学习全局边函数的半监督社区检测
2019-03-13丁彩英李泽鹏刘松华
太原理工大学学报 2019年2期
丁彩英,李泽鹏,刘松华,3
(1.太原理工大学 信息与计算机学院,山西 晋中 030600;2.兰州大学 信息科学与工程学院,兰州 730000; 3.北京大学 信息科学与技术学院,北京 100871)
现实生活中众多复杂系统都能用网络进行建模,如社交网络、经济网、生物网络等。而随着在线网络信息量激增,获取的各种属性等数据越来越多。如何理解这些网络的内在机制,并有效利用这些数据成为当前社区检测领域的重要研究热点。
检测社区允许我们发现与对象相关的功能,研究模块之间的关联,推断丢失的属性值,预测没有观察到的连接等。传统的社区检测中,所谓的社区一般是保证组内的边的连接密度高于组间[1]。如在线社交网络中,社区对应一组朋友,他们就读于相同的学校或者来自相同的县市。蛋白质相互作用网络中,社区对应相互作用的蛋白质之间的功能模块。协作网络中,社区对应学科分类。
从建模模型角度分析,传统的社区检测算法可以分为两类:1) 概率模型,如SBM(stochastic block model)模型[2]、Dirichlet模型[3]等;2) 谱近似模型,如模块度[4-6]、及其它的谱聚类[7]、矩阵分解类[8-9]等算法。目前,已有社区检测算法已经取得了巨大成功,在各行各业都有具体的应用。但由于已有算法大多数均基于聚类的无监督版本,唯一可利用的信息就是图结构,通常考虑图的邻接矩阵,无法有效挖掘潜在的社区形成和发展的机制。因此不可避免会碰到如下问题:1) 噪声问题,如数据的获取方式本身会带来各种干扰信息;2) 不同的检测算法产生不同的解,如分别从节点和边的角度进行检测会产生不同的社区。……
登录APP查看全文
