网络结构挖掘中降维技术比较研究.pdfVIP

2007200720072007IEEE/IEEE/IEEE/IEEE/WIC/ACMInternalConferenceonWebIntelligence

WIC/ACMWIC/ACMWIC/ACM国际国际国际网智能会网智能会网智能会议议议智智智智能能能能

网络结构挖掘中降维技术的比较

NacimFatehChikhi，BernardRothenburger，NathalieAussenac‑Gil

图卢兹计算机科学保罗·萨巴蒂埃大学，118routedearbonne，31062图

卢兹Cedex{chikhi,rothenburger,aussenac}@irit.fr

成分分析（ICA）、非负矩阵分解（NMF）和随机投

影（RP），用于网络结构挖掘。实验在三个数据集上

在许多领域中，降维技术已被证明对于揭示数据的潜进行。

在语义非常有效。因此，本文研究了各种降维技术

本文其余部分的结构如下：在第2节中，我们回顾

（DRTs）在提取网络超连通性中隐含结构方面的

了HITS算法，并展示了其与降维技术的关系；在第3

应用。我们应用并比较了四种降维技术，即主成分分

节中，我们介绍了在实验中使用的四种降维技术；在

析（PCA）、非负矩阵分解（MF）、独立成分分

第4节中，我们描述了包括数据集在内的实验方法；在

析（ICA）和随机投影（RP）。通过对三个数据集进

第5节中，我们报告了所获得的结果，并在第6节中进

行实验，我们得出以下结论：MF在结构的稳定性和

行讨论；最后在第7节中给出结论和一些展望。

可解释性方面优于PCA和ICA；以往大量用于超

连通性分析的知名WebKb数据集似乎并不适合该任务，

我们建议改用更为合适的近期百科数据集。2.相关工作

Kleinberg通过一种称为HITS（超文本诱导

搜索）的超分析算法，引入了节点（指

向许多页面的页面）和节点（被许多页面的页

1.引言面）的概念。与PageRank[3]算法不同，HITS为由

网页及其超构成的网络图中的每个页面分配两个评

网络挖掘技术了从网络数据中提取知识的方分：一个评分（x）和一个评分（y）。评分通

法。网络挖掘的研究人员已经区分出三个主要领域，过应用以下两条规则迭代计算，直到结果收敛：

即网络内容挖掘、网络使用挖掘和网络结构挖掘[1]。

本文聚焦于网络结构挖掘（WSM）。WSM致力于从x(u)y(v)y(u)x(v)

网络拓扑中发现结构，为各种应用有价值的信息。vIn(u)vOut(u)

从数学