針對密度峰值算法在社區(qū)劃分應(yīng)用中因截斷距離的選取以及僅考慮社區(qū)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)而帶來的不準(zhǔn)確等問題,提出一種融合結(jié)點屬性和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的密度峰值社區(qū)檢測算法。以用戶網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)計算用戶結(jié)點的直接鄰居與間接鄰居的度表示結(jié)點的局部密度;以用戶對商品的評論信息的主題屬性為用戶結(jié)點的屬性,結(jié)合網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)計算用戶間的相似度,從而得到用戶間的相對距離;選出關(guān)鍵點作為社區(qū)的中心結(jié)點,完成社區(qū)劃分。實驗表明:所提出的算法準(zhǔn)確度與歸一化信息指標(biāo)均優(yōu)于基線模型算法,提高了電商網(wǎng)絡(luò)中社區(qū)檢測算法準(zhǔn)確度,實現(xiàn)了高效的社區(qū)劃分。 

【文章來源】：西安工程大學(xué)學(xué)報. 2020,34(05)

【文章頁數(shù)】：6 頁

【部分圖文】：

淘寶數(shù)據(jù)集上的聚類結(jié)果

拼多多數(shù)據(jù)集上的聚類結(jié)果

圖 3 歸一化信息評估結(jié)果從圖3和圖4可以看出,相比較KDED算法及改進的K-means算法,ANDPC算法在2個數(shù)據(jù)集上都取得了最好的結(jié)果。相比于基線模型分別提高了0.02及0.03以上;相比KDED方法得到了較好的歸一化信息值和準(zhǔn)確度值。這是因為ANDPC算法利用了用戶關(guān)于核心用戶的不同鄰居位置,并結(jié)合用戶主題屬性計算結(jié)點間的相似性,從而可以更明確用戶之間的關(guān)系且提高了邊緣結(jié)點與聚類中心結(jié)點的聯(lián)系。KDED算法由于在最后進行結(jié)點分配時存在一定的模糊性,故結(jié)果較差;改進的K-means算法則由于參數(shù)的選擇問題,給聚類效果帶來了一定的負(fù)面影響,產(chǎn)生了較差的聚類效果。模塊度評估的實驗如表1所示。

【參考文獻】：
期刊論文
[1]復(fù)雜網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)研究進展[J]. 趙衛(wèi)績,張鳳斌,劉井蓮.  計算機科學(xué). 2020(02)
[2]基于節(jié)點屬性的社區(qū)發(fā)現(xiàn)博弈算法[J]. 張賢坤,任靜,劉淵博,蘇靜.  計算機應(yīng)用研究. 2020(01)
[3]密度峰值聚類的自適應(yīng)社區(qū)發(fā)現(xiàn)算法[J]. 金志剛,徐珮軒.  哈爾濱工業(yè)大學(xué)學(xué)報. 2018(05)
[4]復(fù)雜網(wǎng)絡(luò)半監(jiān)督的社區(qū)發(fā)現(xiàn)算法研究[J]. 王靜紅,于雅智.  計算機應(yīng)用研究. 2018(06)

碩士論文
[1]社會化電商平臺中基于用戶關(guān)系的推薦算法研究[D]. 王佳琦.北京郵電大學(xué) 2019



本文編號：3612338