本文選題：社區(qū)劃分 + 增量學(xué)習(xí)��； 參考：《計(jì)算機(jī)科學(xué)與探索》2017年04期

【摘要】：當(dāng)前社區(qū)發(fā)現(xiàn)領(lǐng)域存在諸多靜態(tài)社區(qū)劃分算法,而其劃分結(jié)果的不穩(wěn)定性和較高的算法復(fù)雜度已經(jīng)不能適應(yīng)如今規(guī)模龐大,變化頻繁的網(wǎng)絡(luò)結(jié)構(gòu)。為解決傳統(tǒng)靜態(tài)算法這一局限性,提出了一種利用模塊度優(yōu)化的增量學(xué)習(xí)算法,將網(wǎng)絡(luò)結(jié)構(gòu)的變化劃分成邊變化、點(diǎn)變化兩種基本操作,在對(duì)"模塊度最大化"的規(guī)則指導(dǎo)下實(shí)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)的增量學(xué)習(xí)。實(shí)驗(yàn)表明,該算法在保證原有社區(qū)劃分結(jié)果的前提下,可以將新變化的節(jié)點(diǎn)快速劃分進(jìn)已有社區(qū),并使得模塊度與靜態(tài)算法重新計(jì)算模塊度相近,節(jié)省了時(shí)間,保持了社區(qū)劃分的實(shí)時(shí)性。
[Abstract]:There are many static community partitioning algorithms in the field of community discovery at present, but the instability of the partition results and the high complexity of the algorithm can no longer adapt to the large scale and frequently changing network structure. In order to solve the limitation of traditional static algorithm, an incremental learning algorithm based on modularity optimization is proposed. The network structure is divided into two basic operations: edge change and point change. Under the guidance of the rule of "maximization of modularity", incremental learning of network structure is realized. The experimental results show that the algorithm can quickly divide the newly changed nodes into existing communities, and make the module degree close to the static algorithm and save time. The real time of community division is maintained.
【作者單位】： 西南交通大學(xué)信息科學(xué)與技術(shù)學(xué)院;四川省云計(jì)算與智能技術(shù)高校重點(diǎn)實(shí)驗(yàn)室;
【基金】：國(guó)家自然科學(xué)基金No.61573292~~
【分類號(hào)】：TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 秦玉平;王秀坤;王春立;;實(shí)現(xiàn)兼類樣本類增量學(xué)習(xí)的一種算法[J];控制與決策;2009年01期

2 秦玉平;王秀坤;王春立;;實(shí)現(xiàn)兼類樣本增量學(xué)習(xí)的一種算法[J];計(jì)算機(jī)應(yīng)用與軟件;2009年08期

3 秦玉平;陳一荻;王春立;王秀坤;;一種新的類增量學(xué)習(xí)方法[J];計(jì)算機(jī)工程與應(yīng)用;2011年34期

4 時(shí)建中;程龍生;;基于增量學(xué)習(xí)系統(tǒng)的財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警[J];技術(shù)經(jīng)濟(jì);2012年05期

5 王洪波;趙光宙;齊冬蓮;盧達(dá);;一類支持向量機(jī)的快速增量學(xué)習(xí)方法[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2012年07期

6 秦玉平;倫淑嫻;王秀坤;;一種新的兼類樣本類增量學(xué)習(xí)算法[J];計(jì)算機(jī)科學(xué);2012年09期

7 姜卯生,王浩,姚宏亮;樸素貝葉斯分類器增量學(xué)習(xí)序列算法研究[J];計(jì)算機(jī)工程與應(yīng)用;2004年14期

8 劉梅,權(quán)太范,姚天賓;基于增量學(xué)習(xí)神經(jīng)模糊網(wǎng)絡(luò)的機(jī)動(dòng)目標(biāo)跟蹤[J];電子學(xué)報(bào);2005年11期

9 李祥納;艾青;秦玉平;劉衛(wèi)江;;支持向量機(jī)增量學(xué)習(xí)算法綜述[J];渤海大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年02期

10 曹杰;劉志鏡;;基于支持向量機(jī)的增量學(xué)習(xí)算法[J];計(jì)算機(jī)應(yīng)用研究;2007年08期

相關(guān)會(huì)議論文 前8條

1 秦亮;唐靜;史賢俊;肖支才;;一種改進(jìn)的支持向量機(jī)增量學(xué)習(xí)算法[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

2 羅長(zhǎng)升;段建國(guó);許洪波;郭莉;;基于拉推策略的文本分類增量學(xué)習(xí)研究[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

3 張慶彬;吳惕華;劉波;;一種改進(jìn)的基于群體的增量學(xué)習(xí)算法[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

4 張健沛;李忠偉;楊靜;;一種基于多支持向量機(jī)的并行增量學(xué)習(xí)方法(英文)[A];第二十二屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

5 王悅凱;吳曉峰;翁巨揚(yáng);;Where-What網(wǎng)絡(luò)增量學(xué)習(xí)特性探究[A];第一屆全國(guó)神經(jīng)動(dòng)力學(xué)學(xué)術(shù)會(huì)議程序手冊(cè) & 論文摘要集[C];2012年

6 趙瑩;萬福永;;支持向量機(jī)的增量學(xué)習(xí)算法及其在多類分類問題中的應(yīng)用[A];第25屆中國(guó)控制會(huì)議論文集（下冊(cè)）[C];2006年

7 劉欣;章勇;王娟;;增量學(xué)習(xí)的TFIDF_NB協(xié)同訓(xùn)練分類算法[A];中國(guó)電子學(xué)會(huì)第十六屆信息論學(xué)術(shù)年會(huì)論文集[C];2009年

8 宮義山;錢娜;;貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)在線學(xué)習(xí)算法及應(yīng)用[A];科學(xué)發(fā)展與社會(huì)責(zé)任（A卷）——第五屆沈陽科學(xué)學(xué)術(shù)年會(huì)文集[C];2008年

相關(guān)博士學(xué)位論文 前3條

1 李敬;增量學(xué)習(xí)及其在圖像識(shí)別中的應(yīng)用[D];上海交通大學(xué);2008年

2 段華;支持向量機(jī)的增量學(xué)習(xí)算法研究[D];上海交通大學(xué);2008年

3 趙強(qiáng)利;基于選擇性集成的在線機(jī)器學(xué)習(xí)關(guān)鍵技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 郝運(yùn)河;基于增量學(xué)習(xí)的復(fù)雜環(huán)境下道路識(shí)別算法研究[D];南京理工大學(xué);2015年

2 李丹;基于馬氏超橢球?qū)W習(xí)機(jī)的增量學(xué)習(xí)算法研究[D];渤海大學(xué);2015年

3 趙翠翠;基于RBF神經(jīng)網(wǎng)絡(luò)的集成增量學(xué)習(xí)方法研究[D];河北工業(yè)大學(xué);2015年

4 王會(huì)波;基于支持向量機(jī)的混合增量學(xué)習(xí)算法與應(yīng)用[D];華中師范大學(xué);2016年

5 張健;增量學(xué)習(xí)在電子鼻智能烘烤系統(tǒng)中的應(yīng)用研究[D];重慶大學(xué);2016年

6 曾舒如;基于多模態(tài)增量學(xué)習(xí)模型的目標(biāo)物體檢測(cè)方法研究[D];南昌大學(xué);2016年

7 杜玲;覆蓋算法的增量學(xué)習(xí)研究[D];安徽大學(xué);2010年

8 張智敏;基于增量學(xué)習(xí)的分類算法研究[D];華南理工大學(xué);2010年

9 李杰;數(shù)據(jù)復(fù)雜度的增量學(xué)習(xí)方法研究[D];廣東工業(yè)大學(xué);2015年

10 王媛;支持向量機(jī)增量學(xué)習(xí)算法及其在入侵檢測(cè)中的應(yīng)用研究[D];吉林大學(xué);2008年

，

本文編號(hào)：1984608