異構(gòu)網(wǎng)絡(luò)中的社團(tuán)檢測(cè)算法研究及應(yīng)用.pdf

1、異構(gòu)信息網(wǎng)絡(luò)是一種擁有多種類型的結(jié)點(diǎn)與鏈接的復(fù)雜網(wǎng)絡(luò)，這些結(jié)點(diǎn)與鏈接蘊(yùn)藏著豐富的語(yǔ)義信息，給當(dāng)前數(shù)據(jù)挖掘領(lǐng)域帶來了更多的研究機(jī)會(huì)與挑戰(zhàn)。近年來，研究者們針對(duì)異構(gòu)信息網(wǎng)絡(luò)，分別在相似性度量、圖聚類、鏈路預(yù)測(cè)以及推薦等方向做出了許多成果。
　　本文以異構(gòu)信息網(wǎng)絡(luò)為研究對(duì)象，主要在社團(tuán)檢測(cè)和推薦系統(tǒng)兩個(gè)方面進(jìn)行研究。傳統(tǒng)的異構(gòu)信息網(wǎng)絡(luò)中社團(tuán)檢測(cè)的方法主要有基于排序、基于路徑與多視角學(xué)習(xí)三種類型，前兩者多根據(jù)概率圖模型來求解模型，后者則主

2、要利用多視角學(xué)習(xí)方法來解決異構(gòu)網(wǎng)絡(luò)中的問題。而基于異構(gòu)網(wǎng)絡(luò)的推薦系統(tǒng)則可以看做是基于多源信息融合后的推薦，主要以融合策略和融合信息來提高推薦性能。與之不同的是，本文以全新的角度（將異構(gòu)信息網(wǎng)絡(luò)挖掘轉(zhuǎn)化為同構(gòu)信息網(wǎng)絡(luò)挖掘）出發(fā)，借助信息在元路徑上的有效傳播，提出一種分解技術(shù)，能夠在無信息損失的前提下將原始異構(gòu)信息網(wǎng)絡(luò)分解為一系列同構(gòu)信息網(wǎng)絡(luò)。同時(shí)基于該分解策略，本文分別提出了一種異構(gòu)信息網(wǎng)絡(luò)的社團(tuán)檢測(cè)算法HomClus與一種融合用戶與項(xiàng)目

3、信息的推薦方法CSR。這三者構(gòu)成了本文的核心內(nèi)容，本文的主要貢獻(xiàn)如下：
　　第一、提出了異構(gòu)信息網(wǎng)絡(luò)的基于元路徑的分解策略。該策略主要利用元路徑反映實(shí)體間的不同關(guān)系的本質(zhì)，針對(duì)目標(biāo)類型實(shí)體，通過簡(jiǎn)單的矩陣操作得到不同路徑下目標(biāo)類型實(shí)體的關(guān)系權(quán)重矩陣——也就是同構(gòu)信息網(wǎng)絡(luò)。且該過程對(duì)目標(biāo)類型而言沒有信息損失。因此，對(duì)異構(gòu)網(wǎng)絡(luò)的相關(guān)研究問題都可以簡(jiǎn)化為在目標(biāo)類型的同構(gòu)網(wǎng)絡(luò)上的研究問題，從而更容易被解決。
　　第二、提出了基于異構(gòu)

4、信息網(wǎng)絡(luò)的分解策略的社團(tuán)檢測(cè)算法HomClus。該方法在第一個(gè)貢獻(xiàn)成果的條件下，首先將異構(gòu)信息網(wǎng)絡(luò)轉(zhuǎn)化為一系列同構(gòu)信息網(wǎng)絡(luò)，并整合為統(tǒng)一的網(wǎng)絡(luò)結(jié)構(gòu)。其次，使用非負(fù)矩陣分解快捷地將節(jié)點(diǎn)轉(zhuǎn)化為向量，即將整個(gè)網(wǎng)絡(luò)投影到低維子空間中。最后，采用高效的聚類方法如基于同步的聚類方法對(duì)低維子空間中的“節(jié)點(diǎn)”進(jìn)行聚類，從而檢測(cè)出原始網(wǎng)絡(luò)中潛在的社團(tuán)結(jié)構(gòu)。實(shí)驗(yàn)表明， HomClus算法與領(lǐng)域內(nèi)的前沿算法相比有很大的優(yōu)勢(shì)，如算法直觀簡(jiǎn)潔，參數(shù)不敏感，同時(shí)也