Structure and inference in annotated networks - note
来源:互联网 发布:php防止sql注入代码 编辑:程序博客网 时间:2024/04/25 19:25
1.3通过社团划分检测出的一些社团,与明显的特性或功能相关。但是这种情况其实是特例。
1.4 统计推断的方式最好。将节点的元数据结合到社团划分问题中。好处:1)提高社团划分精确度;2)在社团划分中,元数据不是作为先验知识,而是找到和量化元数据与社团间的关系,一个关系存在,就用来提高结果,没有关系就返回基于网络结构的社团;
1. 5 3)可以能够在网络的竞争划分情况之间的选择。将元数据与可能的划分情况对应,就可以按照预定方向进行划分。(比如熟人可以根据年龄、性别进行划分)。如果没有基于一种属性合适的划分,算法会告知我们。
1.5 4)一旦找到一种好的划分社团的属性,就可以预测社团内我们只知道元数据或少量信息的节点的关系。
1.6 文章方法与半监督学习方法相似。(主动学习)
2.1 使用贝叶斯统计推断技术构造一个具有特定功能的生成网络模型。
2.2 模型是随机块模型的修改版本。修改有两个:1引入节点度度量(每个节点连接的数量),2通过一系列先验概率引入一种节点元数据依赖。节点的先验概率成为一个元数据的函数, 用来将元数据合并到计算。
2.3 n 个节点的无向网,节点用整数 u 表示。划分成 k 个社团.
一个节点 u 属于一个社团,表示成 Su 属于 1…k .
最简单的情况:元数据是有限的K个离散无须的值。节点 u 的元数据表示成 Xu
2.4 元数据X={Xu} 度d={du}.生成网络的步骤:1根据 u 的元数据 xu, 计算将节点 u 分配到一个社团 s 的可能性。表示成 rsx。 所以全部的先验概率是:
节点间边存在的可能性:
2.5 社团发现采用极大似然法拟合模型来观察网络数据。给定一个网络,定义他的邻接矩阵A是个nxn的实对称矩阵,其中 auv = 1表示节点u和节点v之间有边。然后可能性就可以表示成:
where is the k× k matrix with elements st and the
sum is over allpossible community assignments s.
2.6 使用EM算法,决定最有可能的极大相似度。根据这个EM算法得出最佳参数值:
q是后验概率。
先验概率说明了元数据与社团的关系,后验概率说明节点属于哪个社团。
2.7 传统使用门特卡罗重要性抽样。这里使用基于置信传播的方法。
2.8如果元数据是有序并连续的值。算法就不一样。先验概率P(s|x)变成一个连续的函数。
最佳的可能性rsj用方程给出:
使用伯恩斯坦多项式。
A两个实验:第一个是metadata与社团的相关性对实验的影响。第二个是将已有的四个社团结构的网络分成2部分,但不破坏已有的结构。使用metadata,即使相关性很小依然比不使用,成功率高。
3.A.3 元数据包含越多信息,算法的性能会相应的提高。
3.A.4 在Cin-Cout差距越大的网络中包含更明显的社团结构,并且算法能够可靠的将节点分到正确的社团中。随着元数据与社团相关性水平提高,算法的成功率提高。
3.A.5 算法使用元数据比不使用好。
3.A.6 当Cin - Cout低于检测阈值的时候,只基于网络结构性的算法就不能检测出社团。
3.A.7 当社团结构中 元数据不包含信息的时候,算法就会忽略他。
B有三个实验:第一个是学校学生。算法能够实现选择不同的情况来实现划分。如果metadata不能帮助找到好的划分情况,则不使用。第二个是食物链网络。第三个是互联网图。
4.2 一些这个工作的扩展:1考虑metadata更多的类型。2.发现其他网络结构:分层的结构、排名、潜在空间。3用于关系推理、元数据推理。
实现:性能,时间主要花在置信传播计算。置信传播少于20步。
并且减少了EM迭代的次数,丢掉失败的收敛结果。限制到20或100步。因为EM算法
有时会收敛到错的情况。
- Structure and inference in annotated networks - note
- Inference in Belief Networks
- Community structure in social and biological networks
- 读《Finding and evaluating community structure in networks》Newman&Girvan
- 论文阅读心得一~ Finding and evaluating community structure in networks
- Structure Note: CAP, BASE and ACID
- 《Neural Networks and Deep Learning》codes' note
- 【读书笔记】Virality Prediction and Community Structure in Social Networks(社交网络的社区结构和病毒营销预测)
- Annotated controller and requestParam
- READING NOTE: A New Convolutional Network-in-Network Structure
- linux base note(1) (Linux filesystem structure and bash)
- READING NOTE: Do semantic parts emerge in Convolutional Neural Networks?
- Security in Wireless Mesh Networks (Wireless Networks and Mobile Communications)
- SMS and MMS Interworking in Mobile Networks
- Multimedia Transcoding in Mobile and Wireless Networks
- Multimedia Broadcasting and Multicasting in Mobile Networks
- Improved Type Inference in C++11: auto, decltype, and the new function declaration syntax
- 《Fast and Accurate Inference with Adaptive Ensemble Prediction in Image Classification阅读笔记
- listener-thread: err = -25572
- websocket实现android A 通过服务器实时控制android B
- 几种主流贴图压缩算法的实现原理
- JAVA学习笔记5--加载第三方jar包
- Bootstrap的图片轮播示例代码
- Structure and inference in annotated networks - note
- SSH中主键生成策略
- 协同过滤算法python实现简单入门详细注释
- 2946: [Poi2000]公共串 二分+hash
- find、grep、wc使用方法简单总结
- hdu 2842 Chinese Rings(矩阵递推)
- VS2012 scanf()运行通不过的时候,提示需要使用scanf_s()的解决办法。
- 线程池与cp命令的实现
- Android 异常解决 content.ActivityNotFoundException: Unable to find explicit activity class