融合内容和链接的网络结构发现概率模型综述

被引：2

作者：

柴变芳 ^{[1
,2
]}

贾彩燕 ^{[1
]}

于剑 ^{[1
]}

傅玥 ^{[2
]}

机构：

[1] 北京交通大学计算机与信息技术学院

[2] 石家庄经济学院信息工程系

来源：

小型微型计算机系统 | 2013年 / 34卷 / 11期

基金：

北京市自然科学基金;

关键词：

内容网络; 主题模型; 社区发现; 社区-主题分布;

D O I：

暂无

中图分类号：

TP393.02 [];

学科分类号：

摘要：

随着社会媒体的发展,许多在线网络产生大量内容,发现其潜在的结构便于人们了解网络的功能,进行更深层次的分析和预测.社区和主题是网络结构发现的两个重要依据,其分别利用网络链接和内容建模,但链接的稀疏和内容的不相关导致发现难以解释的社区和不准确的主题.融合内容和链接的概率模型成为解决此问题的主流方法,按目标不同将其分为主题发现、主题社区发现和社区-主题发现模型,分析典型模型的设计背景、基本原理及求解方法,并通过定性比较和实验分析探索其存在的问题,最后预测未来融合模型的可能研究方向.

引用

页码：2524 / 2528

页数：5

共 5 条

[1] Latent Community Topic Analysis [J] . Zhijun Yin,Liangliang Cao,Quanquan Gu,Jiawei Han.&nbsp&nbspACM Transactions on Intelligent Systems and Technology (TIST) . 2012 (4)
[2] Adding community and dynamic to topic models [J] . Daifeng Li,Ying Ding,Xin Shuai,Johan Bollen,Jie Tang,Shanshan Chen,Jiayi Zhu,Guilherme Rocha.&nbsp&nbspJournal of Informetrics . 2011 (2)
[3] Community detection in graphs [J] . Santo Fortunato.&nbsp&nbspPhysics Reports . 2009 (3)
[4] Estimation and prediction for stochastic blockmodels for graphs with latent block structure
Snijders, TAB
Nowicki, K
[J]. JOURNAL OF CLASSIFICATION, 1997, 14 (01) : 75 - 100
[5] Less is More: Active Learning with Support Vector Machines .2 Schohn G,Cohn D. Proceedings of the Seventeenth International Conference on Machine Learning . 2000

← 1 →