文摘
近年来,随着互联网的快速发展,在线社交网络不断整合与传统人际网络和社交网络信息传播研究逐渐增加。本文研究和分析了多维信息网络大数据挖掘算法基于有限元分析方法。本文首先介绍了有限元分析和计算过程,有限元模拟数据挖掘应用软件管理系统将整合当前数据,计算,和背景资料,然后分析了数据挖掘聚类算法,进行实验探索具有影响力的节点在复杂网络挖掘算法。实验结果表明,地方政府投资公司的算法比CC算法,DC算法,和BC算法;它的总体性能提高了30%,效果更好。地方政府投资公司的算法可以快速有效地确定有影响力的节点,这是有利于社会网络分析。
1。介绍
挖掘算法研究的重要目的节点的数量有深远影响的社会网络挖掘的数量k重要节点与深远的影响在整个社会网络的节点数量,最终使这些k节点在一个重要的位置。在这种转移机制,尽可能多的网络节点都受到影响。一句话,重要的网络节点,发现的问题从社会网络和巨大的社会影响也构成最大化社会影响在某种程度上的问题。其中,挖掘影响网络中的节点可以抑制或加速网络中信息的传播和扩散。需要开采top-k节点作为一组已知的种子节点,最后最大化的影响通过一定的传播策略。
由于社会网络技术的发展,互联网已经彻底改变了人们沟通的方式。社交网络在互联网上被越来越多的人,特别是年轻人,这直接导致社会网络的迅速扩张。相应的结果大致如下:首先,用户组在社会网络的数量是巨大的,并建立用户组和用户组之间的人际网络变得越来越复杂;社区网络信息内容的更新和变化速度越来越多,用户和应用程序之间的关系也是动态的,这使得它更难以预测的信息内容。因此,社会Internet-oriented数据挖掘算法的研究和开发效率的特点和实用价值具有实用性和伟大的科学意义在社区解决实际问题。同时,研究挖掘算法和信息传播影响力的节点模型在社交网络对现实生活具有一定的科学研究价值和意义。
根据国内外研究进展,不同的学者也进行了有限元分析中的某些合作研究,多维信息网络和大数据挖掘在宿舍。艾略特和托马斯•定义一种新的有限元方法的数值近似解偏微分方程的体积域和曲面偏微分方程躺在体积域的边界。的关键思想是进行多面近似整个地区包含单形的结合和利用分段多项式边界表面的近似表面(1]。Salonitis等人提出了一种新的用户友好的重量最小化的晶格组件的优化设计方法,并结合有限元分析和进化计算(2]。中央,李等人分析了高阶扩散方程的有限差分方案有限区间。他们分析了稳定通过Gustafsson、克瑞斯和Sundstrom semidiscrete理论和特征值可视化方法和完全离散方案,其次是数值测试证明和验证分析结果3]。为了留住相关重要信息挖掘大数据集的多维信息网络,徐提出构建关联规则的一种算法映射。在此基础上,他提出了多维信息网络大数据挖掘subalgorithm和关联规则生成算法,并用于多维信息网络大数据挖掘和关联规则生成,分别。最后,他证明了算法的可行性和有效性通过理论分析和实验对比4]。王提出了室内定位算法结合RSSI和非度量多维标度(nmd) (RSSI-NMDS)来解决这个问题,基于接收信号强度的室内目标定位算法(RSSI)是易受干扰和大波动在物联网环境下(5]。许等人以更宽广的视角隐私与数据挖掘相关的问题和研究各种方法,帮助保护敏感信息。他确定了四种不同类型的用户参与数据挖掘应用程序:数据提供者,数据收集器,数据矿工和决策者6]。然而,这些学者并没有依赖于有限元分析方法来研究和分析多维信息网络大数据挖掘算法只是单方面讨论意义。
本文的创新如下:(1)首先,介绍了有限元分析的计算过程。(2)数据挖掘聚类算法进行了分析,和聚类分析方法是指分析方法研究和处理给定对象通过计算数学。(3)实验分析的有影响力的节点在复杂网络的挖掘算法。
2。材料和方法
有限元模拟数据挖掘使用软件管理系统,集成了当前数据,计算和背景资料。实际工作的有限元仿真分析系统,它允许用户使用软件系统进行有限元计算的初步数据处理工作的帮助下有限元数据挖掘的前端。在此期间,必须添加结构模型,然后自动网格生成程序直接调用完成有限元网格的设置模式,最后集重要的技术参数,如材料属性通过与用户沟通7]。最后,脚本化文档的初始数据模型可以获得作为输入到有限元计算程序。在有限元计算过程中,由于变形引起的有限元网格,完成有限元数据挖掘后,啮合程序必须调用得到的计算数据。最后,使用这个程序后,用户可以执行一个深入研究和统计分析,有限元计算的结果的过程。在整个有限元计算过程中,最重要的是有限元求解器进行求解。其他功能模块用于有限元的计算解决方案,但他们也是系统的一个组成部分。没有任何模块,系统不能正常工作。图1显示了服务模式图的有限元分析和仿真系统。
虽然有限元操作处理程序最重要的部分是一整套有限元分析方法、有限元操作处理程序无法对实际的工程项目提供一个有效的解释。因此,一方面,有限元计算方法包括许多类型的实际问题和大量的数据和信息。手动方法完成数据处理,工作量大,工作效率降低,容易发生错误;另一方面,因为操作生成的有限元的信息量大且复杂的,很麻烦的分析和使用8]。有限元预处理和后处理软件是一种软件技术,这一历史背景下蓬勃发展。
行为是一系列有目的、有组织的活动。通常有两种类型:外在行为和内在的行为。学习行为是指活动的总和,学生达到一定的学习效果进行一定的指导下的动机。它通常是一系列的活动中,学生与周围环境互动。在线学习行为是指学生的在线学习行为在一定的学习目标,可以自行设置或指定的教师。它是一家集各种学习活动中显式或隐式的行为。例如,上传和下载学习资源、学习课程需求,发布学习和故障排除,和与其他学生交流9,10]。
大量的研究成果和应用领域的数据分析和挖掘可以被看作是一个重要的技术的自然进化的结果。严格地说,“数据挖掘”通常是指一个广泛的概念,应该更准确地称之为“挖掘知识从数据”或“发现知识从数据”;严格意义上的“数据挖掘”只是一个基本的工作阶段在整个科研工作流程(11]。从数据挖掘知识的一般过程如图2。
数据分析和挖掘的目标是找到有意义的或潜在的信息数据库的内容。的主要服务功能如下:(1)概念描述:概念的描述也可以被称为数据合成。它的主要目的是提取和压缩数据,然后描述了完整的信息,或与其他对象进行比较。摘要统计信息统计的一般概述。(2)分析和预测方法:分类方法和预测是两种完全不同的形式的统计分析数据,可用于建立模型来描述重要数据统计与预测未来发展的分析方法(12]。在实际应用程序中,分类预测被广泛使用。例如,可以建立一个分类模型对手机用户进行分类并返回访问高频摩擦组尽快减少用户流失;还可以分类交通流信息通过建立分类模型来预测未来的交通拥堵。聚类分析:聚类分析的基本原理是高内聚和低相互耦合。最后的结论是,它有一个高相似性同一个类的对象和其他低相似类对象(13]。(3)孤独点分析:一些数据库系统中的对象可能不同于一般的行为和数据分析模型,为这种类型的对象,我们称之为一个孤独的点。当人们设计数据挖掘算法,他们通常尽量减少孤独的危害点,但是在一些特殊的应用程序中,孤独本身也可以是一个重要的判断信息。例如,在电信欺骗检查,孤独的地方可以显示欺骗活动(14]。(4)时间序列分析:在时间序列分析中,数据的属性值是随时间不断变化的。这些数据通常是获得在同一时间间隔但可以获得在不同的时间间隔。数据可以与时间序列可视化情节。
聚类是指根据具体情况区分数据信号的过程和规则。在这个步骤中,没有相关类型的先验知识,没有老师的指导,所以在非监督分类的范围。
聚类分析方法是指使用计算数学的分析方法来研究和处理一个给定的对象。聚类是一个重要的和人类行为,因为一个人的发展过程,学会辨别事物不断重塑潜意识聚合模式。传统的聚类分析方法严格地定义了各种统计对象聚合,和分类之间的界限非常清楚,所以我们可以称之为硬分类(15]。然而,一般情况下实际使用,因为大多数对象缺乏严格的特征属性定义,,有一个不清楚之间的媒介形式和类属性特征,他们有一个和其他的特点,所以它们适合实现软分类。
2.1。聚类分析的数学模型
假设 整个物体是集群(即话语领域),其中,每个对象 被称为一个样本,描述的对象是多元化的参数值,这代表一个对象的功能。因此每个对象对应于一个向量 ,在哪里 的任务是在j和特性被称为特征向量的(16]。之间的空间距离聚类分析是分析宇宙中相对应的特征向量样本及其分布,进行l不相交的子集模式根据每个样本之间的距离关系,满足以下公式条件:
隶属函数代表样本的会员 关于子集(类) ,如下:
如前面的公式所示,隶属函数必须满足 ,即,每个样品只能属于一个类,并且每个子类需要一个非空的集。
在现实世界中,一个样本的隶属度可能不是一个或另一个。从这个,介绍了模糊理论,变成了一个模糊集类,和样本集一个分为多个模糊子集 ,和隶属函数样品被扩展的二进制的{0,1}[0,1]区间,满足条件: 其中一口表示支持的模糊集。
2.2。模糊聚类目标函数
基于聚类分析的数学模型,介绍了如果模糊概念。它使用了隶属度的样本点和样品的原型我th类的重量重量的距离。这时,给出了聚类分析的目标函数如下:
模糊聚类后的目标函数聚类分析方法,它使用的平方和会员将目标函数的误差平方和为目标函数的加权平方和的错误,即
2.3。目标函数的模糊聚类分析
在更一般的表达式 在哪里规范是一个距离,距离样本点之间的和集群中心的我th类表示样本点之间的相似性和集群中心,它通常可以表示如下: 在哪里 加权指数,也称为平滑参数,控制模糊聚类的模糊程度。越大n是,模糊程度越大;越小n是,模糊程度越小(17]。因为n控制会员是类之间共享的程度,更大的n越大,歧义。经过研究,发现对于不同的应用场景,最优n可以在1到5的范围,然后呢n= 2通常是选择。
2.4。分析和解决过程基于目标函数聚类算法
为了获得最优解的目标函数的模糊聚类,聚类可以采取的标准,也就是说,和 下得到的约束机制,即
因此,这个问题可以被理解为:隶属度的条件下, ,获得
使用拉格朗日定理来解决,我们可以获得相对应的隶属度的表达式j对象:
模糊分类矩阵通常满足以下条件:(1) ,也就是说,矩阵中的每个元素是在0和1之间闭区间(2) ,的每一列元素的和为1,也就是说,每个元素的隶属度之和所有的类都是1(3) ,这个条件可以确保每个类并不是空的
同样,模糊聚类的集群中心可以获得如下:
可以看出,集群中心可以从隶属度获得。聚类分析的目的是发现的隐式分组信息的数据。为了表示这种精度好,集群需要分析的有效性。当评估聚类结果,最优数量的集群通常是有效性的一个重要指标18,19]。
优化目标函数的过程中,人们已经尝试了许多方法,如动态规划,但大的存储空间和长时间运行的时间限制其推广应用。在实践中使用最广泛的是迭代优化算法,这是容易进入当地的极端点,所以它是更敏感的初始化,其中一个重要的输入参数是集群的数量k。虽然确切的价值k可能不知道,它通常可以近似的价值k通过评估在不同的聚类结果的质量k。给出一个理想的集群指数,如平均半径和直径,只要一个假想的集群的数量小于或大于集群的实际数量,该指数将趋于上升非常缓慢20.]。然而,当试图获得集群的数量远远少于真实号码,该指数迅速增加。上面的示意图如图3。
其中,模糊聚类评估,分离系数是表示如下: 在哪里是数据对象的模糊隶属度我属于集群j这里,假设所有聚类结果,然后集群的数量k由以下公式给出:
同样,分离系数的一种变体,分离熵指数:
相应数量的集群给出如下。
如果接近0或1,熵值越小,更好的聚类结果。如果接近0.5,聚类模糊高,熵值大,相应的聚类结果是不好的。而基于分区的这两个指标都提出了模糊聚类、模糊敏感因素(21]。
在模糊k - means算法,由于引入 ,在样本集是不理想的,它可以假定有几个孤立点远离每一个类的聚类中心。因为孤立点本身实际上属于某个类,根据最初的限制,它将很大程度上各种类型的会员或约等于每种类型的隶属度。这种情况会影响最终的聚类结果的正确性(22]。为了克服这个缺点,我们可以放松约束和改变它
也就是说,所有样本的隶属度之和为每个类别 ,一个正整数的值。在这个时候,在公式的前提下(16),获得 ,和上面的解决方法是一样的。此时,隶属度
显然,这种情况是完全不同的从传统意义上的隶属函数和隶属度估计的改进模糊k - means算法可能超过1。如果有必要,可以获得会员价值规范化,在正常情况下不会影响最终的聚类结果。
改进后的方法比原来的算法具有更好的适应性。它不仅可以获得更好的处理结果为集群的特殊的孤立点也放松隶属度的约束。因此,最初的结果是不太敏感的预定数量的集群比聚类的结果。当集群中的数量分析方法预先确定的价值远低于理论数量的集群,模糊k - means计算使用这种方法可以获得更准确的聚类分析方法中心的结果。
然而,如果一个特定的集群中心非常接近一个特定的示例在迭代过程中,然后一个集群包含只有一个样本可以获得。为了防止这种情况的发生,一个非线性的过程可以被添加到操作的距离 ,这样的最小距离不小于某一阈值计算。
通常的距离测量在经典k - means聚类算法和模糊k - means聚类算法采用欧氏距离、曼哈顿距离。Kowski距离是一个概括这两个距离,定义如下:
当t= 1,它是曼哈顿距离,当t= 2,这意味着欧几里得距离。
在聚类分析中,经常在一个数据集字段可能维持既定的或明显的权重关系。例如,在移动用户的聚类分析,年龄,收入,和其他客户的分类权重明显增大,而噪声点的重量明显变小。所以,我们得到加权欧氏距离:
这种方法的优点是,它可以找到更精确的聚类中心比原来的算法,缺点是很难确定权重的大小。为了实现自动化和智能的重量判断,它可以通过改进的隶属函数考虑每个样本权重。后噪声样本的权重放松会员限制通常是小,达到预期的目的。然后,获得目标函数的最小值来实现聚类分析。图4展示了聚类分析的过程。
3所示。结果和分析
3.1。有影响力的节点为复杂网络挖掘算法
在复杂网络中节点的影响的评价可以使信息更快、更广泛的传播,这是在实际应用中具有重要意义。根据复杂网络的特点,本文提出了一种局部中心重要性算法(LIC),这是一个新方法评估复杂网络中节点的影响基于网络地方特色,如学位和聚类系数。当地的中心算法可以更有效地识别影响节点重要性。
3.2。实验数据集
在这个实验中使用的数据集是来自真实的网络:Netscience,电子邮件,和权力。
Netscience数据集出版的拓扑图形文章主题的作者之间的协作网络,科学家表示节点和协作表示边缘。数据集包含一个共有1589名科学家,使用最大的子图和379个节点。数据的基本数据参数设置如表所示1。
电子邮件数据集代表电子邮件转发的拓扑之间的关系·罗维拉大学的成员,在·罗维拉大学成员代表节点和转发成员代表边缘之间的关系。数据参数如表所示2。
电力数据集包含一个无向和未加权的拓扑地图的国家电网在美国西部。节点代表变压器、变电站和发电机,是高压输电线路的关系。网络的基本数据参数如表所示3。
3.3。实验结果和分析
3.3.1。等级评估通过各种关系中心算法和平均影响值<F(t)>
在这篇文章中,SIR传染病模型是用来模拟传播三个真实网络数据集,和第一流的影响DC算法获得的排名,BC算法,CC算法,地方政府投资公司的算法比较实验。
只选择一个节点作为初始感染为每个执行影响传播节点,节点和其他节点是敏感。然后,根据信息或病毒传播机制的SIR传染病模型。后n执行(每个节点有且只有一个初始感染节点),节点之间的相关性影响的价值F(t可以检查)和四个中心的算法。为了进一步澄清几个中心算法的性能,计算平均影响值<F(t)> top-k节点的算法,其中<F(t)>是平均的F(t后)n执行。
比较了Netscience数据集,如图5,如果传播中心算法的性能是好的,那么top-k排名排名和<F(t)>应该负相关,曲线是向下倾斜的。随着级别的增加,节点可以影响(感染)更少的节点。
图6显示四个算法都是向下倾斜的曲线,曲线的学位中心算法(DC)波动较大,这表明,直流的等级计算算法完全不同于实际的影响值。DC算法的曲线底部的四个曲线,这进一步表明,top-k节点直流放电的算法有一个相对较低的影响。中间性中心算法(BC)也有一个大的曲线和执行比亲密中心算法(CC)和本地重要的中心算法(LIC)。地方政府投资公司的算法的性能略优于CC算法,和两条曲线相对较近。
在电子邮件数据集,图6的实验结果表明,四个中心算法在这个数据集都是好的。top-k节点按四个算法可以影响许多节点。可以看出,地方政府投资公司的影响算法是最好的在四个中心算法,及其曲线波动相对平稳。图中CC算法的效果也非常好。<F(t)> BC算法和DC算法是非常高的,但这两个相对的曲线波动大,相关性很差。
3.3.2。比较前10名的影响节点基于几个中心的排序算法
在这一轮的实验中,随机排序算法比较的了。本文将压缩的影响F(t)十大不同节点的节点列表评估这五个算法。因为相同的节点在十大列表中被排除在外,每一个算法的性能可以比较好。数据7和8表明Netscience数据集,地方政府投资公司算法与BC算法相比,CC算法,DC算法和随机算法。感染和免疫节点总数随时间增加t并最终达到一个稳定值。可以看出,尽管地方政府投资公司的算法的收敛速度略低于CC算法和DC算法,它比这两个算法可以感染更多的节点。地方政府投资公司的算法比随机算法能明显感染更多的节点。
图9显示了影响的比较F(t地方政府投资公司的算法和DC算法在时间t电子邮件数据集,数据集,分别。地方政府投资公司的算法的收敛速度明显高于直流的算法。
在表4,平均F(t)值的前十强的四个算法计算节点。可以看出,平均价值F(t地方政府投资公司的算法略优于CC算法,其性能提高了30%,效果更好,比直流算法和BC算法。
本文提出了一种新的基于网络的中心算法对矿业的影响当地重要节点在社交网络。来验证算法的有效性和优越性,它使用SIR传染病模型来模拟实际的传播的影响排序的列表节点评估由不同的中心算法。三真正的社交网络数据集实验结果表明,影响节点开采当地中心重要性算法(LIC)明显优于中间性中心算法(BC)和学位中心算法(DC)。影响效果接近亲密中心算法(CC)和远低于亲密中心算法在计算时间复杂度(CC)。这表明,地方政府投资公司的算法可以解决现有的中心算法的缺点和不足,能迅速有效地确定影响节点,这是有利于社会网络分析,具有重要的现实意义。
4所示。讨论
目前的研究结果表明,一些社会门户网络节点有很大的社会影响力,可以促进或限制在一定程度上传播的信息。这些网络节点减少传统互联网的能源消耗计算资源在一定程度上,充分发挥有效地优化传统互联网信息资源的功能。因此,发现和有影响力的网络节点分类已经成为一个紧迫的问题,许多专家和学者。社会网络分析方法的特点与其它两种方法相比是分析网络特性在不破坏网络结构。这个方法是通用的,适用于大多数社交网络。社交网络分析方法主要依赖于网络的基本拓扑特征分析,如节点的度、最短路径、特征向量和其他指标来评估节点的影响。
5。结论
在这篇文章中,节点的影响近似由当地网络中节点的重要性,和一个新的算法基于当地的网络中心的重要性(LIC算法)。本地节点计算和评估的重要性,根据本地信息,如网络适度和聚集系数,因此计算时间复杂度相对较低。通过比较它与学位中心算法(DC),中间性中心算法(BC)和亲密中心算法(CC),证明它具有很高的相关性影响与当地重要的中心算法,所以重要影响力的节点可以开采。在这篇文章中,研究挖掘社会网络中的关键节点主要是基于当前更常见的方式来评估节点通过节点中心的影响。但在现实,网络社交网站,用户的影响不仅是评估通过用户之间的拓扑特征,但更多的个性化特征,如用户属性,偏好,等等。因此,接下来的研究工作是添加属性,如用户个性化特征的基础上,复杂的网络拓扑结构特征来评估用户的影响力。
数据可用性
使用的数据来支持本研究的发现可以从作者要求。
的利益冲突
作者宣称没有利益冲突。
确认
这个研究是由中国高等教育协会2020年特殊项目(2020 xxhyb09)辽宁省教育部门和项目(JDL2019027)。本文作者感谢这些项目支持。