摘要：

近年來,人們越來越多地關注數(shù)據(jù)集中數(shù)據(jù)點之間的關系。不同種類的網(wǎng)絡相繼涌現(xiàn)。有鏈接和節(jié)點類型都單一的同質(zhì)網(wǎng)絡如以朋友友誼為基礎建立起來的社交網(wǎng)站;以網(wǎng)絡鏈接形成的互聯(lián)網(wǎng)。另外還有多種鏈接和節(jié)點類型形成的異質(zhì)網(wǎng)絡如醫(yī)學領域病人,疾病與治療方法或者科學合作網(wǎng)中出版社,科學家與作品這些節(jié)點形成多種鏈接類型的異質(zhì)網(wǎng)。鏈路挖掘就是利用數(shù)據(jù)集合的鏈接信息進行挖掘的技術。 近年來鏈路預測越來越受到關注。鏈路預測旨在評估復雜網(wǎng)絡節(jié)點間連接的可能性并做出預測。局部隨機游走LRW(Local Random Walk)是只考慮有限步的隨機游走,基于最短路徑的局部隨機游走方法LRWD(Local Random Walk withDistance)是利用最短路徑步數(shù)作為局部隨機游走有限步數(shù)。并提出最短路徑分步的概念以分析LRWD方法在不同復雜網(wǎng)絡上的性能。我們認為隨機游走中游走者從初始點首次到達終點的概率在最終兩點連接的可能性指標中起著最重要的作用。如此游走者都是按照自己的步數(shù)游走而不是整個復雜網(wǎng)絡按照統(tǒng)一的一個步數(shù)游走。從整體性質(zhì)到局部性質(zhì)這種變化不僅為復雜網(wǎng)絡的研究提供一個新的視角而且證明了最短路徑在復雜網(wǎng)絡中的重要作用。最后作者還提出了最短路徑頻數(shù)分布和最短路徑分布熵的概念,并用它們來度量網(wǎng)絡動態(tài)演化中表現(xiàn)出的聚集現(xiàn)象。 作者還將最短路徑和隨機游走思想應用到聚類算法中形成新的k-means算法。新的聚類算法應用數(shù)據(jù)點鏈接信息的方式不同于以往其他算法。新k-means算法是將數(shù)據(jù)點之間的距離轉(zhuǎn)化為隨機游走的轉(zhuǎn)移概率,然后進行游走。以此種方式實現(xiàn)距離空間的轉(zhuǎn)換。實質(zhì)上轉(zhuǎn)換節(jié)點對的距離借鑒了節(jié)點與整個網(wǎng)絡的其他節(jié)點距離。然后基于KL距離構建目標函數(shù)。

展開

總結

以上是生活随笔為你收集整理的c语言随机漫步,基于最短路径的随机游走算法研究与应用的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。