人工智能教程 - 专业选修课程4.3.11 - 复杂结构数据挖掘 9.社交网络,社区

这篇教程探讨了社交网络中的社区识别,介绍社会图、聚类目标和局部性原理。文章讨论了中介度、Girvan-Newman算法和Simrank在社区检测中的应用,并指出传统方法在复杂网络中的局限性。同时,提到了图的特征学习,如网络嵌入,以及深度学习在处理网络复杂拓扑结构时的挑战。最后,建议根据具体应用选择合适的方法,如node2vec和多跳预测。
摘要由CSDN通过智能技术生成

社交网络

社区:社交网络中的一个重要问题是识别“社区”。社区是指具有非同寻常的强连通性的节点子集(节点可以是构成网络的人或其他实体)。
把社交网络看成图,称为社会图 social graph
网络和社区

在这里插入图片描述

目标:聚类

在这里插入图片描述

局部性 locality:指社会网络的节点和边趋向于聚为社区的这种性质。

社会网络的基本特点:

(1)一大堆试题参与了网络的构成。
(2)网络实体之间至少存在一种关系。
(3)对于社会网络有一个非随机性或局部性假设。

中介度

传统的聚类算法在社会网络中存在不少问题。一条边(a,b)的中介度(betweenness)定义为节点对(x,y)的数目,其中(a,b)处于x和y的最短路径上。更准确地说,由于x和y之间可能存在多条最短路径,边(a,b)的贡献记
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值