在复杂网络的传播模型研究中,如何发现最具影响力的传播节点在理论和现实应用中都有重大的意义.目前的研究一般使用节点的度数、紧密度、介数和K-shell等中心化指标来评价影响力,这种方法虽然简单,但是由于它们仅利用了节点自身的内部属...在复杂网络的传播模型研究中,如何发现最具影响力的传播节点在理论和现实应用中都有重大的意义.目前的研究一般使用节点的度数、紧密度、介数和K-shell等中心化指标来评价影响力,这种方法虽然简单,但是由于它们仅利用了节点自身的内部属性,因而在评价影响力时精确度并不高,普遍性适用性较弱.为了解决这个问题,本文提出了KSC(K-shell and community centrality)指标模型.此模型不但考虑了节点的内部属性,而且还综合考虑了节点的外部属性,例如节点所属的社区等.然后利用SIR(susceptible-infected-recovered)模型对传播过程进行仿真,实验证明所提出的方法可以更好地发现最具有影响力的节点,且可适用于各种复杂网络.本文为这项具有挑战性研究提供了新的思想和方法.展开更多
针对协作过滤算法评测中普遍采用单一数据集,该文将传统的User-based(近邻数为20)、Item-based、Itemaverage、Item user average和Slope One 5种算法应用于MovieLens和Book-Crossing两种数据分布特征不同的数据集。结果显示,在Movielen...针对协作过滤算法评测中普遍采用单一数据集,该文将传统的User-based(近邻数为20)、Item-based、Itemaverage、Item user average和Slope One 5种算法应用于MovieLens和Book-Crossing两种数据分布特征不同的数据集。结果显示,在Movielens这种评分值相对比较稠密的数据集上,Slope One算法的预测精度最好;而在评分值相对比较稀疏的Book-Crossing数据集上,Item-based算法的预测精度最好,Slope One的预测精度最差。选择算法应根据用户和资源分布具体情况确定。展开更多
文摘在复杂网络的传播模型研究中,如何发现最具影响力的传播节点在理论和现实应用中都有重大的意义.目前的研究一般使用节点的度数、紧密度、介数和K-shell等中心化指标来评价影响力,这种方法虽然简单,但是由于它们仅利用了节点自身的内部属性,因而在评价影响力时精确度并不高,普遍性适用性较弱.为了解决这个问题,本文提出了KSC(K-shell and community centrality)指标模型.此模型不但考虑了节点的内部属性,而且还综合考虑了节点的外部属性,例如节点所属的社区等.然后利用SIR(susceptible-infected-recovered)模型对传播过程进行仿真,实验证明所提出的方法可以更好地发现最具有影响力的节点,且可适用于各种复杂网络.本文为这项具有挑战性研究提供了新的思想和方法.
文摘针对协作过滤算法评测中普遍采用单一数据集,该文将传统的User-based(近邻数为20)、Item-based、Itemaverage、Item user average和Slope One 5种算法应用于MovieLens和Book-Crossing两种数据分布特征不同的数据集。结果显示,在Movielens这种评分值相对比较稠密的数据集上,Slope One算法的预测精度最好;而在评分值相对比较稀疏的Book-Crossing数据集上,Item-based算法的预测精度最好,Slope One的预测精度最差。选择算法应根据用户和资源分布具体情况确定。
