基于潜在表示和图正则非负矩阵分解的属性社区检测方法.pdf
邻家****mk
亲,该文档总共17页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于潜在表示和图正则非负矩阵分解的属性社区检测方法.pdf
本发明提出了一种基于潜在表示和图正则非负矩阵分解的属性社区检测方法,主要解决现有方法对于网络中丰富的属性信息利用不充分的问题。方案包括:1)输入网络数据;2)对数据进行处理,计算属性信息的亲和矩阵;3)定义并初始化两个转移矩阵;4)定义并初始化与拓扑图和属性图相关的三个非负矩阵分解因子矩阵;5)设置迭代,获取三个非负矩阵分解因子矩阵和两个转移矩阵的更新公式;6)循环迭代得到更新后的最终节点成员分布矩阵和最终属性类分布矩阵7)根据迭代更新得到的最终矩阵判别节点所属社区,得到社区检测结果并输出。本发明能够充分
基于潜在表示和图正则非负矩阵分解的属性社区检测方法.pdf
本发明提出了一种基于潜在表示和图正则非负矩阵分解的属性社区检测方法,主要解决现有方法对于网络中丰富的属性信息利用不充分的问题。方案包括:1)输入网络数据;2)对数据进行处理,计算属性信息的亲和矩阵;3)定义并初始化两个转移矩阵;4)定义并初始化与拓扑图和属性图相关的三个非负矩阵分解因子矩阵;5)设置迭代,获取三个非负矩阵分解因子矩阵和两个转移矩阵的更新公式;6)循环迭代得到更新后的最终节点成员分布矩阵和最终属性类分布矩阵7)根据迭代更新得到的最终矩阵判别节点所属社区,得到社区检测结果并输出。本发明能够充分
一种基于潜在结构和属性的非负矩阵分解社区检测方法.pdf
本发明提供一种基于潜在结构和属性的非负矩阵分解社区检测方法,涉及社区网络检测领域。主要解决现有方法对社区网络信息利用不够充分的问题。该方法包括:先对社区网络数据进行预处理,将网络中的信息进行表示;计算邻接矩阵、属性矩阵和潜在结构矩阵;建立以直系拓扑结构和属性信息为主、潜在结构信息为辅的社区检测模型;计算迭代更新规则;设置迭代次数,初始化社区成员矩阵、两个社区‑社区矩阵和潜在结构矩阵,并且调节权重参数;进行迭代获得目标矩阵;最后根据迭代结果社区成员矩阵发现社区。
基于图正则化非负矩阵分解的在线单模态哈希检索方法.pdf
本发明公开了一种基于图正则化非负矩阵分解的在线哈希信息检索方法,其步骤为:(1)生成初始训练集;(2)在线有监督训练单模态哈希检索模型;(3)利用图正则化非负矩阵分解构造信息损失函数;(4)获得最优投影矩阵和哈希编码;(5)生成待检索的图像或文本样本的哈希编码;(6)获取检索结果。本发明采用图正则化非负矩阵分解的思想构建信息损失函数,能够对实时获取的有标签数据在线建立模型,并根据获取到的数据在线更新模型,在模型训练的过程中,信息检索系统只需存储前一轮的优化结果,降低了系统存储压力,提高了计算速度,具有广泛
自适应图正则非负矩阵分解聚类算法的研究的开题报告.docx
自适应图正则非负矩阵分解聚类算法的研究的开题报告一、课题的背景和意义:随着数据规模的日益庞大和数据类型的增加,数据分析和挖掘已成为一项重要的挑战。矩阵分解被广泛应用于数据分析和建模,其主要目的是将原始数据矩阵分解为两个或多个较低维度的矩阵,以减少数据冗余并提高数据处理效率。然而,矩阵分解聚类算法通常需要选定矩阵分解的维度,这个过程通常需要领域知识或者手工搜索的方式,因此,对大规模或高维度数据的矩阵分解聚类算法的开发是非常有必要的。因此,本文研究的自适应图正则非负矩阵分解聚类算法就非常有意义。该算法可以通过