首页> 中文学位 >基于图词汇字典的大规模社会网络认知与演化研究
【6h】

基于图词汇字典的大规模社会网络认知与演化研究

代理获取

目录

声明

摘要

第一章 绪论

1.1 研究背景

1.2 社会网络的产生以及应用

1.3 社会网络的主要研究现状

1.4 大规模社会网络认知相关研究与挑战

1.5 本文主要研究内容与组织结构

第二章 相关技术与理论

2.1 图聚集分类

2.2 图聚集技术

2.2.1.基于属性的图聚集技术

2.2.2.基于结构的图聚集技术

2.2.3.基于属性和结构的图聚集技术

2.3 基于图词汇字典的认知

2.3.1.图词汇字典定义

2.3.2.图词汇种类

2.3.3.最小描述长度原理

2.4 演化方法

2.5 本章小结

第三章 图词汇字典及公式形式化

3.1 图聚集形式化

3.2 模型形式化

3.3 结构形式化

3.3.1 链型结构形式化

3.3.2 聚团结构形式化

3.3.3 近似聚团结构形式化

3.3.4 二分图结构形式化

3.3.5 近似二分图结构形式化

3.3.6 星型结构形式化

3.4 误差矩阵形式化

3.5 本章小结

第四章 社会网络的认知及演化研究

4.1 关键结构的发现

4.2 基于图结构词汇的VoG算法

4.3 认知算法设计

4.4 演化方法设计

4.5 评价方法

4.6 本章小结

第五章 实验结果及分析

5.1 实验准备

5.2 实验设计

5.3 实验结果

5.4 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

参考文献

致谢

攻读学位期间发表的学术论文目录

展开▼

摘要

随着社会网络的发展,人们的生活逐渐互联网化,社交信息急剧膨胀,导致网络数据规模呈现指数级别的增长,网络已经融入了人们生活衣穿住行的各个方面;同时也在一些特定研究领域起着重要的作用,如在线社交网络、疾病流行网络、电力网络等。
  在新形势下,如何以一种高效简洁的方式来认知社交网络显得十分重要。现有的对大规模网络的研究主要集中在图分割、图压缩、社区发现等方面,这些研究只是为了解决网络规模性的问题,难以达到认知的目的。CMU的Dainai的VoG(Vovabulary of Graph)方法是基于图词汇字典方法的认知,该方法虽然可以对大规模图数据进行认知,但是由于它对图字典中单词结构没有进行划分,而是将他们平等的对待,实际上单词之间存在着从属关系,导致在对社会网络的认知中存在着结构认知失误的情况。
  本文的研究工作主要分为两个方面,一是对大规模社会网络的认知,二是在认知的基础进行演化研究。1)在VoG算法的基础上,依据关键结构子结构词汇间的关联关系对结构词汇赋予不同优先级;首先采用社区发现的方法将原始图数据分割为多个子社区,然后对每个子社区按照优先级的大小来顺序判断子社区的结构并对其标签化,最后对比Top-k和贪心方法来对最终获取的关键结构进行认知。2)在发现关键结构的基础上,本文也提出了权重法来衡量每天关键结构的变化。同时采用了权重法以及标准互信息(NMI,Normalized Mutual Information)方法对大规模社会网络关键结构的演化性进行研究。
  最终的实验结果表明:优先级的VoG方法的贪心方法可以获取18%的压缩率,比Top-k方式要好;同时也验证了微博数据中的关键结构大部分是星型结构;权重法以及NMI方法表明,实验数据的演化性变化较小,用户关系较稳定。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号