TY - Jour A2 - De Domenico，Manlio Au - Wu，Jibing Au - Yu，连日AU - Zhang，Qun Au - Shi，Peiteng Au - Liu，Lihua Au - Deng，Su Au - Huang，Hongbin Py - 2018 Da - 2018年/ 03/06 TI - 基于张量分解SP - 9653404 VL - 2018 AB - 异构信息网络在现实世界应用中的多种类型的应用程序中的多重信息网络中的多立体社区发现，这由多种类型的物体组成，包括各种丰富的多种物体他们之间的语义有意义的链接。社区发现是提取网络中隐藏结构的有效方法。通常，异构信息网络是暂时的，其对象和链接逐渐变化和变化。在这种悠播的异构信息网络中，社区发现是一个具有挑战性的话题，并且比传统的静态均匀信息网络中的困难更困难。与传统方法中的社区相比，它只包含一种类型的对象和链接，异构信息网络中的社区包含多种类型的动态对象和链接。最近，一些研究专注于动态异构信息网络，实现一些令人满意的结果。但是，他们假设异构信息网络通常遵循一些简单的模式，例如BITYPETWED网络和星形网络模式。在本文中，我们提出了一种多立体社区发现方法，用于与一般网络模式的时间演变异构信息网络。 A tensor decomposition framework, which integrates tensor CP factorization with a temporal evolution regularization term, is designed to model the multityped communities and address their evolution. Experimental results on both synthetic and real-world datasets demonstrate the efficiency of our framework. SN - 1076-2787 UR - https://doi.org/10.1155/2018/9653404 DO - 10.1155/2018/9653404 JF - Complexity PB - Hindawi KW - ER -