微博社区的动态节点自适应增量交互优化

计算机工程与科学

微博社区的动态节点自适应增量交互优化

邱云飞，陈昂

（辽宁工程技术大学软件学院，辽宁葫芦岛 125105）

收稿日期:2017-05-18 修回日期:2018-01-28 出版日期:2019-02-25 发布日期:2019-02-25
基金资助:
国家自然科学基金（71371091）;国家自然科学基金青年科学基金（61401185）

Dynamic nodes adaptive incremental interactive

optimization for micro-blog communities

QIU Yunfei，CHEN Ang

（College of Software Engineering,Liaoning Technical University,Huludao 125105,China）

Received:2017-05-18 Revised:2018-01-28 Online:2019-02-25 Published:2019-02-25

摘要/Abstract

摘要：

大多数的社区发现方法是基于网络拓扑结构和边缘密度来进行最佳社区确定，但是这些方法具有非常高的计算复杂度，对网络的形式和类型非常敏感。为解决这些问题，提出基于动态节点自适应增量模型的微博社区交互优化算法，该算法在优化每个社区内成员的交互作用的基础上，利用贪婪算法有效地搜索最优社区的候选，无需遍历所有节点。该模型可快速、准确地测量社区内部和社区之间的交互作用差异。最后，在基准测试网络和搜狐微博平台抓取数据上的仿真测试显示，所提算法在召回率、准确率、算法计算时间以及网络覆盖率等指标上，要优于选取的对比算法。

关键词: 微博, 社区发现, 动态节点, 自适应, 交互优化

Abstract:

Most community discovery methods determine the best community according to network topology and edge density, however, they have very high computational complexity, and are very sensitive to the form and type of the network. To solve these problems, we propose an interactive optimization algorithm based on dynamic nodes adaptive incremental model for micro-blog communities. By optimizing the interaction among members in each community, the algorithm efficiently searches the candidates of the optimal community without traversing all the nodes by using the greedy algorithm. The model allows rapid and accurate measurement of interaction difference within community and across communities. Finally, simulations on the data grabbed from benchmark networks and Sohu microblog platform show that the proposed algorithm outperforms other algorithms in recall rate, accuracy, computation time, and network coverage rate.

Key words: micro-blog, community discovery, dynamic node, adaptive, interactive optimization

邱云飞，陈昂. 微博社区的动态节点自适应增量交互优化[J]. 计算机工程与科学.

QIU Yunfei，CHEN Ang.

Dynamic nodes adaptive incremental interactive

optimization for micro-blog communities

[J]. Computer Engineering & Science.

[1]	胡小月, 王强, 吕方旭, 许超龙, 张锦. 面向56 Gb/s高速SerDes接收机DSP设计[J]. 计算机工程与科学, 2024, 46(07): 1202-1209.
[2]	范琪, 王善敏, 刘成广, 刘青山. 类别特征约束的多目标域表情识别方法[J]. 计算机工程与科学, 2024, 46(05): 836-845.
[3]	李江华, 王鹏晖, 李伟. 一种混合多策略改进的麻雀搜索算法[J]. 计算机工程与科学, 2024, 46(02): 303-315.
[4]	吴国栋, 刘旭旭, 毕海娇, 范维成, 涂立静. 基于元学习个性化推荐研究综述[J]. 计算机工程与科学, 2024, 46(02): 338-352.
[5]	李雨恒, 高尚, 孟祥宇. 基于精英引导的改进哈里斯鹰优化算法[J]. 计算机工程与科学, 2024, 46(02): 363-373.
[6]	沈克宇, 游志宇, 刘永鑫. 基于拟合优先搜索的多场景自适应改进A*算法[J]. 计算机工程与科学, 2024, 46(01): 142-149.
[7]	孙睿男, 初翔, 陈昱, 闫明宁. 基于混合启发式算法的快递末端选址路径优化研究[J]. 计算机工程与科学, 2024, 46(01): 159-169.
[8]	刘琰, 张姣, 姜胜腾, 潘筱茜, 赵海涛, 魏急波. 一种多策略融合的人工蜂鸟算法[J]. 计算机工程与科学, 2023, 45(12): 2216-2225.
[9]	王若宾, 耿芳东, 张永梅, 宋威, 王伟锋, 徐琳. 基于改进自适应DBSCAN的混合式MOOC视频观看模式挖掘[J]. 计算机工程与科学, 2023, 45(09): 1670-1678.
[10]	罗晓霞, 邓勇, 叶鸥. 复杂场景中多阶段自适应帽子检测算法[J]. 计算机工程与科学, 2023, 45(07): 1253-1262.
[11]	白杉, 冯秀芳. 基于注意力增强的中心差分自适应图卷积的骨架行为识别[J]. 计算机工程与科学, 2023, 45(07): 1263-1273.
[12]	柴岩, 朱玉, 任生. 多策略协同的改进鲸鱼优化算法[J]. 计算机工程与科学, 2023, 45(07): 1308-1319.
[13]	黄学雨, 罗华. 融合正余弦策略的算术优化算法[J]. 计算机工程与科学, 2023, 45(07): 1320-1330.
[14]	赖明澈, 吕方旭, 张庚, 许超龙. 面向112 Gbps PAM4串行接收机的低误码协同自适应均衡器[J]. 计算机工程与科学, 2023, 45(06): 951-960.
[15]	吴付坤, 曹轶, 董庆利, . 基于CAD几何模型的曲面流线可视分析方法[J]. 计算机工程与科学, 2023, 45(06): 961-969.