基于异构社会网络检测的MutuRank算法的研究-计算应用技术专业论文.docxVIP

江西理 江西理工大学硕士学位论文 摘要 万方数据 万方数据 摘 要 社区检测是近几年数据挖掘研究领域的一个热点问题，随着网络社区的快速发展，大 量的研究人员都致力于社区检测的研究。社区检测研究的主要内容是对网络中存在的关系 进行分析研究，从而帮助人们了解社区网络的组织结构，并能挖掘出社区中潜在的大量信 息。在现实世界中的社会网络大部分是以多关系的形式存在的，所以随着社区检测的深入 研究，社会网络大部分是以多关系的形式存在的，所以随着社区的概念被提出，异构社会 网络分析受到越来越多的学者关注。现实生活中异构社会网络是普遍存在的，如科研合作 网络、社交网络、医疗健康网络等。随着大数据时代的来临，如何处理这些大规模复杂的 异构网络结构已经是一个挑战性的难题。 目前，关于社区检测已经有很多研究成果，但是大多数是集中于“单关系社会网络”的研 究。就异构社会网络而言，一个热门的方法是检测前首先将异构网络融合成单关系网络。 目前，已有的研究普遍认为异构网络中不同的关系是相互独立的，平等对待的，实际上这 在现实生活中是不合理的，因此本文的第一个创新点是提出了一个“MutuRank”的联合排名 模型，它充分利用了节点和关系的相互影响，把异构网络融合成单关系网络。在谱聚类方 面，本文提出了一个结合近邻知识的 GMM-NK(Gaussian Mixture Model with Neighbor Knowledge)用于社区检测，这是本文另外一个创新点。 本文的主要工作如下: (1) 本文首先介绍了社会网络的发展和基本概念，接着介绍了社区检测的研究现状和研究 意义，并对已有的社区检测算法的优缺点进行了具体的分析和比较，针对异构社会网 络提出了一个联合排名模型“MutuRank”，并假设不同关系之间不是独立的，利用节点 和关系之间的相互影响来迭代计算关系的权重，得到关系的均衡分布，最终将异构网 络融合成单关系网络。 (2) 在社区检测方面，本文提出一个基于 GMM (Gaussian Mixture Model)改进的 GMM-NK 算法。利用 GMM-NK 算法对 MutuRank 合成的“单关系网络”做谱聚类分析，相比于传 统的 GMM 算法，GMM-NK 算法结合了近邻知识，在社区检测的性能上 GMM-NK 算 法优于 GMM 和 Kmeans。 (3) 最后，我们利用两个 UCI 数据集 Iris、Breast 构造了两个合成的异构网络，并抽取了真 实的异构社会网络 DBLP 数据集分别进行了实验。通过 MutuRank 实验所得的关系均衡 概率和最终通过 GMM-NK 进行谱聚类所得的实验数据进行验证。在性能评价方面，我 们利用 NMI (Normalized Mutual Information)作为评价指标。一系列的实验结果表明， 不论在合成的异构网络里还是在真实的异构社会网络里，MutuRank 算法和 GMM-NK 算法都是有效的。 从理论上和实验上可以证明，MutuRank 算法和 GMM-NK 算法可以用于现实世界中普 遍存在异构社会网络的检测，且效果显著。随着大数据时代的到来，社会网络分析将愈加 重要，社会网络分析对于国家安全监控和商业都有极大的意义。在未来，该领域值得长期 II 深入的探索和研究。 关键词：社会网络；异构网络；社区检测；MutuRank；Gaussian mixture model III Abs Abstract Abstract Community detection is a hot issue in the field of data mining research in recent years，with the rapid development of network community，A large number of researchers have focused on community detection research. The main content of community detection research is analysis on the relationship between the existing in the network, and then to help people understand the organizational structure of the network, it can also excavate a large number of potential information in the community. In the real world, most Social Networks in the form of mult