6篇关于社区检测的计算机毕业论文

今天分享的是关于社区检测的6篇计算机毕业论文范文, 如果你的论文涉及到社区检测等主题,本文能够帮助到你

基于天牛须与粒子群混合算法的社区检测研究

这是一篇关于社区检测,天牛须搜索,粒子群优化,重叠社区,推荐系统的论文, 主要内容为现实生活中的众多复杂系统都可以用复杂网络来表示。社区结构是复杂网络的一个重要特性,在同一社区中节点之间的连接紧密,不同社区节点之间连接稀疏。检测社区结构能够挖掘网络的潜在结构、揭示网络的内在规律、预测网络的动态演化趋势,对于Web社区挖掘、流行疾病防控、配电网资源优化等具有重要的理论意义和实用价值。基于节点能否被分配多个社区标签,复杂网络可以分为非重叠网络和重叠网络,复杂网络规模庞大且结构复杂,不同社区之间的分界不清晰给社区检测带来了挑战。针对此,本文结合天牛须搜索算法和粒子群优化算法的优势,从非重叠网络和非重叠网络两个方面对社区检测展开研究,并将社区检测算法应用到个性化电影推荐系统中。主要研究工作如下:(1)针对已有的基于粒子群优化的社区检测算法在进行非重叠社区检测时存在随机性,得到模块度函数精度有所欠缺的问题,从种群初始化和粒子更新策略入手,提出一种基于天牛须与粒子群混合优化的非重叠社区检测算法(DBASPSO)。该算法首先采用混沌策略进行初始化,提高初始化种群的质量,降低了初始化时的随机性。然后粒子更新公式进行改进,提高算法收敛速度。针对粒子群算法容易陷入局部最优的问题,引入差分变异策略使其跳出局部最优,并加入节点纠错策略以提高社区划分精度。最后分别在人工生成网络和真实网络上进行实验,仿真结果验证了该方法在非重叠社区检测问题上的有效性。(2)针对DBAS-PSO无法划分出网络中的重叠社区的问题,提出一种基于天牛须与粒子群混合优化的重叠社区检测算法(DBPSO-OCD)。提出一种基于邻居社区相似度的重叠节点识别方法,对网络中的节点进行分类,在特定节点群中进行重叠节点的筛选,以减少重叠节点识别次数,提高算法效率。设计了一种节点相似性和社区归属度的社区标签分配方法,对筛选出的节点进行标签分配,划分出网络中的重叠社区结构。最后在真实网络数据集上进行实验,结果表明该方法能够准确地找出网络中的重叠节点。(3)将DBAS-PSO社区检测算法应用到推荐系统中,实现了个性化电影推荐原型系统。该系统通过寻找相似用户集来为被推荐用户进行个性化推荐。首先通过用户对电影的评分计算用户相似度矩阵并获得用户之间的网络结构,利用DBAS-PSO算法对用户网络进行社区划分,找到相似的用户集合,最后基于相似用户集对电影的喜好来进行个性化电影推荐。

网络表示学习及其在推荐系统中的应用研究

这是一篇关于网络表示学习,推荐系统,交替方向乘子法,非负矩阵分解,社区检测的论文, 主要内容为随着社交网络以及电商平台成为生活中不可或缺的一部分,如何为用户提供感兴趣的推荐项目成为各大平台需要重点研究的问题。网络表示学习力求真实反映用户和项目之间的关系,有助于实现项目的精准推荐。因此,基于网络表示学习方法的研究具有重要的意义与价值。现有的网络表示学习方法及其在推荐系统中的应用广泛,成果较多,但仍然存在以下问题:1.忽略了全局拓扑结构,只关注网络图的局部结构,需要加入对称约束优化节点表示;2.推荐系统的性能有待提升,基于单元素矩阵分解的协同过滤需要结合属性信息和行为历史提高预测精确度,传统的混合推荐需要结合单元素矩阵分解的优势来降低时间消耗。针对上述问题,本文提出了两种提升网络表示学习性能的方法:1.为了更好地保留网络拓扑结构,提出了一种基于交替方向乘子法(ADMM),对称及非负性约束的网络表示学习方法。首先,提出加入对称限制的目标函数,通过模块度,社区属性,对称性以及节点间相似度共同约束节点的网络表示;然后,采用基于单元素的交替方向乘子法对目标函数中未知元素的更新公式进行推导;最后,对更新得到的网络表示结果进行聚类,在真实数据集上的结果证明了模型的有效性。2.为了解决推荐场景中预测精准度以及时间消耗等问题,提出了一种基于非负矩阵分解(NMF),适用于混合推荐系统的网络表示学习方法。算法首先通过用户属性,行为历史以及项目属性等信息计算用户相似度矩阵和项目相似度矩阵;然后,对目标函数采用单元素非负矩阵分解方法完成推导,得到用户和项目的表示矩阵;最后,将用户表示结果和项目表示结果进行相似度计算,为用户推荐感兴趣的项目。3.基于提出的混合推荐算法,针对电影推荐场景,设计并实现了一套推荐系统框架。具体包括数据的分析与预处理,各种类型数据的向量化,结合Django+VUE+Bootstrap的Web的开发框架,最终为用户完成精准的电影推荐。

基于网络局部信息的社区检测算法研究

这是一篇关于社区检测,节点重要性,图卷积网络的论文, 主要内容为网络中的社区检测由于能够发现隐藏在网络中的一些有用信息而受到广泛的关注,识别网络中的社区也有助于有效地理解和利用网络,例如检测引文网络中的社区可以找到相关主题的文章,检测购物网络中的社区帮助构建推荐系统等。在当今时代,现实世界由各种各样的网络构成,因此利用网络中的社区来发现有价值的信息已经成为了研究的热点问题。检测网络中的社区是一个NP-难问题。目前已经有许多学者设计了不同的社区检测算法,并且现有的大多数社区检测算法都使用到网络的全局信息,如网络直径等,但是当网络规模变大时,获取全局信息的难度也会变大,导致算法效率下降;此外,还有一些算法需要网络的先验信息,如社区数量等。本文通过对网络的分析,提出了一种自适应社区检测算法,该算法仅利用网络局部信息来检测网络中的社区,并且不需要网络的先验信息。算法首先利用网络的局部信息计算节点的重要性;然后根据节点重要性排序,依次选择种子节点构造初始社区,并扩展社区;最后对得到的社区进行优化。随着网络规模的变大,网络中的社区种类和个数也越来越多,然而用户关心的往往只是网络中的某一个社区,而不是网络的全部社区,因此局部社区检测也渐渐成为研究的热点,局部社区检测是找出给定的节点所在的社区结构。本文设计了一种利用图卷积网络的半监督学习检测局部社区的方法,该算法首先设计了样本节点的选择策略;然后使用两层的图卷积网络进行训练,得到节点对局部社区的隶属度;最后设置隶属度阈值筛选出符合条件的节点。在实验部分,本文提出的两种算法在合成网络和真实网络中进行了大量的对比实验,通过对实验结果的分析,本文所提出算法的性能优于对比算法。

基于图神经网络的自监督社区检测算法研究

这是一篇关于图神经网络,自监督学习,社区检测,伪标签学习,对比学习的论文, 主要内容为图数据作为非欧几里得结构数据的典型代表,能够很好地反映现实世界的抽象。图数据的相关研究已成为近年来的热门领域,例如链接预测、多跳推理和社区检测等任务已广泛应用于现实场景。其中社区检测任务作为图数据分析的典型应用,旨在从复杂的图结构网络中挖掘节点和边之间的隐藏关系,例如在社交网络中寻找具有相似爱好的人群或是在军事知识图谱中划分具有相似属性的军事要素。但是,由于图数据的表示形式愈趋复杂以及数据规模愈趋庞大,传统的社区检测算法在性能和效率上都有所不足。受深度学习在计算机视觉和自然语言处理领域成功应用的启发,学者们致力于将深度学习与图表示学习相结合,进而提出了图神经网络(GNNs)。图神经网络具有强大的图表示学习能力,其已经在社区检测等图数据分析任务上取得优越的性能,但目前仍存在一些不足:1)由于构建图数据的复杂性,部分图数据缺乏足够的被标记数据,这使得图神经网络只能使用少部分标记数据而忽略了大部分未标记数据。2)大部分图神经网络只从单一视角学习图数据,未考虑图数据的局部和全局信息。尤其是在社区检测任务中,社区中的节点和社区的整体分布都扮演了重要角色。3)当前部分图神经网络对以社区检测为导向的目标函数缺乏合理性解释。在无监督场景下缺乏标记数据,使得图神经网络的目标函数与社区检测无关。为解决上述问题,本文分别针对半监督场景和无监督场景下的社区检测设计了新型的图神经网络模型。具体来说,在半监督场景下,提出了一种新型的端对端的迭代特征聚类图卷积网络(IFC-GCN)。IFC-GCN利用迭代特征聚类(IFC)模块增强了经典图卷积网络(GCN)的图表示学习能力。在IFC模块中,利用GCN预训练得到的伪标签和对节点隐藏层特征聚类得到的聚类标签构造判别矩阵,通过判别矩阵可以识别节点对之间的相似关系,然后构造优化模型对节点向量表示进行迭代地优化。除此之外,为IFC-GCN设计了一种类似最大期望(EM-like)的模型训练框架,在该训练框架中通过交替校正伪标签和节点向量表示来进一步提高图网络模型的性能。在无监督场景下,提出了一种基于多粒度特征交互的对比学习框架(CL-MGI)。在CL-MGI中,首先引入对比学习损失函数Info NCE,并理论分析其对社区检测任务的适用性。然后,分别从节点级和图级角度构造两个独立的对比学习模块。节点级模块学习细粒度的节点特征信息,图级模块学习粗粒度的社区分布信息。同时,在节点级模块中提出了一种整合图拓扑信息和节点特征信息的自适应特征融合方法来选择对比样本对。该方法可以选择无偏的正负样本对进而防止节点特征的局部过度拟合。更进一步,引入基于时序熵的度量指标来评估样本质量,并以协同训练的方式实现节点级模块和图级模块的信息交互,进而实现多粒度特征信息的融合。本文针对半监督场景和无监督场景设计的图神经网络模型本质上都属于自监督学习的算法,它们充分利用数据自身的信息来学习良好的节点表征。在半监督场景和无监督场景的公开数据集下都进行了充分实验,实验结果表明本文所提出的方法无论是在社区检测任务的准确率还是模型泛化性上都具有优越的性能。