笔记(4)——Analyzing Communities and Their Evolutions in Dynamic Social Networks
摘要:
提出一个新方法,与传统的两步方法相区别。
我们提出FaceNet来分析社区和它们的演化通过一个强大的统一过程。我们的方法是对问题采用MAP估计,社区结构的估计同时考虑观察到的网络数据和由历史社区结构提供的先验分布。
关于动态网络的研究情况……,它们共同的缺点是:(1)社区和它们的演化是分开来研究的。通常,社区结构独立的用连续的时间步来提取,然后演化的属性用来解释随着时间的变化社区之间的区别。当社区结构是清楚的时候(例如:社区中联系是可用的)两步的方法是有意义的。但是,现实中的数据都是模糊的,而且含有大量的噪声。我们提出的是在同一个框架中分析社区和它们的演化。(2)个人通常划归到一个单独的社区中,我们认为比如一个博客作者他可能是一个专业的舞蹈者也可能是个业余的歌唱爱好者,所以我们提出的是软社区,即个人可以同时属于不同的社区。
我们的贡献是:(1)我们用FacetNet框架来统一的分析社区和他们的演化。在我们的框架中,在给定的时间点T的社区结构由在时间点T观察到的网络数据和由历史社区结构的先验分布同时决定。算法上,我们提出了第一概率生成模型来分析社区和他们的演化。我们表明,该模型可以从概率(贝叶斯)的角度解决进化的聚类问题。发现的社区和它们的演化对噪声更鲁棒,并且更合理。(2)我们采用一种随机块体模型来产生社区和一种基于狄利克莱分布(Dirichlet distribution)的概率模型来抓取社区演化。这些概率模型自然的分配软社区成员给节点,并且这些模型不具有非参数可辨识这个缺点,这是大多数模型都具有的缺点。基于由模型计算出的概率分布,我们进一步提出两种新颖的概念——社区网络和演化网络——分别用来解释社区级别的交互和过渡。(3)我们提供了迭代的EM算法,这可以用来保证收敛到拟定的最佳解决方案。我们证明了算法的正确性和收敛性,并且表明当数据稀疏的时候,算法具有低时间复杂度。我们还提供了一个实际问题原则上的解决方法,比如怎么样决定社区的个数和怎么样在动态的网络中把握增加和去除个体。
论文结构:第2部分,详细介绍我们的模型。第3部分,描述了怎么样抽取社区和他们的演化从我们的概率模型的。第4部分,我们提出了迭代的EM算法来解决我们的模型和讨论时间复杂度。第5部分,我们介绍了我们框架的扩展部分来解决实际的问题。第6部分,我们提供了实验的数据。最后第7部分,我们给出了结论和未来的方向。
--------------------------------未完待续--------------------------------
笔记(4)——Analyzing Communities and Their Evolutions in Dynamic Social Networks相关推荐
- 读书笔记之-Analyzing Neural Time Series Data 1、2
读书笔记之-Analyzing Neural Time Series Data 1.2 1.1 什么是认知电生理学(Cognitive Electrophysiology) 1.6 数据样本和在线代码 ...
- Information and Influence Propagation in Social Networks学习笔记
Information and Influence Propagation in Social Networks学习笔记 Wei Chen dalao写的书,在传播问题上感觉写的写的很详细,因为之前看 ...
- POI推荐文献阅读笔记3:Predicting Human Mobility via Graph Convolutional Dual-attentive Networks
POI推荐文献阅读笔记3: Predicting Human Mobility via Graph Convolutional Dual-attentive Networks 1.摘要 2.贡献 3. ...
- <笔记>Long and Short -Term Recommendations with Recurrent Neural Networks
<笔记>Long and Short -Term Recommendations with Recurrent Neural Networks 基于项目的序列神经网络推荐 总结: (1)证 ...
- 【2019斯坦福CS224N笔记】(5)The probability of a sentence Recurrent Neural Networks and Language Models
这部分内容主要研究语言模型及循环神经网络在语言模型中的应用. 目录 1.语言模型 2.经典n-gram模型 3.Window-based DNN 4.Recurrent Neural Networks ...
- 论文笔记:Large Deformation Diffeomorphic Image Registration with Laplacian Pyramid Networks
本文是论文<Large Deformation Diffeomorphic Image Registration with Laplacian Pyramid Networks>的阅读笔记 ...
- Unsupervised Feature Selection in Signed Social Networks 阅读笔记
论文来源:2017 KDD 论文链接 有符号的社交网络中存在正连接(positive links)和负连接(negative links),最近的一些研究指出,负连接具有一些正连接没有的额外信息.因此 ...
- 论文笔记:Spatial-Temporal Map Vehicle Trajectory Detection Using Dynamic Mode Decomposition and Res-UNe
Spatial-Temporal Map Vehicle Trajectory Detection Using Dynamic Mode Decomposition and Res-UNet+ Neu ...
- ECCV 2018 MemTrack:《Learning Dynamic Memory Networks for Object Tracking》论文笔记
理解出错之处望不吝指正. 本文模型叫做MemTrack.本文的模型是基于相似学习的,主要有两个创新点:①.设计一个动态记忆网络:②.使用门控剩余模板和初始模板,生成最终的匹配模板.模型的整体架构如下: ...
最新文章
- 基于图结构的计算分析和实现
- python qtablewedgit_PyQt5-高级控件使用(QTableWidget)
- Oracle 数据库 Database Express Edition 11g Release 2 (11.2) 错误解决集锦(安装方面)
- 前端一HTML:十二:元素查找过程的详解
- 怎么测内阻 恒压源_测电压表内阻的六种方法
- 学习笔记:文本过滤_____unix 下的通配符
- boost::contract模块实现private protected的测试程序
- zigbee上位机通过vs2019的mfc实现
- 乔布斯《我生命中的三个故事》
- java读取mysql配置文件_MySql主从复制,从原理到实践
- python行业中性_燃爆!17行Python代码做情感分析?你也可以的
- php设置上传文件浏览按钮的样式和文字,文件上传按钮的用户自定义样式的实现...
- 进程调度算法-高响应比优先调度算法(HRRN)
- 导纳矩阵 matlab,matlab实现导纳矩阵
- 基于同源策略对CORS和JSONP的初步认识
- oppoJava面试!一招彻底帮你搞定HashMap源码,极其重要
- 白色背景,白色文字怎么显示清晰?
- Xcode8写代码闪退
- 红帽子linux编译命令,Linux REDHAT下安装内核源代码详细步骤教程
- 【One Page】概率论复习|Probability Theory Review