-
题名一种融合节点变化信息的动态社区发现方法
- 1
-
-
作者
贺超波
成其伟
程俊伟
刘星雨
余鹏
陈启买
-
机构
华南师范大学计算机学院
维沃移动通信有限公司
-
出处
《电子学报》
EI
CAS
CSCD
北大核心
2024年第8期2786-2798,共13页
-
基金
国家自然科学基金(No.62077045)。
-
文摘
动态社区发现旨在检测动态复杂网络中蕴含的社区结构,对于揭示网络的功能及演化模式具有重要研究价值.由于相邻时刻网络的社区结构具有平滑性,前一时刻网络的社区划分信息可以用于监督当前时刻网络的社区划分过程,但已有方法均难以有效提取这些信息来提高动态社区发现性能.针对该问题,提出一种融合节点变化信息的动态社区发现方法(Semi-supervised Nonnegative Matrix Factorization combining Node Change Information,NCI-SeNMF).NCI-SeNMF首先采用k-core分析方法提取前一时刻社区网络的degeneracy-core,并选取degeneracy-core中的节点构造社区隶属先验信息,然后对相邻时刻网络的节点局部拓扑结构变化程度进行量化,并将其用于进一步修正社区隶属先验信息,最后通过半监督非负矩阵分解模型集成社区隶属先验信息进行动态社区发现.在多个人工合成动态网络和真实世界动态网络上进行大量对比实验,结果表明,NCI-SeNMF比现有动态社区发现方法在主要评价指标上至少提升了4.8%.
-
关键词
动态社区发现
半监督非负矩阵分解
k-core分析
社区网络
复杂网络
-
Keywords
dynamic community discovery
semi-supervised nonnegative matrix factorization
k-core analysis
com⁃munity network
complex networks
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名自监督对称非负矩阵在GDP聚类分析中的应用
- 2
-
-
作者
刘万金
赵芳芳
-
机构
兰州财经大学
-
出处
《甘肃科技纵横》
2022年第7期69-73,共5页
-
文摘
传统的对称非负矩阵分解(Symmetric Nonnegative Matrix Factorization,NMF)不但能够利用线性可分数据,对非线性数据也具有良好的可分性,但对矩阵的初始化值比较敏感,为了提高模型的鲁棒性,自监督对称非负矩阵(Self-supervised Nonnegative Matrix Factorization,S3NMF)利用集成的思想,将不同初始化得到的分解矩阵构造成一个判别能力更强的相似矩阵,同时考虑监督信息进行矩阵分解,克服了对称非负矩阵对初始化值敏感的问题。对我国31省份GDP数据,利用Kmeans对S^(3)NMF分解产生的结果进行聚类,将S^(3)NMF应用到我国GDP聚类,结合现实数据,同时将S^(3)NMF聚类结果与函数型聚类分析结果对比,得出S3NMF的分解矩阵,利用Kmeans进行聚类能够产生较好的聚类划分。
-
关键词
自监督对称非负矩阵分解
GDP
聚类
函数型聚类
-
分类号
F207
[经济管理—国民经济]
-
