基于图流在线非负矩阵分解的社团检测

常振超; 陈鸿昶; 王凯; 卫红权; 黄瑞阳

doi:10.3969/j.issn.0372-2112.2017.09.004

您当前的位置：

首页 >

文章列表页 >

基于图流在线非负矩阵分解的社团检测

学术论文 | 更新时间：2025-07-16

- 基于图流在线非负矩阵分解的社团检测
- Graph Streams Community Detection via Online Nonnegative Matrix Factorizations
- 电子学报 2017年45卷第9期页码：2077-2084
- 作者机构：
  
  国家数字交换系统工程技术研究中心,河南,郑州,450001
- 作者简介：
- 基金信息：
  
  国家自然科学基金创新群体 (No.61521003）;国家自然科学基金 (No.61171108）;国家973重点基础研究发展计划 (No.2012CB315901，No.2012CB315905）;国家科技支撑计划 (No.2014BAH30B01）
- DOI：10.3969/j.issn.0372-2112.2017.09.004
  中图分类号： TP393
- 网络出版：2017-09-25，
  
  纸质出版：2017
- 稿件说明：
移动端阅览
常振超, 陈鸿昶, 王凯, 等. 基于图流在线非负矩阵分解的社团检测[J]. 电子学报, 2017,45(9):2077-2084.

CHANG Zhen-chao, CHEN Hong-chang, WANG Kai, et al. Graph Streams Community Detection via Online Nonnegative Matrix Factorizations[J]. Acta Electronica Sinica, 2017, 45(9): 2077-2084.
常振超, 陈鸿昶, 王凯, 等. 基于图流在线非负矩阵分解的社团检测[J]. 电子学报, 2017,45(9):2077-2084. DOI： 10.3969/j.issn.0372-2112.2017.09.004.

CHANG Zhen-chao, CHEN Hong-chang, WANG Kai, et al. Graph Streams Community Detection via Online Nonnegative Matrix Factorizations[J]. Acta Electronica Sinica, 2017, 45(9): 2077-2084. DOI： 10.3969/j.issn.0372-2112.2017.09.004.

摘要

针对现有的在线社团检测方法大多仅从增量相关的节点和边出发，难以有效挖掘社团结构的动态变化特性问题，提出了一种基于图流在线非负矩阵分解的社团检测方法.首先将网络中持续到达的图数据按照流式数据进行存储和预处理，然后借鉴梯度下降思想，采用在线非负矩阵分解架构，根据不同时刻达到的图流序列，实时迭代更新社团归属矩阵，并通过有效的学习率和缓存策略设置，保证了图流处理的收敛性和合理性.实验结果表明，相比于已有在线社团检测方法，该方法具备更高的社团检测精度.

Abstract

While the existing online community detection methods mostly only deal with the nodes and edges from the increment part

which are difficult to effectively detect the dynamic changes in the community structure.Based on this

a new method for the detection of flow graphs based on online non negative matrix factorization (ONMF) is proposed.Firstly

our method put graph data into the cache as continuous streams to deal with.Then

our method iteratively updates the existing community belonging matrix real-time using online nonnegative matrix decomposition architecture and by means of the projected gradient descent theory.Lastly

through effective learning rate and cache strategy setting

our method ensures the convergence and rationality of graph stream processing.Experiments on real network data sets show that ONM has a higher community detection quality compared with the existing methods.

关键词

Keywords

references

浏览量

383

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

动态属性网络的语义社区发现及演化分析方法

一种在线的动态网页分块缓存方法

不完全非负矩阵分解的加速算法

加性噪声条件下鲁棒说话人确认

基于语义路径的异质网络社区发现方法