基于圖挖掘的社交網絡可視化研究.pdf_第1頁
已閱讀1頁,還剩70頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著微博等社交網絡的快速興起,社交網絡的研究成為了一個熱點課題,如何更加充分的利用現(xiàn)代網絡工具快速發(fā)掘網絡中信息是一個重要的方向。基于圖挖掘的網絡中節(jié)點聚類一直以來都是大規(guī)模網絡數據分析中重要的研究課題之一,眾多研究者在網絡社區(qū)的發(fā)現(xiàn)方面已經取得不少研究成果,但仍然存在許多問題有待解決:算法的效率不高、很少關注重疊的社區(qū)結構、不能排除噪音干擾等。信息可視化技術的發(fā)展為人們理解網絡結構數據并進行有效的挖掘提供了很有效的途徑,但對于大規(guī)模社

2、交網絡傳統(tǒng)的可視化布局并不能清晰的展示。
  針對這些問題,本文以Spark為平臺,利用圖挖掘,對社區(qū)網絡展開了社區(qū)發(fā)現(xiàn)及可視化的研究,具體內容如下:
 ?。?)設計基于網絡邊圖的社區(qū)發(fā)現(xiàn)算法及其并行化。針對GN算法不能發(fā)現(xiàn)重疊社區(qū)和其復雜度較高的問題,將網絡圖轉換為邊圖,用邊圖中節(jié)點的相似度替代GN算法中的邊介數,改進GN算法,并且利用MapReduce模型,對該算法進行并行化處理,提高其執(zhí)行效率。
 ?。?)提出了

3、基于用戶影響力的社區(qū)發(fā)現(xiàn)算法及其并行化方案。針對基于局部模塊度的社區(qū)發(fā)現(xiàn)算法[26]不穩(wěn)定問題,借鑒PageRank算法思想,研究社交網絡中用戶影響力,將影響力大的用戶作為初始社區(qū)節(jié)點,使得社區(qū)劃分結果穩(wěn)定且更為準確,并研究了基于用戶影響力的社區(qū)發(fā)現(xiàn)算法的并行化方法。
  (3)設計基于MapReduce的力導向布局算法。分析串行的力導向布局算法,結合Spark內存計算框架,實現(xiàn)了該算法的并行化,加快網絡布局。
  (4)提

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論