• 中国精品科技期刊
  • CCF推荐A类中文期刊
  • 计算领域高质量科技期刊T1类
高级检索

融合用户兴趣偏好与影响力的目标社区发现

刘海姣, 马慧芳, 赵琪琪, 李志欣

刘海姣, 马慧芳, 赵琪琪, 李志欣. 融合用户兴趣偏好与影响力的目标社区发现[J]. 计算机研究与发展, 2021, 58(1): 70-82. DOI: 10.7544/issn1000-1239.2021.20190775
引用本文: 刘海姣, 马慧芳, 赵琪琪, 李志欣. 融合用户兴趣偏好与影响力的目标社区发现[J]. 计算机研究与发展, 2021, 58(1): 70-82. DOI: 10.7544/issn1000-1239.2021.20190775
shu
Liu Haijiao, Ma Huifang, Zhao Qiqi, Li Zhixin. Target Community Detection with User Interest Preferences and Influence[J]. Journal of Computer Research and Development, 2021, 58(1): 70-82. DOI: 10.7544/issn1000-1239.2021.20190775
Citation: Liu Haijiao, Ma Huifang, Zhao Qiqi, Li Zhixin. Target Community Detection with User Interest Preferences and Influence[J]. Journal of Computer Research and Development, 2021, 58(1): 70-82. DOI: 10.7544/issn1000-1239.2021.20190775
shu
刘海姣, 马慧芳, 赵琪琪, 李志欣. 融合用户兴趣偏好与影响力的目标社区发现[J]. 计算机研究与发展, 2021, 58(1): 70-82. CSTR: 32373.14.issn1000-1239.2021.20190775
引用本文: 刘海姣, 马慧芳, 赵琪琪, 李志欣. 融合用户兴趣偏好与影响力的目标社区发现[J]. 计算机研究与发展, 2021, 58(1): 70-82. CSTR: 32373.14.issn1000-1239.2021.20190775
shu
Liu Haijiao, Ma Huifang, Zhao Qiqi, Li Zhixin. Target Community Detection with User Interest Preferences and Influence[J]. Journal of Computer Research and Development, 2021, 58(1): 70-82. CSTR: 32373.14.issn1000-1239.2021.20190775
Citation: Liu Haijiao, Ma Huifang, Zhao Qiqi, Li Zhixin. Target Community Detection with User Interest Preferences and Influence[J]. Journal of Computer Research and Development, 2021, 58(1): 70-82. CSTR: 32373.14.issn1000-1239.2021.20190775
shu

融合用户兴趣偏好与影响力的目标社区发现

  • 1(西北师范大学计算机科学与工程学院 兰州 730070)

  • 2(广西多源信息挖掘与安全重点实验室(广西师范大学) 广西桂林 541004) (haihai1202@foxmail.com)

基金项目: 国家自然科学基金项目(61762078，61363058，61966004)；广西多源信息挖掘与安全重点实验室开放基金项目(MIMS18-08)；西北师范大学青年教师能力提升计划项目(NWNU-LKQN2019-2)
详细信息

  • 中图分类号: TP391

Target Community Detection with User Interest Preferences and Influence

  • 1(College of Computer Science and Engineering, Northwest Normal University, Lanzhou 730070)

  • 2(Guangxi Key Laboratory of Multi-Source Information Mining and Security (Guangxi Normal University), Guilin, Guangxi 541004)

Funds: This work was supported by the National Natural Science Foundation of China (61762078, 61363058，61966004), the Research Fund of Guangxi Key Laboratory of Multi-Source Information Mining & Security (MIMS18-08), and the Research Fund of Northwest Normal University Young Teachers Research Capacity Promotion Plan (NWNU-LKQN2019-2).

HTML全文

    摘要
  • 摘要: 目标社区检测旨在找到符合用户偏好的有凝聚力的社区.然而，所有现有工作要么在很大程度上忽视社区的外部影响，要么不是"基于目标的"，即不适合目标请求.为了解决这一问题，提出面向属性网络的融合用户兴趣偏好与社区影响力的目标社区发现方法，挖掘与用户偏好相关且最具一定影响力的高质量社区.首先，综合节点结构与属性信息，挖掘包含样例节点的极大k-团作为潜在目标社区核心，并设计熵加权属性权重计算方法来捕获潜在目标社区属性子空间权重，挖掘用户偏好；其次，融合社区内部紧密性和外部可分离性定义社区质量函数，以极大k-团为核心扩展得到高质量的潜在目标社区；最后，定义社区的外部影响分数量化办法，并结合社区质量函数值及外部影响分数对所有潜在目标社区排序，输出综合质量较高的社区为目标社区.此外，在计算极大k-团的属性子空间权重时，设计了2重剪枝策略提升方法的性能和效率.在人工网络和真实网络数据集上的实验结果印证了所提方法的效率和有效性.
    Abstract: Target community detection is to find the cohesive communities consistent with user’s preference. However, all the existing works either largely ignore the outer influence of the communities, or not “target-based”, i.e., they are not suitable for a target request. To solve the above problems, in this paper, the target community detection with user interest preferences and influence (TCPI) is proposed to locate the most influential and high-quality community related to user’s preference. Firstly, the node structure and attribute information are synthesized, and maximum k-cliques containing sample nodes are investigated as the core of the potential target community, and an entropy weighted attribute weight calculation method is designed to capture the attribute subspace weight of the potential target community. Secondly, the internal compactness and the external separability of the community is defined as the community quality function and the high-quality potential target community is expanded with each of the maximum k-cliques as the core. Finally, the external impact score of the community is defined, and all potential target communities are ranked according to the quality function and the external impact score of the community, and the communities with higher comprehensive quality are decided as the target communities. In addition, a pruning strategy of two-level is designed to improve the performance and efficiency of the algorithm after calculating the attribute subspace weights of all maximal k-cliques. Experimental results on synthetic networks and real-world network datasets verify the efficiency and effectiveness of the proposed method.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(63)

  • 期刊类型引用(12)

    1. 武家辉，李科研，陈丽新，张家诺，刘帅兵，逯鹏. 神经架构搜索技术研究综述. 计算机应用研究. 2025(01): 11-18 . 百度学术
    2. 刘倩男，闫佳，刘诚. 基于改进MobileNetV3的岩石薄片分类研究. 电脑知识与技术. 2025(07): 26-28 . 百度学术
    3. 吴艳灵，汤宝平，邓蕾，付豪. 低通筛选优化神经架构搜索的风电齿轮箱边缘侧故障诊断方法. 机械工程学报. 2025(07): 361-372 . 百度学术
    4. 宋玉红，沙行勉，诸葛晴凤，许瑞，王寒. RR-SC:边缘设备中基于随机计算神经网络的运行时可重配置框架. 计算机研究与发展. 2024(04): 840-855 . 本站查看
    5. 蒋鹏程，薛羽. 基于排序得分预测的演化神经架构搜索方法. 计算机学报. 2024(11): 2522-2535 . 百度学术
    6. 刘威，郭直清，王东，刘光伟，姜丰，牛英杰，马灵潇. 改进鲸鱼算法及其在浅层神经网络搜索中的权值阈值优化. 控制与决策. 2023(04): 1144-1152 . 百度学术
    7. 鞠翰文，邓扬，李爱群. 桥梁结构挠度-温度-车辆荷载监测数据相关性模型. 振动与冲击. 2023(06): 79-89 . 百度学术
    8. 丁熠，郑伟，耿技，邱泸谊，秦志光. 基于多层级并行神经网络的多模态脑肿瘤图像分割框架. 中国图象图形学报. 2023(07): 2182-2194 . 百度学术
    9. 王上，唐欢容. 一种基于混合粒子群优化算法的深度卷积神经网络架构搜索方法. 计算机应用研究. 2023(07): 2019-2024 . 百度学术
    10. 朱光辉，祁加豪，朱振南，袁春风，黄宜华. 渐进式深度集成架构搜索算法研究. 计算机学报. 2023(10): 2041-2065 . 百度学术
    11. 钟运琴，朱月琴，焦守涛. 边缘大数据分析预测建模方法研究. 高技术通讯. 2022(10): 1067-1075 . 百度学术
    12. 包振山，秘博闻，张文博. 基于人工经验网络架构为初始化的NAS算法. 北京工业大学学报. 2021(08): 854-862 . 百度学术

    其他类型引用(51)

    • 资源附件(0)
计量
  • 文章访问数:  919
  • HTML全文浏览量:  7
  • PDF下载量:  579
  • 被引次数: 63
出版历程
  • 发布日期:  2020-12-31

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(63)
    资源附件(0)

    /

    返回文章
    返回
    邮件订阅 RSS
    微信订阅号<br/>（实时资讯）

    微信订阅号
    （实时资讯）

    微信服务号<br/>（同步网站）

    微信服务号
    （同步网站）

    微信视频号<br/>（视频分享）

    微信视频号
    （视频分享）

    CCF<br/>（扫码入会）

    CCF
    （扫码入会）

    版权所有 © 《计算机研究与发展》编辑部

    本系统由北京仁和汇智信息技术有限公司开发  百度统计