發(fā)布時間：2024-03-26 04:36

　　利用網絡嵌入模型可以將節(jié)點信息表示為低維稠密的向量空間,來支持基于圖的分類、聚類、鏈路預測和社區(qū)發(fā)現(xiàn)等任務。然而,現(xiàn)有的網絡嵌入模型大多只考慮節(jié)點拓撲結構,缺乏有針對性地為特定任務提供有效的嵌入表示。為此,提出了一種以社區(qū)發(fā)現(xiàn)為導向的網絡嵌入模型(Community Detection-oriented Network Embedding,CDNE),將節(jié)點屬性特征、拓撲特征與社區(qū)特征充分結合,基于非負矩陣分解來獲取節(jié)點的向量表示,同時體現(xiàn)了網絡的局部特征與全局特征。此外,提出了一種基于CDNE的兩階段社區(qū)發(fā)現(xiàn)算法:第一階段為合并社區(qū),基于模塊度增量最大化標準確定待合并社區(qū);第二階段基于待合并社區(qū)重新構建網絡。通過兩個階段的交替迭代執(zhí)行,來提高社區(qū)發(fā)現(xiàn)的準確性。在真實數據集上設計實驗,結果表明所提出的關鍵技術的可行性和有效性。

【文章頁數】：5 頁

【部分圖文】：

圖4Cornell中參數α?β對NMI的影響Cornell0.70.6

種綜合鏈接和內容的社區(qū)發(fā)現(xiàn)算法。6.4對實驗結果與分析1）參數敏感性分析以下在Cornell數據集上進行了CDNE的參數敏感性分析。α?β分別控制節(jié)點屬性、社區(qū)特征的貢獻度；由圖可知，當α=1，β=2時可取到NMI最大值為0.368。2）對比算法實驗結果分析本文將CDNE與四種基....

本文編號：3939371