导读:本文包含了节点相似度论文开题报告文献综述及选题提纲参考文献，主要关键词:数据挖掘,异质网络,推荐系统,知识图谱
节点相似度论文文献综述
刘露,胡封晔,牛亮,彭涛[1]（2019）在《异质网络中基于节点影响力的相似度度量方法》一文中研究指出异质网络相似度学习,即分析两个不同类型对象间的相关程度.不同类型对象在异质网络中的重要程度不同,它们在相似度学习过程中的发挥的作用也不同.针对异质网络,提出了一种基于节点影响力的相似度度量方法NISim,该模型既考虑了网络中的链接结构,也保留了网络中的语义信息,同时区分不同类型节点对异质网络的作用.在异质信息网络环境下,通过启发式规则区分并量化不同类型节点的影响力权值,并结合网络链接结构和节点间语义关系,解决了提高相似度学习准确性的问题.实验结果表明,该方法能够有效地对异质信息网络不同类型节点进行相似度度量,可以应用在网络搜索、推荐系统以及知识图谱构建等不同领域.(本文来源于《电子学报》期刊2019年09期）
付立东,郝伟,李丹,李凡[2]（2019）在《基于共邻节点相似度的社区划分算法》一文中研究指出复杂网络中的社区结构能帮助人们认识网络的基本结构及其功能。针对目前多数社区划分算法准确率低、复杂度高的问题,提出了一种基于共邻节点相似度的社区划分算法。首先,为了计算节点间相似度值,提出了相似度模型,该模型通过将被测节点对的邻居节点引入一并计算,提高了相似度度量的准确性;然后,计算节点局部影响力值,能客观地表现出节点在所处网络中的重要性;其次,结合节点相似度值和节点局部影响力值对节点进行层次聚类,完成网络社区结构的初步划分;最后,通过聚合初步划分的子社区,获得复杂网络的最优模块度值。仿真结果表明,在网络的社区特征模糊时,与新的基于局部相似度的社区发现算法(CDALS)相比,所提算法的准确率提高了14%,证明了所提提法更能够准确、有效地划分复杂网络的社区结构。(本文来源于《计算机应用》期刊2019年07期）
刘名阳,陈志刚,吴嘉[3]（2019）在《机会网络中计算节点间数据分组余弦相似度的高效转发策略》一文中研究指出在机会网络中,因为节点的移动特性导致网络拓扑结构呈现出动态变化的趋势,使得信息在网络中传输成功率较低,传输延迟相对较高.针对机会网络中存在拓扑结构不稳定的问题,从节点间存在的关系去考虑,提出基于节点间数据分组余弦相似度的高效转发策略(Efficient Forwarding Strategy based on Cosine Similarity of Data Packets between Nodes,CSDP).利用计算文本数据之间相似程度的算法——余弦距离,计算节点间数据分组的相似程度,以此来描述节点之间关系的强弱,然后再对节点间相似度的进行筛选,可以得到多条比较高效的传输路径.经过仿真实验分析,CSDP算法要比传统的机会网络路由算法有着更好的转发效果,可以在降低传输延迟的同时,有效地提高传输成功率.(本文来源于《小型微型计算机系统》期刊2019年01期）
朱坤,刘林峰,吴家皋[4]（2018）在《一种基于节点位置余弦相似度的机会网络转发算法》一文中研究指出针对机会网络中数据送达率较低的问题,文中根据节点历史接触信息即节点相遇次数、相遇时间长度、节点关系稳定性来计算节点转发效用值。首先选择通信范围内效用值最大的邻居节点作为初始转发节点,再根据余弦相似度选择其他转发节点,使得转发节点能够尽可能均匀地分布。在此基础上,提出一种基于节点位置余弦相似度的机会网络转发算法(Opportunistic Network forwarding algorithm based on Node Cosine Similarity,ONNCS)。该算法使得转发节点能够均匀地分布,因此数据报文能够尽快地被转发到目的节点。实验结果表明,ONNCS具有较高的转发成功率和较低的转发能耗,转发成功率高出其他算法5%～8%。(本文来源于《计算机科学》期刊2018年12期）
朱坤[5]（2018）在《基于节点位置余弦相似度的机会网络数据转发技术的研究》一文中研究指出随着移动设备的普及,大量的手持设备在移动中形成了机会网络。传统的网络通信方式是通过端与端之间的连接来完成通信的,节点之间的链接并不是稳定的,依靠传统通信方式不能正常地传输数据。数据的机会转发方式可以解决该问题,通人携带的移动设备进行交互实现数据的传输。因此,针对数据转发技术的研究非常有必要,可以通过节点之间交互的信息来预测节点的活动特性,达到提高传输成功率、降低转发代价的目的。在实际应用场景中,通常节点移动随机性较强,目的节点的位置不断改变并且难以获得实时位置,节点的数据转发如果只根据与邻居节点的距离来进行转发,容易导致数据分发的不均匀,从而不利于数据的尽快送达。在这种背景下,如何保证在较低转发能耗和较低传输时延下,尽可能提高数据的送达率是本论文的研究重点。基于上述考虑,本算法引入了余弦相似度的概念,首先利用节点间历史相遇信息(节点相遇次数、相遇时间长度、节点关系稳定性)来计算节点的转发效用值,从通信范围中选择出最大效用值的节点作为第一个转发节点,之后结合转发效用和余弦相似度方法来选择剩余的转发节点。该算法使得转发节点能够均匀地分布,因此数据报文也能够尽快地转发到目的节点。仿真实验结果表明本算法具有较高的转发成功率和较低的转发能耗。此外,还基于Wi-Fi P2P技术设计和开发了一个机会网络Android原型系统,该系统具有节点搜索、与周围节点建立连接并进行数据交互和位置定位的功能。通过运行该机会网络原型系统,可以收集相关性能数据,进行相关算法的真实实验,为未来的研究提供技术支持。(本文来源于《南京邮电大学》期刊2018-11-14）
金渝筌,谢彬,朱毅[6]（2018）在《基于通信相似度的僵尸网络节点检测方法》一文中研究指出目前,僵尸网络检测方法大多依靠对僵尸网络通信活动或通信内容的分析,前者对数据流的特征进行统计分析,不涉及数据流中的内容,在检测加密类型方面具有较强优势,但准确性较低;后者依赖先验知识进行检测,具有较强的准确度,但检测的通用性较低。因此,根据杰卡德相似度系数定义了通信相似度,并提出了一种基于用户请求域名系统(DNS,domainnamesystem)的通信相似度计算方法,用于基于网络流量的僵尸网络节点检测。最后,基于Spark框架对所提出的方法进行了实验验证,实验结果表明该方法可以有效地用于僵尸网络节点检测。(本文来源于《网络与信息安全学报》期刊2018年10期）
姚素红[7]（2018）在《基于相似度计算的计算机网络内部丢包节点检测方法》一文中研究指出通过检测计算机网络内部丢包节点,可以及时所反馈的信息开展精准的分析与判断。在检测过程中,必须要针对性地对其网络内部可信节点进行获取,并并其节点列为参考。通过这样的方式,与邻近节点状态进行对比,然后完成对其状态的判断,从而实现对计算机网络内部丢包节点的检测。但通常所采用的过滤方法,在一定程度对其内部良性特征进行了保留,在对其节点以及事件源之间计算与感知进行计算时会存在一定的差异性。这种方式在一定程度上无法精准地获取网络内部邻居节点状态,从而会对其检测精度形成影响。基于此,本文提出了一种相似度计算的计算机网络内部丢包节点检测方法,可以有效提升检测精度。(本文来源于《信息技术与信息化》期刊2018年09期）
林玉成,陈志刚,吴嘉[8]（2018）在《机会网络中计算节点间相似度的路由算法》一文中研究指出选择合适的邻居节点进行信息传递是机会网络实现高效转发的关键因素.由于节点的移动性带来的邻居节点选择困难、传输过程不稳定以及网络拓扑结构变化等因素,使得机会网络的传输成功率比较低.针对这一问题,利用节点之间的社会属性进行邻居节点的选择,提出一种基于节点相似度的路由算法(Opportunistic Network Routing Algorithm Based on Node Similarity)(ONNS).首先计算节点之间数据分组的编辑距离,再计算出两个节点的相似度,并按照一定的约束规则对节点间的相似度进行筛选,最终可以得到一条或多条相对比较可靠的传输路径.与传统的路由算法比较,仿真实验表明,相似度算法能够有效地提高传输成功率,降低传输延迟以及路由开销.(本文来源于《小型微型计算机系统》期刊2018年08期）
方敏[9]（2018）在《基于节点相似度的线要素匹配方法设计》一文中研究指出随着GIS技术的不断发展和广泛应用,人们对空间数据的需求日益增加。为了满足人们不尽相同的各类需求,测绘各部门纷纷采集、生产了数量巨大、种类多样的空间数据,这些数据受采集时间、采集手段、采集人员和比例尺等因素的影响,在数据精度、空间位置、几何形状、属性信息等方面均存在较大差异,这使得“多源异构的空间数据管理利用”成为一大难题,其中尤以空间数据集成与融合、数据共享、数据更新、质量不佳等问题最为突出。同名实体匹配技术作为解决上述问题的关键技术之一,已成为国内外学者研究的热点,具有极大的研究意义和应用价值。线要素作为空间数据的主要类型,要素信息丰富、特征容易提取和描述,已成为同名实体匹配研究中最为活跃的研究方向,本文以线要素为研究对象,全面具体地总结了国内外发展研究现状,找出了已有研究存在的不足,提出了一种基于节点相似度的线要素匹配新方法。该方法基于空间相似性原理,以线要素特征点为主要研究对象,选取了拓扑特征和几何特征作为相似性评价指标,利用评价指标的相似度进行层层约束,最后通过计算同名节点的空间相似值来获取最优匹配。为实现上述方法,本文主要进行了以下几方面内容的研究:(1)阐述了论文的研究背景和意义,详细分析了线要素匹配的国内外研究现状,并总结了现有研究存在的不足,制定了本文的研究内容和技术路线。(2)以同名实体的空间相似性原理为客观前提,详细介绍了同名实体匹配技术,总结了线要素匹配常用的方法和策略,并分析了各自的优缺点,同时将复杂网络理论引入到线要素匹配中,提出了一种基于节点相似度的线要素匹配方法。(3)设计了线要素相似性匹配模型。针对不同尺度数据构成差异但拓扑结构相似、且线要素在交点处具有较强稳定性的特点,本文选取了线要素节点的度为主要特征、节点连线方向夹角、节点连线距离等几何特征在内的相似性指标,构建了基于线要素拓扑关系和几何特征的相似性匹配模型,通过节点相似度、方向相似度和位置相似度3个约束进行候选匹配集的逐步筛选,并对节点连线方向夹角和节点连线距离进行加权归一化,计算总的空间相似值,以获得最终的同名节点,完成了线要素的节点匹配。(4)基于该模型,设计了线要素匹配算法,并对匹配算法进行了优化。其中,采用双向匹配策略,有效解决了线要素匹配中多种复杂匹配情形,提高了匹配算法的正确率;在候选匹配集获取中,采用了缓冲区优化法用以快速获取候选匹配集,提高了匹配算法的效率。(5)设计并实现了基于节点相似度的线要素匹配原型系统。基于Windows环境,利用面向对象的编程方法和相关组件技术,搭建了一个C/S架构的线要素匹配实验系统,并以同尺度和多尺度两组道路网数据为实验对象,验证了本文提出的线要素匹配方法的可行性。实验表明,本文提出的基于节点相似度的线要素匹配方法切实可行,此外,该方法已成功应用于《地质调查专用基础地理数据精度控制软件研发》项目中,辅助实现了全国范围的1:25万公开版基础地理数据的位置校正,极大地提高了数据生产效率,具有较强的实用价值。(本文来源于《北京建筑大学》期刊2018-06-01）
刘欢[10]（2018）在《基于节点邻域信息与相似度矩阵的社区检测》一文中研究指出复杂网络是对现实复杂系统的抽象化描述,如社交网络、科学合作网络、生物蛋白系统等。社区是用于描述复杂网络中连接紧密的节点簇或模块,复杂网络的社区检测就是利用网络中特殊的拓扑结构来识别这些连接紧密的节点簇,有时也被称为复杂网络的聚类。对复杂网络进行社区检测,能够帮助人们发现网络中潜在的结构模式,并进一步理解网络的组织功能。近些年来,研究者从不同的角度设计出许多复杂网络的社区检测算法,但是大多数算法都是针对于单一的网络结构,即无符号复杂网络。然而,现实的复杂系统往往涵盖着多种特征,如符号网络可以描述实体之间的多种关系,而属性网络不仅可以描述实体之间的关系,还可以描述实体的属性或特征。这些网络能够更真实地描绘现实系统的复杂性,给社区检测问题带来更多信息的同时也带来了更大挑战。此外,充分利用节点的邻域信息,更为针对性地设计出合理的操作步骤,能够更大程度上提高算法的检测精度。针对以上现存算法普遍存在的问题,本文对不同类型的网络进行深层次研究。设计出具体的解决方案如下:1)提出一种基于节点邻域信息与叁步策略的社区检测算法。首先,算法将K近邻思想引入标签传播算法,并提出网络的预划分策略。该策略充分考虑节点间的亲近度,并且克服了标签传播算法在社区结构较为模糊的情况下无法识别社区的缺陷,使得算法初期能够精确识别局部连接紧密的子社区。其次,在预处理的基础上设计了基于社区互隶属度的子社区融合策略,并对亲密度高的子社区进行有效合并。最后,一种精制策略被用来对误划分的节点进行重划分。算法对初始点个数及迭代次数的依赖性很小,因此能够节省大量时间成本,适合大规模网络的社区检测问题。2)提出一种基于K节点更新策略与相似度矩阵的多目标社区检测算法。首先,建立泛化的相似度函数来计算无符号网络或符号网络的相似度矩阵,并根据节点的相似度矩阵设计了一种预划分技术,这种预划分技术仅仅考虑相似度值较高的部分节点,能够有效地避免噪声节点对标签更新过程的影响,因此可以将连接紧密的节点迅速聚集成局部子社区。其次,交叉合并算子被设计并用于合并预处理策略所得到的子社区,以及基于相似度矩阵的变异算子被用于调整边界节点所属的社区。最后,构建多目标优化模型并用于处理不同类型的网络。因此,算法能够处理无符号网络与符号网络的社区检测问题。3)提出一种基于边结构与节点属性的多目标离散粒子群社区检测算法。首先,该算法计算边结构的相似性矩阵与节点的属性相似度矩阵,通过混合参数将两者结合得到网络的混合相似度矩阵,并基于此设计一种更新邻居节点标签的初始化策略。其次,考虑到粒子群算法的易操作性以及其时间效率较高,该算法首次将多目标离散粒子群算法引入属性网络中。最后,设计属性网络的平均属性相似度函数并用于构建多目标优化模型,能够兼顾社区内部节点连接紧密的同时使得社区内节点属性同质化程度高。(本文来源于《西安电子科技大学》期刊2018-06-01）
节点相似度论文开题报告
（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：
复杂网络中的社区结构能帮助人们认识网络的基本结构及其功能。针对目前多数社区划分算法准确率低、复杂度高的问题,提出了一种基于共邻节点相似度的社区划分算法。首先,为了计算节点间相似度值,提出了相似度模型,该模型通过将被测节点对的邻居节点引入一并计算,提高了相似度度量的准确性;然后,计算节点局部影响力值,能客观地表现出节点在所处网络中的重要性;其次,结合节点相似度值和节点局部影响力值对节点进行层次聚类,完成网络社区结构的初步划分;最后,通过聚合初步划分的子社区,获得复杂网络的最优模块度值。仿真结果表明,在网络的社区特征模糊时,与新的基于局部相似度的社区发现算法(CDALS)相比,所提算法的准确率提高了14%,证明了所提提法更能够准确、有效地划分复杂网络的社区结构。
（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。
节点相似度论文参考文献
[1].刘露,胡封晔,牛亮,彭涛.异质网络中基于节点影响力的相似度度量方法[J].电子学报.2019
[2].付立东,郝伟,李丹,李凡.基于共邻节点相似度的社区划分算法[J].计算机应用.2019
[3].刘名阳,陈志刚,吴嘉.机会网络中计算节点间数据分组余弦相似度的高效转发策略[J].小型微型计算机系统.2019
[4].朱坤,刘林峰,吴家皋.一种基于节点位置余弦相似度的机会网络转发算法[J].计算机科学.2018
[5].朱坤.基于节点位置余弦相似度的机会网络数据转发技术的研究[D].南京邮电大学.2018
[6].金渝筌,谢彬,朱毅.基于通信相似度的僵尸网络节点检测方法[J].网络与信息安全学报.2018
[7].姚素红.基于相似度计算的计算机网络内部丢包节点检测方法[J].信息技术与信息化.2018
[8].林玉成,陈志刚,吴嘉.机会网络中计算节点间相似度的路由算法[J].小型微型计算机系统.2018
[9].方敏.基于节点相似度的线要素匹配方法设计[D].北京建筑大学.2018
[10].刘欢.基于节点邻域信息与相似度矩阵的社区检测[D].西安电子科技大学.2018