复杂网络K紧密概率属性子图高效挖掘算法,本论文主要论述了复杂网络论文范文相关的参考文献,对您的论文写作有参考作用。
复杂网络论文参考文献：
摘 要 针对复杂网络中节点和边及其属性值均可能存在不确定性的实际,以及采用传统的紧密子图挖掘算法挖掘出的紧密子图实际上并不一定紧密的问题,在已提出的概率属性图基础上,提出紧密概率属性子图的概念,将其分为紧密概率I型属性子图和紧密概率II型属性子图,并用期望紧密度对其进行度量,同时给出了相应的紧密子图判定定理；进一步提出K紧密概率属性子图高效挖掘算法,以快速发现复杂网络中联系紧密且顶点和边的存在概率最高的K个子图；最后通过蛋白质网络和虚拟网络中的数据对算法进行了模拟实验,验证了算法在不同大小的复杂网络中具有较好的适应性及较高的挖掘效率.
关键词 复杂网络；K紧密子图；概率属性图；图挖掘
中图分类号 TP391 文献标识码 A 文章编号 10002537（2016）04005907
Efficient Mining Algorithm of Kdensely Probability
Attribute Subgraph in Complicated Network
LIU Fengchun, WANG Liya, LIU Baoxiang*
（College of Science, North China University of Science and Technology, Tangshan 063009, China）
Abstract In complicated networks,the uncertainty of edge, vertex and its attributesexist, and the dense subgraph mining by the traditional algorithm may be not dense. So the dense probability attribute subgraph was put forward based on probability attribute graph. Firstly, the dense probability I attribute subgraph and the dense probability II attribute subgraph are defined, simultaneously, the expectation tightness function and the corresponding theorems of dense subgraph were given respectively. Then the efficient mining algorithm of Kdensely subgraph was designed, in order to find Kdense subgraphs with the highest probability of vertex and edge in complicated networks. Finally, simulation experiment of protein network and virtual network shows that the algorithm has higher mining efficiency and better adaptability in different sizes of complicated networks.
Key words complicated networks； Kdensely subgraph； probability attribute graph； mining graph
无论是生物网络、社会网络还是无线传感网络等复杂网络,顶点和边及其属性的存在性在现实中往往并不明确,它们通常都以一定的概率存在或关联[12].概率图是在传统图基础上考虑边的不确定性而提出来的,目前的研究主要是基于概率图模型计算可靠子图[3]、挖掘子图模式[45]、子图查询[68]、不确定推理等,这些研究只关注到结点之间关系的不确定性,而并未考虑到边和结点的属性特征以及这些属性的不确定性.所以,单单依靠概率图同样无法全面描述复杂网络的结点和边的属性及其不确定性.
实际上,以图模型描述的数据对象中,结点和边的属性值和边的存在性一样,通常在一定值域内满足某种概率分布.基于此,作者在文[9]中提出了概率属性图,同时考虑顶点、边以及它们的属性的概率性.然而,概率属性图的研究工作刚刚开始,远远不能满足实际应用中的广泛需求.
在社会网络[10]中寻找交流频繁的群体可帮助广告商更有效地投放发布信息,具有重要的商业价值[11].在蛋白质交互网络中,发现重要的功能团同样有重要的应用价值[12].在传统的不确定图中,一类重要问题是发现顶点联系密切的紧密子图[1315],基本定义是在图G中发现子图g,使g的稠密度即边个数除以点个数的值最高.如图1所示.
子图Ⅰ（a,b,c,d,e,g）6个顶点间共有9条边,其稠密度为9/6,是整个图中最稠密的子图.但是,当图存在边不确定性时,如图1中的边（a,b）和（b,c）,虽然有边相连,但其存在概率仅为0.1,实际连通关系并不明显.这样的稠密度无法表示子图内各顶点的紧密情况.只有当整个子图内各点都以较高概率连通时,如图1中的子图Ⅱ,该子图才是概率图中真正的紧密子图,也才在概率图中更有实际意义.
同样,在概率属性图中,不仅仅存在边不确定性,顶点也可能存在不确定性,如此,即使边的存在概率很高,而顶点存在概率很低的话,则该子图的稠密度仅依赖前面的定义也不能完全表达.只有当顶点和边的存在概率都很高时,才是真正意义上的紧密子图,如图1中的子图Ⅲ.
由于概率属性图中蕴含着丰富的属性及结构信息,以致对紧密子图特性进行评价和度量的模型非常复杂,如果使用可能世界模型,一个仅有10个顶点50条边的概率Ⅰ型属性图,其蕴含的可能属性图实例将达到210×250个之多.除此之外,复杂网络抽象出的图通常具有成千上万甚至更多的顶点,这使问题更加难于处理,而原用于传统图和概率图上发现紧密子图的方法不能直接适用于概率属性图.因此,如何有效地在概率属性图上发现紧密子图,具有非常重要的实际意义.
结论：关于本文可作为复杂网络方面的大学硕士与本科毕业论文复杂网络理论及应用论文开题报告范文和职称论文论文写作参考文献下载。
对节点位置编号快速绘制双代号网络图
摘要：双代号网络图是网络计划技术的重要组成部分，反映整个工程任务的分解和合成，在工程领域中普遍用于工期的计划和调整，由于使用两个节点和一个箭线表。
思维导图在网络讨论式教学模式中应用
摘要：随着时代的进步，信息技术得到迅速发展，并且被广泛运用到教育教学活动中，新的变化与发展也促进了高校教学模式的变化。传统网络讨论式教学模式广泛。
基于k—核分解在线社交网络精准营销新客户识别
[摘 要]在线社交网络精准营销是现代营销理论的重点发展方向。文章以新浪微博用户作为研究对象，分析用户微博文本内容信息，创建微博用户交互内容数据库。
概率销售在旅游平台网络促销中应用
摘 要：文章在结合概率销售的概念、中国旅游市场的环境背景以及中国消费者的特点的情况下，将美国最大在线旅游企业Priceline的“自主定价”经营。