2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩160頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、現(xiàn)實世界中的許多復(fù)雜系統(tǒng),如互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、食物鏈網(wǎng)、神經(jīng)網(wǎng)絡(luò)以及社會網(wǎng)絡(luò)等,都可以描述成由節(jié)點集通過邊連接構(gòu)成的復(fù)雜網(wǎng)絡(luò)。社區(qū)發(fā)現(xiàn)作為復(fù)雜網(wǎng)絡(luò)的一項重要研究內(nèi)容吸引了多個領(lǐng)域的研究人員從不同視角對其進行深入研究。盡管近年來涌現(xiàn)出一大批新穎的社區(qū)發(fā)現(xiàn)方法,但依然存在許多問題,包括網(wǎng)絡(luò)的重疊社區(qū)發(fā)現(xiàn)、異質(zhì)網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)、網(wǎng)絡(luò)社區(qū)的自動探索以及社區(qū)發(fā)現(xiàn)的應(yīng)用等。
  本文提出一系列基于統(tǒng)計推理的方法來進一步研究解決上述難題,研究內(nèi)容主

2、要包括重疊社區(qū)發(fā)現(xiàn)和社區(qū)自動探索兩個方面。重疊社區(qū)發(fā)現(xiàn)主要針對符號網(wǎng)絡(luò)和加權(quán)網(wǎng)絡(luò),其中符號網(wǎng)絡(luò)考慮了邊的正負極性,加權(quán)網(wǎng)絡(luò)考慮了邊的強弱程度;社區(qū)自動探索主要針對同質(zhì)網(wǎng)絡(luò)和異質(zhì)網(wǎng)絡(luò),其中同質(zhì)網(wǎng)絡(luò)由單一類型節(jié)點和單一類型邊組成,異質(zhì)網(wǎng)絡(luò)由多類型節(jié)點(如帶屬性節(jié)點)或多類型邊(如多維度邊)組成。具體內(nèi)容包括:
  第一,研究了基于混合模型的符號網(wǎng)絡(luò)重疊社區(qū)發(fā)現(xiàn)。現(xiàn)有的符號網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法都僅允許網(wǎng)絡(luò)的節(jié)點屬于一個社區(qū),但真實世界中網(wǎng)絡(luò)

3、的節(jié)點可能同時屬于多個社區(qū)(即重疊社區(qū))。針對這個問題,本文提出了一種符號概率混合模型用于發(fā)現(xiàn)符號網(wǎng)絡(luò)的重疊社區(qū)。它用混合模型同時描述正邊和負邊的生成過程,其中正邊存在于社區(qū)內(nèi),負邊存在于社區(qū)間。該模型不僅能發(fā)現(xiàn)符號網(wǎng)絡(luò)的重疊節(jié)點,還能提供節(jié)點屬于社區(qū)的隸屬度信息。在大量的符號網(wǎng)絡(luò)上的實驗表明該模型能發(fā)現(xiàn)符號網(wǎng)絡(luò)的重疊社區(qū)并取得較優(yōu)的性能。
  第二,研究了基于貝葉斯的加權(quán)網(wǎng)絡(luò)重疊社區(qū)發(fā)現(xiàn)?,F(xiàn)有的混合模型方法能比較好地發(fā)現(xiàn)加權(quán)網(wǎng)絡(luò)

4、的重疊社區(qū),但在某些網(wǎng)絡(luò)上會出現(xiàn)一些節(jié)點不屬于任何社區(qū),從而導(dǎo)致模型不能適用于網(wǎng)絡(luò)。本文提出了一種貝葉斯混合網(wǎng)絡(luò)模型用于加權(quán)網(wǎng)絡(luò)的重疊社區(qū)發(fā)現(xiàn)。該模型通過為模型參數(shù)引入先驗分布解決了上述問題。在人工合成網(wǎng)絡(luò)和真實網(wǎng)絡(luò)上的實驗表明該模型能發(fā)現(xiàn)加權(quán)網(wǎng)絡(luò)的重疊社區(qū)并取得較優(yōu)的社區(qū)劃分效果。
  第三,研究了基于非參貝葉斯的網(wǎng)絡(luò)社區(qū)自動探索?,F(xiàn)有的社區(qū)發(fā)現(xiàn)方法要么需要預(yù)先假定網(wǎng)絡(luò)的結(jié)構(gòu)類型(如社團結(jié)構(gòu)、多部圖結(jié)構(gòu)或混合結(jié)構(gòu)等),要么需要預(yù)

5、先指定網(wǎng)絡(luò)的社區(qū)數(shù)目,但真實世界中許多網(wǎng)絡(luò)的結(jié)構(gòu)類型和社區(qū)數(shù)目都是未知的。針對這個問題,本文提出了一種貝葉斯非參混合模型用于自動探索網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)類型和社區(qū)數(shù)目。它將具有探索網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)類型能力但需要預(yù)先指定社區(qū)數(shù)目的混合模型拓展到非參框架下,利用狄利克雷過程自動確定其社區(qū)數(shù)目。在大量的人工合成網(wǎng)絡(luò)和真實網(wǎng)絡(luò)上的實驗表明該模型能自動探索網(wǎng)絡(luò)的結(jié)構(gòu)類型和社區(qū)數(shù)目并取得較優(yōu)的社區(qū)劃分效果。另外,基于該模型的好友推薦系統(tǒng)取得了很好的效果。

6、r>  第四,研究了基于非參貝葉斯的異質(zhì)網(wǎng)絡(luò)社區(qū)自動探索。本文分別從帶屬性節(jié)點網(wǎng)絡(luò)和多維度網(wǎng)絡(luò)兩方面研究了異質(zhì)網(wǎng)絡(luò)的社區(qū)自動探索。帶屬性節(jié)點網(wǎng)絡(luò)社區(qū)自動探索的一個主要難點在于如何有效利用節(jié)點的屬性信息來提高探索效果。本文提出了一種貝葉斯非參屬性模型用于自動探索帶屬性節(jié)點網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)類型和社區(qū)數(shù)目。它通過共享變量的方式同時融合了節(jié)點的連接和屬性信息。在真實和人工合成的帶屬性節(jié)點網(wǎng)絡(luò)上的實驗表明該模型能自動探索網(wǎng)絡(luò)的結(jié)構(gòu)類型和社區(qū)數(shù)目并取

7、得較優(yōu)的社區(qū)劃分效果?,F(xiàn)有的多維度網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法的主要不足在于需要預(yù)先假定網(wǎng)絡(luò)的結(jié)構(gòu)類型(如社團結(jié)構(gòu)等)。本文提出了一種多維度貝葉斯非參混合模型用于自動探索多維度網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)類型和社區(qū)數(shù)目。該模型先利用網(wǎng)絡(luò)社區(qū)自動探索方法從每一維度抽取出結(jié)構(gòu)特征信息,然后利用現(xiàn)有的聚類方法對融合后的結(jié)構(gòu)特征進行聚類得到多維度網(wǎng)絡(luò)的結(jié)構(gòu)類型和社區(qū)數(shù)目。在真實和人工合成的多維度網(wǎng)絡(luò)上的實驗表明該模型能自動探索網(wǎng)絡(luò)的結(jié)構(gòu)類型和社區(qū)數(shù)目并取得較優(yōu)的社區(qū)劃分

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論