کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8960133 1646381 2018 32 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Exploring temporal community structure and constant evolutionary pattern hiding in dynamic networks
ترجمه فارسی عنوان
بررسی ساختار جامعه مدنی و الگوی تکاملی ثابت در شبکه های پویا
کلمات کلیدی
ترجمه چکیده
تشخیص جوامع زمانی و تجزیه و تحلیل تکامل آنها در شبکه های پویا یک سوال مهم برای درک ساختار و عملکرد شبکه های پیچیده است. بیشتر روش های موجود، تشخیص و تکامل جامعه زمانی را به عنوان یک فرایند دو مرحلهای در بر می گیرند و فقط برای شبکه های پویا بدون وزن و بدون هدایت اعمال می شوند. در این مقاله، ما یک روش خوشه بندی جدید مبتنی بر فاکتور سازی ماتریس غیر منفی از یک دیدگاه کاملا احتمالاتی پیشنهاد کردیم تا کشف ساختار جامعه زمانی و ثابت و همچنین اهمیت گره ها در هر نوع شبکه های پویا همزمان باشد. در ابتدا ماتریس مهم گره در شبکه های پویا، ماتریس عضویت جامعه، ماتریس شباهت در هر تصویر فوری و ماتریس انتقال احتمال از جامعه بین دو عکس متوالی متوالی است. دوم، ما روش تشخیص جامعه زمان را از نظر تولید شبکه ها تشکیل می دهیم. سوم، ما الگوریتم شیب گرادیان را برای بهینه سازی تابع اعتراض مدل پیشنهادی معرفی می کنیم. نتایج تجربی در هر دو شبکه مصنوعی و واقعی دینامیک نشان می دهد که عملکرد برتر روش پیشنهادی ما بر روی برخی از روش های به طور گسترده ای مورد استفاده قرار می گیرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
بررسی ساختار جامعه مدنی و الگوی تکاملی ثابت در شبکه های پویا
چکیده انگلیسی
Detecting the temporal communities and analyzing their evolution in dynamic networks is an important question for understanding the structure and function of complex networks. Most existing methods deal the temporal community detection and evolution as a two-step processes and only apply to unweighted and undirected dynamic networks. In this paper, we proposed a new clustering method based on non-negative matrix factorization from a fully probabilistic perspective, to explore temporal and constant community structure as well as the importance of nodes in any type dynamic networks synchronously. In detailed, we first denote the important matrix of node in dynamic networks, the community membership matrix, the similarity matrix at each snapshot and the probability transition matrix of community between the two consecutive snapshots. Second, we constitute the temporal community detection method from the view of generating networks. Third, we introduce a gradient descent algorithm to optimize the objection function of the proposed model. The experimental results on both artificial and real dynamic networks demonstrate that the superior performance of our proposed method is over some widely-used methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 314, 7 November 2018, Pages 224-233
نویسندگان
, , , , ,