基于三支决策的重叠社团发现算法

来源 :2013年中国计算机学会人工智能会议 | 被引量 : 0次 | 上传用户:wucaixia303
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
  基于三支决策的重叠社团发现算法(Overlapping Community Detection based Three-Way Decision,OCD-TWD)将社会网络中两个社团之间的归属关系分为:完全属于、完全不属于、不完全属于,并使用三支决策中正域、负域、边界域来刻画社团之间的归属关系.OCD-TWD算法定义了节点之间、社团之间的相似度和节点对社团的归属度,使用扩展模块度函数的增大值来反映包含度阈值,进而使用三支决策决策社团间的归属关系来指导社团合并.当决策两个社团的归属关系为完全属于时社团合并,当决策为完全不属于时社团不合并,当决策为不完全属于时提出了重叠节点发现算法(Overlapping Node Detection Algorithm,ONDA)来挖掘社团中的重叠节点.在计算机生成网络和真实世界网络上对OCD-TWD算法进行测试,并和当前重叠社团发现领域中代表性算法进行比较,表明了OCD-TWD算法的可行性和有效性.
其他文献
Chan-Vese模型是一种在图像力和外部约束力作用下从初始轮廓向目标边界运动的变形曲线,在图像分割、边缘检测等研究领域得到了广泛应用。但由于图像个体差异性较大,目前针对CV模型中初始轮廓的自动提取问题研究较少。本文提出了一种基于视觉认知的自适应CV模型图像分割方法,首先根据视觉注意机制和bottom-up的底层图像特征分析,自动获取图像中目标区域的先验形状信息,用于约束CV模型中的初始轮廓,在此
HIV的传播是个体的行为、疾病的干预措施和个体之间的社会网络协同演化的结果。提出了基于agent的动态加权二部无标度网络方法的异性HIV传播和于预仿真模型,二部网络中的女性人群根据高危行为不同分为普通人群和女性性工作者(Female Sex Workers,FSW),男性人群根据高危行为不同分为普通人群和女性性工作者客户(Clients of female sex worker,CSW),给出了利
提出了一种基于指纹局部纹线距离的指纹分类方法,通过计算指纹的局部纹线距离并按照局部纹线距离对指纹库中的指纹进行排序,该方法可以有效的提高指纹的检索速度。
针对红外可见光图像融合,提出一种将显著计算和自适应脉冲耦合神经网络(PCNN)结合起来,指导多尺度图像融合中的低频系数融合的方法。这种方法合理利用了视觉显著计算的结果,充分反映出人眼对像素点的感知强度,在融合图像中最大程度保留源图像中的显著信息,因此能获得较好的融合效果。通过对一种多尺度变换方法,形态非抽样小波的图像融合实验,证明了该方法的有效性。
由于受到图像背景因素的影响,基于单纯分水岭算法较难高精度实现视频图像中人物轮廓的分割与追踪。为解决分水岭算法的过分分割问题,提出了基于颜色空间转换的区域合并划分目标轮廓区域,同时基于人物头部轮廓信息生成人物领域轮廓模型。通过对人物领域边界线生成的初步轮廓模型进行高斯函数的卷积运算,生成形态轮廓模型的有效对象模板,实现视频图像中人物领域中不基于帧间差分和移动向量亦能在视频图像中追踪移动对象。基于颜色
织物图像纹理多样化及疵点类别较多,但疵点在复杂的纹理背景中较为显著。因此,借鉴人类视觉感知机理,进行织物疵点检测具有很好的研究价值。本文结合织物图像特性,提出一种基于纹理差异视觉显著性模型的织物疵点检测算法。其基本思想是首先对图像进行分块,计算各个图像块LBP(局部二值模式)纹理特征,与图像块平均纹理特征的相似度比较,进行显著度计算,从而有效突出了疵点区域。最后利用改进阈值分割算法,实现对疵点区域
基于中文人名用字有较强的性别区分性,提出一种利用朴素贝叶斯从中文人名判定性别的方法,该方法将每个中文人名中的第一个字(字1)、第二个字(字2)、第一和第二个字组合(字1字2)作为区分特征,利用朴素贝叶斯分类方法对该人名所属性别进行判定.在一个41万多的中文人名语料上进行训练和测试,对比了依据不同特征组合进行性别判定的准确率,分别采用字1,字2,字1+字2,字1+字1字2,字2+字1字2,全部区分特
本文设计实现一种通用的大规模多智能体一致性协议可视化仿真平台,介绍了平台的体系结构,工作流程,详细设计与实现,最后以舆论传播为例给出了仿真平台的测试与结果分析。文中还提出了进行系统总体性能分析所需性能指标,给出了具体定义,从而实现了对多智能体系统性能的分析和评价。仿真平台通过设置系统主要参数和加载对应的一致性协议,能快速进行各种一致性模型的仿真验证,再现系统的演化过程,主要的设计方法是先进行系统环
Top-k查询主要用来从海量的数据中返回用户最为偏好的k个对象.目前已经有大量的研究工作致力于top-k查询中性能研究,近年来针对top-k查询结果进行解释的研究逐渐得到了广泛的关注.在top-k查询中,由于用户不能精确的指定自己的偏好,因此针对top-k查询的结果用户可能产生这样的质疑:"既然连对象p都出现在top-k结果中了,为什么我期望的对象m缺没有出现在top-k结果?"针对用户这样的疑问
传统的协同过滤算法以用户评分体现用户兴趣偏好及资源相似度,忽视了用户、资源自身的特征,并且对稀疏数据和新资源的推荐质量明显下降.在web2.0时代下,标签可被用户依个人偏好进行自由资源标注.因此,提出了基于标签和协同过滤的推荐算法.其基本思想是将标签作为体现用户兴趣偏好和资源特征的信息,依据用户、标签及资源的多维关系生成用户及资源的标签特征向量,并计算用户对资源的偏好程度和资源相似度,然后基于用户