社会网络的主要研究大多基于静态网络或演化网络。在静态网络中,现实中的网络被建模为时间无关的网络,而在演化网络中,许多研究者只考虑随时间推移而增加的节点和边。通过这些研究,已经有许多显着的发现被应用于诸如互联网和引用网络中,例如小世界特性和无标度特性,然而当涉及到社会网络时,静态网络和演化网络是不足以描述这一情形的。而人类行为则是典型的社会动态网络,构建合理的网络规则,建立正确的网络模型是研究人类行为的一种有效手段。行为网络是一种特殊的社会网络,通过对行为网络中数据的特征分析和社区结构挖掘,有助于我们进一步对行为进行预测以及提出实际可以提高效率的解决方案,也是对真实社会网络建模和分析的依据和基础。论文将复杂网络的理论应用于上海市出租车运行模式和博客空间社区结构划分上,分别对来自上海市公交公司的出租车数据和博客数据进行了分析研究。论文的具体工作如下：1、对来源于上海市公交公司的数据进行处理,获得样本出租车运行的有效动态轨迹网络图,为理解复杂网络小世界效应、无标度性质、聚集性质和社区结构特性建立了新的视角；2、从复杂网络基本特征出发,分析出租车行为特征与人类活动基本特性的异同之处,包括活动轨迹图,步长概率分布图,行为模式随时间增长的回旋半径大小关系,活动的时空特性,各向异性等结论：出租车虽然和人类行为属于不同的活动模式,但是同样遵循复杂网络的基本特性,属于无标度网络范畴。该研究对构建动态的接触网络模型提供了依据,同时也会对上海市的功能区域预测匹配以及上海市出租车的资源配置和利益收入有一定的指导意义；3、通过博客空间的社区结构分析,对原博客空间的数据进行网络图描绘,并进行合理的社区结构划分与验证。应用了海量数据的处理方法,结合采用层次化社区划分和模块化方法对博客空间进行社区划分,得到原博客空间的7个社区结构,并计算出相应的模块化Q值,验证了博客空间的复杂网络基本特性。(本文来源于《浙江大学》期刊2011-01-05）
才华,周春光,卢廷玉,王喆[7]（2009）在《重迭社区结构的挖掘算法》一文中研究指出针对大多数社区挖掘算法致力于寻找独立不相重迭的社区结构,而实际的网络中,社区结构往往是重迭的问题。基于凝聚方法和贪婪算法原理,提出了一种新的算法来挖掘社会网络中彼此重迭的社区结构。在模拟数据集和标准测试数据集上的实验结果表明了算法的可行性和有效性。(本文来源于《吉林大学学报(工学版)》期刊2009年04期）
马海宾[8]（2009）在《大规模动态社会网络社区结构挖掘与分析方法》一文中研究指出现实世界中的许多系统都以复杂网络的形式存在,网络簇结构是复杂网络最普遍和最重要的拓扑属性之一,具有同簇节点相互连接紧密、异簇节点相互连接稀疏的特点。复杂网络聚类方法旨在挖掘出复杂网络中客观存在的网络簇结构,对于分析复杂网络的拓扑结构、理解其隐含模式、预测其行为都具有十分重要的理论意义,在社会网、生物网和万维网中具有广泛的应用。本文对复杂网络聚类方法的相关背景和理论进行了研究;在此基础上,以Enron邮件数据集为例,从动态数据集构建复杂网络;对目前具有代表性的一些算法从算法原理上进行剖析,并通过实验对典型算法从聚类精度和运行速度上进行定量比较;针对大规模动态复杂网络,设计了一种简单、快速挖掘复杂网络中局部簇结构的复杂网络聚类方法,该方法基于本文所提出的网络簇增长模型,是一种启发式的复杂网络聚类方法,能够在不了解整个网络结构的前提下,从网络的局部信息出发,在近乎线性时间内挖掘出一个局部网络簇结构,通过对比实验的测试,算法在随机网络中的聚类精度与CPM算法和FN算法相当,且能够在大规模网络中快速查找出一个局部网络簇结构;最后本文简要介绍了动态网络的分析方法。(本文来源于《吉林大学》期刊2009-04-01）
王翼[9]（2009）在《复杂网络社区结构挖掘及演化分析》一文中研究指出在复杂网络的研究过程中,社区(复杂网络的特殊子图)的发现以及相关分析始终成为关注焦点。在过去的几年中,人们注重从复杂网络中发现社区结构,但该方法单纯分析其平面拓扑特性。对于社区属性的深入分析,特别是社区结构的空间和时间维度分析,尚处于发展阶段。通过分析社区空间特性,使人们以更准确的方式观察整个社区。通过分析社区随时间变化,使人们追踪社区的发展过程,即演化过程。所以,本文将社区的空间分析和时间分析作为两个研究点。不同与现在流行的基于结构分解的社区空间结构分析方法,本文提出了面向内容的分析方法。它的目标是在只知道社会网络的拓扑结构前提下,能够分析出不同社区位于的社会层次,即哪些社区处于社会上层或下层。分析社区空间结构分为如下步骤:(1)挖掘结点活动范围;(2)定量分析结点活动范围;(3)确定结点的网络地位;(4)发现社区结构;(5)确定社区所在网络中阶层。该方法帮助人们从一个新的角度来观察社会网络。本文提出的基于核心的演化跟踪算法目的是挖掘某一时刻的社区在下一时刻的状态。它具有如下步骤:(1)确定社区核心点;(2)利用社区核心点,为处于不同时间段的社区建立演化关系。该方法实现无参数化,同时它能够发现社区演化路径中的分裂点和融合点。通过分析社区演化路径,人们可以预测社区的发展趋势。本文实验数据包括:科研合作网、电话呼叫网、Enron公司Email网、电影演员合作网、Internet网、词网、软件网等等。多样的实验数据有效地验证以上提出的算法。在社区空间挖掘方面,本文成功展示出Enron公司的社区阶层:叁个社区位于领导层,六个位于普通员工层。在社区时间演化方面,本文分析了多种数据集社区的演化发展路径。当对社会网络和非社会网络的演化特性比较后,根据它们的相异点(比如:在社会网络中,成员变动越大的社区活得越长;在非社会网络中,情况相反),本文提出了一种全新的区分社会网络和非社会网络的方法。它在本文提供的实验数据下成立。同时该区分方法帮助人们改进社会网络模型。(本文来源于《北京邮电大学》期刊2009-02-25）
罗彩君[10]（2008）在《Web社区结构挖掘的研究与应用》一文中研究指出Web是一个复杂超文本所组成的巨大信息源,而且以很快的速度在不断的扩大,Web在发展过程中存在着大量的社区,这些社区是Web组织中非常重要的信息,社区可以为用户提供有价值的、可靠的、及时的信息,社区反映了Web中普遍存在的、复杂的聚团关系和层次关系。如何利用和发现Web中的社区,是Web挖掘的一个研究方向。本文在分析了Web社区的定义、社区的发展、Web数据挖掘的概念与分类、链接分析技术等基础理论的基础上,对Web社区结构挖掘的典型算法:基于重要度分析的PageRank算法、基于有向二分图的Trawling算法、基于主题提取的HITS算法进行了详细的分析和比较。重点研究了传统最大流算法和基于HITS算法的边容量分配最大流算法的实现过程及在社区挖掘中存在的问题。传统最大流算法虽然能较好的解决主题漂移问题,但对社区的质量和数量也会带来许多不利的影响。而基于HITS算法的边容量分配最大流算法因为采用两个结点的中心值和权威值的简单加和平均作为边容量,从而有可能增加噪音页面被提取到社区。为解决上述算法中存在的问题,本文提出了基于传递概率的边容量分配最大流改进算法,该算法将节点连接度和节点相关度这两个不同角度的属性特征量化地融合到连边的传递概率中,根据传递概率分配边的容量,传递概率的计算综合考虑了节点之间的多种因素,对原算法进行了优化。本文最后设计了一个Web社区结构挖掘系统,该系统利用本文提出的改进算法进行Web社区挖掘,经过大量的实验证明,该系统能较好的解决传统算法在社区挖掘中存在的一些问题,进一步提高了Web社区挖掘的准确性。(本文来源于《西北大学》期刊2008-06-30）
社区结构挖掘论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在复杂网络中挖掘关键节点具有重要的现实应用价值,本文通过对复杂网络结构和特性的研究分析,同时考虑到网络规模不断变大的问题,进行了如下工作。首先,构建复杂网络的分布式处理模型。分别对HDFS文件中复杂网络数据的划分,算法中间结果数据的存储方式和基于MapReduce的多任务计算框架做了详细的设计。其次,针对无权复杂网络,提出基于社区结构的关键节点分布式挖掘算法。该算法针对节点社区结构属性、节点的直接邻里关系,得到节点对应的社区因子、信息扩散系数和信息传播依赖度,在此基础上,计算得出节点自身重要度;接着通过对节点间接邻里关系的考虑,得出节点综合重要度,其大小决定节点在整个网络中的关键程度。再次,针对加权复杂网络,提出基于核心点社区的分布式关键节点挖掘算法。该算法基于节点相似度,划分邻域点社区;接着对互为合并点社区的邻域点社区进行合并,得到核心点社区,进而完成整个网络的社区划分;每个核心点社区的核心点作为嫌疑关键节点群,考虑度属性、权重属性、多层邻里关系,计算核心节点综合重要度,并在每个社区中按照重要度值从大到小排序,取出每个社区中前几个节点作为全网的关键节点。最后,针对本文提出的两个算法,基于分布式平台进行实现,并与经典的关键节点挖掘算法进行了对比分析,验证本文算法在性能上的优势。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
社区结构挖掘论文参考文献
[1].别婉娟,易孜芳,肖蓊岸,万幼.面向微博签到数据的城市社区结构挖掘[J].地理信息世界.2019
[2].王亚卫.基于社区结构的复杂网络分布式关键节点挖掘算法[D].燕山大学.2018
[3].罗彩君.一种改进的Web社区结构挖掘系统[J].电子设计工程.2014
[4].应加炜.社会网络的社区结构挖掘与社区影响分析[D].福州大学.2014
[5].陈永涛.一种基于局部信息的分布式社区结构挖掘算法[D].哈尔滨工程大学.2011
[6].陈传梓.基于复杂网络理论的社区结构挖掘与人类行为模式特征分析[D].浙江大学.2011
[7].才华,周春光,卢廷玉,王喆.重迭社区结构的挖掘算法[J].吉林大学学报(工学版).2009
[8].马海宾.大规模动态社会网络社区结构挖掘与分析方法[D].吉林大学.2009
[9].王翼.复杂网络社区结构挖掘及演化分析[D].北京邮电大学.2009
[10].罗彩君.Web社区结构挖掘的研究与应用[D].西北大学.2008