结构扩展的非负矩阵分解社区发现算法

林晓炜^1,2,陈黎飞^1,2*

1.福建师范大学数学与信息学院, 福建 福州 350117;2.福建师范大学数字福建环境监测物联网实验室, 福建 福州 350117

发布日期:2021-04-16

作者简介:林晓炜(1992— ),男,福建龙海人,硕士研究生,主要研究方向为机器学习和复杂网络等. E-mail:linxw128@163.com. *通信作者简介:陈黎飞(1972— ),男,福建长乐人,教授,博导,博士,主要研究方向为机器学习,数据挖掘和模式识别等. E-mail:clfei@fjnu.edu.cn
基金资助:国家自然科学基金资助项目(U1805263,61672157);福建师范大学创新团队资助项目(IRTL1704)

Community detection using nonnegative matrix factorization with structure extension

LIN Xiaowei^1,2, CHEN Lifei^1,2*

1. College of Mathematics and Informatics, Fujian Normal University, Fuzhou 350117, Fujian, China;
2. Digital Fujian Internet-of-Things Laboratory of Environmental Monitoring, Fujian Normal University, Fuzhou 350117, Fujian, China

Published:2021-04-16

摘要/Abstract

摘要： 提出结构扩展的非负矩阵分解社区发现算法(nonnegative matrix factorization with structure extension, NMF-SE),通过结构扩展,加强相邻节点结构相似性,提高节点间连接的稠密度,从而提高非负矩阵分解在社区发现中的表现。结构扩展过程使节点将自身结构以一定的比例传递给周围的节点,从而使相邻节点间能够得到对方的拓扑结构信息。该过程构造了新的特征矩阵,使非负矩阵分解(nonnegative matrix factorization, NMF)更好地适用于社区发现,在图正则化的半监督任务中能更好地融合先验信息。在人工网络和真实网络上进行试验验证的结果表明,NMF-SE算法有效提高了复杂网络社区发现的准确性。


PDF全文下载地址:

http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=2022