一种改进的协同过滤推荐算法和推荐策略

文摘

电子商务推荐系统推荐技术主要包括内容,协同过滤推荐技术和混合推荐技术。协同过滤推荐技术是个性化推荐技术的成功应用。然而,由于稀疏数据和冷启动问题的协作推荐技术在电子商务数据规模的不断扩大,电子商务推荐系统也面临着许多挑战。本文进行了有益的探索和研究协作推荐技术。首先,本文提出了一种改进的协同过滤算法。其次,社区检测算法研究,两个重叠社区发现算法的基础上,提出中央节点和k-based派系,这有效地我的社区网络。最后,我们选择一个用户从用户社区网络的一部分预计user-item网络作为候选人邻近用户设置为目标用户,从而减少计算时间,提高推荐系统的推荐速度和准确度。本文的完美结合社交网络技术和协同过滤技术,可以大大提高推荐系统的性能。本文利用MovieLens数据集测试两个性能指标,包括美和RMSE。实验结果表明,改进的协同过滤算法优于其他两个协作推荐算法对美和RMSE性能。

1。介绍

随着信息的数量继续增加,互联网技术的迅速发展使我们进入了信息爆炸的时代。同时出现的大量信息为用户很难找到他们感兴趣的部分;另一方面,它也使大量的人的信息是“暗信息”的网络,不能通过普通用户。因此,人们需要花大量的时间浏览和查找感兴趣的信息。人们使用搜索引擎来检索信息,如传统的谷歌,雅虎和百度。尽管信息检索技术可以在一定程度上满足人们的需求,由于它的普遍特征,它仍然不能满足用户请求的不同背景、不同目的和不同时期。个性化推荐服务技术。它可以为不同的用户提供不同的服务来满足个性化服务的必要性(1,2]。主要有一些问题在当前的推荐技术,更常见的协作推荐技术,如基于用户和基于项目的协同过滤算法。由于稀疏数据、新用户和新项目,推荐系统的性能和精度是有限的。此外,一些在线推荐系统,实时的建议,不能保证是由于大规模的数据处理。因此,它仍然是一个热门话题来构建一个高准确性和高可伸缩性推荐算法。作为数据挖掘的一个重要分支,社会网络分析受到越来越多的关注(3]。社会网络分析是一种链接分析技术,它使用社交网络作为研究对象来分析社交网络的结构和行为。因为有大量的信息在社会网络,可用于分析和挖掘,社会网络分析引入各种应用领域。现有的P2P信任技术已经采用社会网络分析方法。它已经表明,基于社交网络的个性化推荐可以解决数据稀疏的问题,新用户,新项目在传统的个性化推荐。现有的推荐技术的研究基础上,本文提出了将社会网络分析技术引入到推荐系统实现一个高效和高可伸缩性的推荐系统解决问题的新用户和新项目4]。

协同过滤推荐技术既有实用价值和不足。从推荐系统实现的角度,基于内存的协作推荐用户和产品信息加载到内存和执行实时建议通过计算5- - - - - -7]。它的特点是简单实现,没有培训开销(8,9]。然而,大量的信息会导致过度的系统开销和推荐速度慢。虽然基于模型的建议是更快,系统将保留数据获得新模型和生产大开销当添加新用户,新项目或者新评分(10,11]。近年来,有许多改进的基于协同过滤的推荐算法来解决这个问题。例如,拉希德et al。12提出了基于聚类的协同过滤算法模型;雪等人提出了采用集群光滑的协同过滤算法。因此,如何建立一个准确、快速、有效的high-scalable推荐系统的研究已经成为趋势。本文结合社会网络技术的协同过滤推荐技术,适用于社区检测主意合作建议,在协作和采用计分预处理机制建议防止数据稀缺(13]。之后,介绍了改善社区检测算法和有机结合社区检测算法和协同推荐算法,研究了基于社区的协同过滤推荐算法检测。

2。改善社区检测算法

2.1。根据中央节点重叠社区检测算法

2.1.1。基本思想

以“中央节点”为初始社区C本文补充道,你的邻居节点对社会最大的贡献C这个社区,社区将建在全球的贡献达到最大;如果有更多的节点与较大的贡献社会,这些节点将被添加到这些社区。提取后的社区C节点和边的社区C不是从网络中删除,为了我的社区之间的重叠节点。

2.1.2。基本概念

来说明我们提出的算法在本节中,首先定义如下。(1)当地的贡献(14]: :如果不是有权的地图,它代表在社区内部的数量;如果这是一个正确的地图,它是所有的边的权重的和在社区内。 :如果不是有权的地图,它代表了许多外部的社会;如果这是正确的地图,这是所有的边的权重之和的社区和外部。问:就越大问对社会的贡献就越大,反之亦然。(2)全球的贡献程度问:这代表了当前社区检测过程中最大的贡献。该指标用于判断群落结构达到最佳状态。(3)重叠程度:的重叠和在社区的定义是年代:

2.1.3。算法流程

算法分为两个阶段。第一阶段是挖掘社区网络,第二阶段是调整矿业社区。(1)社区挖掘第一步:计算网络中每个节点的度,选择最大的节点作为初始社区 ,和节点做标记;最初的全球贡献问= 0。第二步:找到所有的节点连接到社区网络,把它们放进你的邻居节点集。步骤3:为每个节点j在美国,根据方程(1)来计算节点的贡献j社区 。如果提供J度最大的节点度 ,然后添加节点j社区 。返回步骤2继续;否则,转到步骤4。步骤4:全球的贡献问已经达到了最大值。获得社区 。第五步:如果网络没有标记节点,所有社会网络被检测到,结束的过程;否则,节点从未标记选择节点作为初始的新社区 。然后,回到步骤2继续。(2)社区调整:事实上,有些重叠节点属于多个社区,社区之间的重叠节点,社区和 ;当阈值达到重叠T(0.7),和是密切相关的,所以社区和合并。社区的具体流程调整如下:第一步:计算重叠的程度年代之间的和在任何两个社区步骤2:和合并成一个社区的重叠程度年代大于阈值的T步骤3:如果两个社区的重叠系数小于阈值T结束,调整;否则,返回步骤1继续调整(3)实验分析和比较:我们选择三个典型的网络数据集:(1)34-node Zachary空手道俱乐部网络(15](2)115年美国大学橄榄球网络节点(16](3)62 -节点海豚网络(17]

实验1,实验2和实验3,分别测试的数据集(1),(2)和(3)在中心节点基于重叠社区发现算法。实验1:数据集Zachary空手道俱乐部网络包含34个节点。真正的网络包含两个社区。通过社区划分根据重叠社区发现算法基于中央节点,最初的网络分为四个社区,在节点9日10日和31日重叠节点。之间没有显著差异最终的社区划分结果根据现实网络的算法和两个社区。两个社区的网络是resegmented漏斗。节点集(5、6、7、11和17)和(25、26、29和32)提取作为独立的社区,和四个社区图1构建。事实上,节点集(5、6、7、11和17)紧密相连,可以提取作为一个独立的社区;的节点集(25、26、29和32)不连接到其他节点在原始社会,也可以作为一个独立的社区。此外,节点9、10和31两个社区的边界节点,一个等价的贡献两个社区,所以他们可以同时属于两个社区。这是显示在图1。实验2:实际上,美国大学足球网络有115个节点,和真正的网络包含12个独立的社区。本文利用重叠社区的中央节点,根据矿山美国大学橄榄球网络检测算法,和煤矿10个社区。这是显示在图2。绝大多数的10个社区划分根据重叠社区检测算法基于中央节点符合美国大学橄榄球网络,其中7个社区有完全相同的节点和节点分割准确率高达85%或更高。在实际的网络中,一个社区有更少的内部边缘社区之间的比。因此,本文利用该算法时,应当在社区内所有节点分发给其他社区。红色节点(94年60,43岁,91年,5日,15日,59岁和98年)在图2代表两个社区之间的重叠节点。通过仔细分析,发现这些节点为社区他们属于有更大的贡献。因此,重叠节点与实际情况一致。实验3:数据集确定海豚海豚网络网络。实际的网络分为两个社区。社区是除以利用该算法,和四个社区。这是显示在图3。重叠社区检测算法基于将海豚网络划分为两个社区中心节点,节点8和40重叠节点。与实际网络中两个社区相比,除了重叠节点,其他nonnodes的结果是相同的。8 - 40具有相同数量的节点连接通讯和有相同的贡献两个社区,所以它是自然为他们属于两个社区重叠节点。

2.2。基于重叠社区发现算法k派系

2.2.1。基本思想

从某种意义上说,社区可以被看作是一组相互关联的“小完全耦合的网络”。这些“完全耦合网络”叫做“派系”k派系表示网络中的节点数量完全耦合k。

本文介绍了基于重叠社区发现算法k派系。该算法首先检测k派系从网络作为初始社区。之后,本文合并初始社区,然而仍有一些节点不添加任何派系。通过添加这些节点最密切联系社区,本文将得到所有的社区网络。使社区划分结果更准确,最后算法进一步优化社区,优化标准模块化达到最大。

2.2.2。基本概念

(1)派系:网络的完全图(2)最大的派系:网络不属于任何其他派系(3)重叠:它被定义为节点的数量在两个或两个社区的社区少数节点在社区(4)社区之间的连接:它被定义为连接的两个社区的数量/两个社区内的连接总数(5)的接触社区密切相关米:社区的顶点和边的数量在社区和顶点的数量(6)模块度

2.2.3。算法流程

该算法分为四个过程。第一个过程:从网络找到2派系超过最大的派别,这些派系作为初始社区;第二个过程:根据社区之间的点和边缘重叠合并社区;第三个过程:加入节点加入最密切的社区,社区发展;第四个过程:调优的第二阶段的社区。(1)找到最大的派系:Bron-Kerbosch算法找到网络中最大的集团,和网络中节点的最大数量超过3作为初始社区。(2)合并社区:因为有很多重叠节点最大的派别,这些派系可以组合成一个社区重叠时的阈值T;此外,如果两个社区之间的联系比康涅狄格州的阈值更接近,这两个社区也应该合并到同一个社区。结合社区包括两个步骤:第一步是基于合并的点;第二步是基于边缘的结合。(3)实验分析和比较:我们选择三个典型的网络数据集:(1)34-node Zachary空手道俱乐部网络(2)115年美国大学橄榄球网络节点(3)62 -节点海豚网络

实验4,实验5,和实验6,分别是测试的数据集(1),(2)和(3)在中心节点基于重叠社区发现算法。算法的效果调查。实验参数设置康涅狄格州= 0.5,T = 0.65。实验4:典型的数据集Zachary空手道俱乐部网络包含34个节点。通过使用基于重叠社区发现算法k派系,该算法分为两个社区,如图4。从图4,我们可以得知该算法几乎是相同的原始网络,除了节点10。事实上,10节点和两个社区连接数字,重叠节点,添加两个社区符合实际情况。实验5:美国大学足球网络是基于重叠社区发现算法的基础上k派系。网络分为社区,结果如图所示5。从图5,我们可以看到,一共有13个社区,和原来的网络相比,共有87%的节点是正确划分与原始网络相比,7个社区是完全相同的,还有4几乎相同。在所有的社区里,没有任何重叠节点。实验6:网络是一个典型的海豚网络数据集海豚。实际的网络分为两个社区。使用本节进行社区划分,得到四个社区,如图6。基于重叠社区发现算法k派系分为四个社区,而原始的网络有两个社区。但是它可以发现四个社区分为两个:两个社区在最初的网络。节点4和节点9重叠节点。

这三个实验是社会分工的结果,显示出更好的效果与原网络相比,有更高的准确度。

本文分析了模块化 。沈提出的标准评估重叠社区的亲密关系,表明越大是,越接近社区;稀疏的社区连接,更好的社区划分结果。基于这一观点,本文计算上述两个算法的模块化和比较他们与其他重叠社区发现算法的细节。

这些算法提出的沈et al。18和Zhang et al。19]。埃文斯和Lambiotte [20.)和Duanbing et al。21]提出的重叠社区检测算法,实验结果比较如表所示1。

算法是重叠社区发现算法的基础上,中心节点;算法两个代表重叠社区发现算法的基础上k派系。

从表1基于k-faction,重叠社区发现算法有更好的效果。34-node俱乐部的网络,算法模块的沈,张、埃文斯和其他算法提出略小,足球网络和海豚网络,该算法比其他算法。

因此,基于k-faction重叠社区检测算法有更好的效果是否从社区划分的准确性或模块的角度。

3所示。基于社区的协同过滤推荐算法检测

3.1。基本思想

针对传统协同过滤推荐系统中存在的问题,提出了一种基于社区的协作推荐算法检测。在基于社区的协同过滤推荐算法检测,用户自己控制自己的特征信息。用户属性的内容在很大程度上反映了类似的朋友之间的关系。与此同时,用户的功能属性是稳定的,可以反映用户之间的关系。因此,在协同过滤推荐中,用户的标签信息特性尤为重要。

通过引入用户功能属性、特征属性的相似度可以提取用户的邻居,和不相关的物品的重量目标项目的类似的项目可以减少,所以邻居用户集的计算更准确。推荐项目协同过滤推荐基于社区检测进行分类,并显示在以下方程: 在哪里U代表系统中所有用户的集合表示k类。

3.2。用户特征矩阵结构

在类似的情况下计算,改善因子的得分值应该充分考虑。因此,本文设计一种改进的用户相似性计算方法基于协同过滤的推荐系统。使用线性组合方法,相应的重量X设置,传统项目H相似结果和用户标签类别相似度结果相结合,共同作为两个项目之间的相似性。方程如下: 在哪里 用户评分矩阵的相似度计算是根据传统的三种相似性度量方法。

萨瓦尔的最小数据集使用MovieLens比较三个相似性和梅作为测量指标。实验结果表明,最佳的美可以通过使用修正余弦相似度评分预测。

实验数据集相似。因此,本文还使用修改后的余弦相似度作为项目类似的计算方法。

用于计算user-category的相似性矩阵。由于矩阵表是一个二进制值,合理使用余弦相似度计算。计算公式如下: 在哪里和对应的行向量的用户吗和用户在user-category矩阵,分别显示包含由用户类型和用户 。

社区检测算法用于给定目标的社交网络划分为若干社区实际情况相匹配。每个社区代表一个社交圈所不习惯的每一个人。潜在的协同过滤推荐给目标用户在这些相对密切相关和较小的社区。通过这种方式,随后构建用户标号矩阵缩减矩阵的大小。此外,大多数的节点在社区中也有类似的标记属性,因此可以减少协同过滤的稀疏矩阵。构建一个用户标号得分矩阵使用该用户标号协会强烈的概念在社区目标用户的位置,并计算用户之间的相似性和其他用户在社区根据改进的相似度计算公式。目标用户的社区,用户标号关联强度的概念,是由使用该用户标号关联强度的概念,以及用户和其他用户之间的相似性在社区根据改进的相似度计算公式计算。然后,推荐K用户相似度最高的为目标用户潜在的朋友。

4所示。试验设计和讨论

4.1。实验数据集

为了测试本文的算法,我们从互联网下载经典MovieLens数据集和存储在本地数据库中。

MovieLens (http://movielens.umn.edu/推荐系统)在1997年发现,网络电影基于用户的数量,每天数以万计的访问系统,系统可以接受用户评分的电影和电影为用户推荐列表。目前,该网站的用户超过43000人。电影的用户等级已经超过3500人。

我们选择从用户评级数据库943个用户和1682年电影,共有100000个进球的信息,每一个都至少有20个分数信息,分数从1到5的整数;分数越大,用户的偏好程度越高;相反,较低。

4.2。实验评价指标

不同的相似性指标将导致不同的预测成绩。平均绝对误差(MAE)和均方根误差(RMSE)是两种常用的指标,用以衡量相似度方法的准确性。值越小,更好的预测精度。通常的方法是将原始数据集分为训练集和测试集;然后,用训练集得到的预测模型和测试集来评估预测的结果,也就是说,预测结果和实际得分的美和RMSE值。这是定义如下:(1)平均绝对误差(MAE)的平均绝对误差预测用户的评分而真正的得分在评分测试集: (2)均方根误差(RMSE)平均值的平方根是正确的得分值和预测评分值用户在测试设置:

在方程(7)和(8)代表测试集的大小。

4.3。实验程序

为了方便性能指标的评价,原MovieLens数据集分为训练集和测试集。作者随机选择一个部分从用户评分集作为训练集,剩下的得分数据应当成为测试集。该训练集用于模型训练,而测试集是用于测试的优点和缺点。本文测试了基于社区的协同过滤算法检测以及美和RMSE指标的协同过滤算法通过使用皮尔逊相关性和余弦相似性。有两个因素影响协同过滤推荐:数据集的稀缺性和邻居的大小(即用户集。的价值,k)。这两个因素也考虑在协同过滤算法的验证。

基于上述因素,本文设计了如下实验方案:实验1:选择不同比例MovieLens训练集和测试集的数据集。如果你的邻居用户设置大小k是常数,考虑比较上述算法的性能在不同的数据稀疏。因此,可以验证推荐效果的程度影响的条件下,系统获得一个有效的信息。实验2:选择一定比例MovieLens训练集和测试集的数据集。当你的邻居用户设置大小k改变,上述算法的性能进行比较来验证最近邻用户设置的影响大小的推荐效果。

为了避免某一分区的训练集和测试集,实验结果带来的机会。我们使用相同的方法来把MovieLens数据集分成5和5组不同的训练集和相应的测试集。所以,每一个训练集和测试集有5个实验,并采取平均5实验结果在实验的最终结果。

4.4。实验结果和分析

为了成功地进行实验,需要设置一些参数。在本文中,我们建议的大小候选人的用户集U算法被设置为30%左右的训练集的用户数量。为方便起见,基于社区的协同过滤算法检测本文使用CFCD(协同过滤社区检测)。协同过滤算法基于余弦相似度的表达的氯氟化碳(协同过滤cos)。协同过滤算法根据皮尔逊相关表达的CFP(皮尔逊协同过滤)。实验1:MovieLens数据集,训练集的大小改变如果邻居用户设置大小k值保持不变。表2是基于这样一个前提:你的邻居用户设置大小k是30。实验的结果每一个训练集的比例如表所示2。

我们画线和条形图对应表2。细节图所示7和8。从图可以看出7的美价值CFCD算法提出了小于CFP的算法和氯氟化碳的算法。图8显示的RMSE值CFCD算法本文也小于CFP的算法和氯氟化碳的算法。因此,CFCD算法比CFP算法和氯氟化碳的算法。实验2:MovieLens数据集,在一定规模的训练集,改变的大小K最近邻用户集。表的价值3显示了比较美和RMSE值不同k训练集的值的比率为80%。

我们画出表3相应的详细折线图和柱状图。这是如图9和10。

实验结果表明的美和RMSE值基于社区的协作推荐算法检测小于其他两种算法。线图上的反应是,对于训练集的一定比例的价值k增加。的美和RSME折线CFCD低于氯氟化碳和CFP,表明该算法CFCD比其他两种算法。

当k事实上,大约需要30的美和RSME三个算法是最小的;当邻居用户的大小设置为30,推荐的效果是最好的。数据9和10相应的线图的表吗3。

可以看出CFCD算法的美和RMSE值低于其他两种算法。它可以表明CFCD算法优于氯氟化碳和CFP算法。

5。结论

介绍了社会网络相关技术协作推荐技术,提出了基于社区的协作推荐算法检测。为了解决传统的推荐技术中存在的问题,提出了一种基于社区的协作推荐方法检测基于社区发现技术和协作推荐技术在社交网络。算法采用粗糙的方法选择相邻的用户集,有效降低系统的计算时间,同时,得分预处理方法,以防止由于数据稀疏问题。通过实验验证该算法的性能。本文设计了两个实验使用MovieLens数据集。以社区为基础的绩效指标MAE和RMSE协作推荐技术和协同推荐技术根据皮尔逊的相似性和余弦相似度分别进行测试。实验结果表明,该方法性能优于基于皮尔森的协作推荐的相似性和余弦相似性。

进一步的研究将在以下方面进行:(1)信息采集:除了获得基本的用户信息,需要挖掘隐含的用户的更多信息。在情况下,如果新用户评级信息不足,用户的nonevaluation信息可能被视为用户的补充信息,这样可以更准确地推荐新用户。(2)建议技术方面:为了提高推荐系统的准确性和可伸缩性和确保系统执行实时推荐在大规模数据,有必要进行深入的探索和研究的推荐技术。

数据可用性

使用的数据来支持本研究的结果包括在本文中。读者可以访问数据从MovieLens支持结论的研究(http://movielens.umn.edu/)。

的利益冲突

作者宣称没有利益冲突。

引用

1. h . Zarzour f·m·穆罕默德·s . Chaouki和c . Chemam”大数据的改进的协同过滤推荐算法,”计算智能及其应用,第668 - 660页,2018年。视图:出版商的网站|谷歌学术搜索
2. h . Zarzour z, A·谢里夫·m·A .却和y Jararweh,“一个新的基于降维的协同过滤推荐算法和聚类技术,”学报》2018年第九届国际会议信息和通信系统(ICICS)里尔,页102 - 106年,法国,2018年4月。视图:谷歌学术搜索
3. z z . Chen宁、问:熊和m . s . Obaidat”一个协同过滤给出建议方案与分化无线局域网访问服务,“IEEE系统杂志,12卷,不。1,第1014 - 1004页,2018。视图:出版商的网站|谷歌学术搜索
4. c . Lu”社交网络环境下基于协同过滤的推荐算法,”生物技术:一个印度日报》,10卷,不。13日,7087 - 7092年,2014页。视图:谷歌学术搜索
5. Q.-J。褐色,h·吴,c . Wang和郭问:“一个个性化的混合推荐策略基于用户行为及其应用,”学报2017年国际会议上安全、模式分析、控制论SPAC,页181 - 186年,深圳,中国,2017年12月。视图:谷歌学术搜索
6. l .郭j . LiangYing Z.Y.罗,l .太阳”协同过滤推荐基于信任和情感。”智能信息系统杂志》上,1,2018页。视图:出版商的网站|谷歌学术搜索
7. j .阿兰达Givoni, j . Handcock, d . Tarlow称,一个在线社交网络的推荐系统加拿大安大略省多伦多大学,2007。
8. j·斯坦、f . Muhlenbach和c . Largeron”推荐系统使用社会网络分析:挑战和未来趋势,”百科全书的社会网络分析和挖掘施普林格,页22页,纽约,纽约,美国,2014年。视图:出版商的网站|谷歌学术搜索
9. k·g·Saranya和Sudha Sadasivam g .,“个性化新闻文章推荐使用协同过滤与新奇的粗糙集理论为基础,“移动网络和应用程序,22卷,不。4、719 - 729年,2017页。视图:出版商的网站|谷歌学术搜索
10. l . o . Colombo-Mendoza r . Valencia-Garcia r . Colomo-Palacios g . Alor-Hernandez,“以知识为基础的多目标协同过滤方法在移动云计算平台,发现服务”智能信息系统杂志》上,2018年,页1 - 25。视图:出版商的网站|谷歌学术搜索
11. H.-G。Ko, I.-Y。Ko, d·李,“多标准矩阵定位的个性化协同过滤和集成物联网环境中,“多媒体工具和应用程序,卷77,不。4、4697 - 4730年,2018页。视图:出版商的网站|谷歌学术搜索
12. A . m .拉希德,k . l . Shyong K.L.乔治,“高度可伸缩的混合模型和基于内存的CF算法”WEBKDD ACM的、澳门、中国,2014年6月。视图:谷歌学术搜索
13. G.-R。杨天雪,c .林问:et al .,“可伸缩的协同过滤使用基于集群的平滑,”第20届国际市立图书馆学报》会议,页15 - 19,坦佩雷,芬兰,2015年8月。视图:谷歌学术搜索
14. a . Clauset”找到当地社区结构的网络,”物理评论E,卷72,不。2,56 - 70,2015页。视图:出版商的网站|谷歌学术搜索
15. w·w·扎卡里,”一个信息流模型在小群体冲突和分裂,”《人类学研究,33卷,不。4、452 - 473年,1977页。视图:出版商的网站|谷歌学术搜索
16. m . Girvan m·e·j·纽曼,“在社会和生物群落结构的网络,”美国国家科学院院刊》上,卷99,不。12日,第7826 - 7821页,2012年。视图:出版商的网站|谷歌学术搜索
17. m·e·j·纽曼和m . Girvan“发现和评估网络社区结构,”物理评论E,卷69,不。2,25-32,2014页。视图:出版商的网站|谷歌学术搜索
18. h·w·沈,X.-Q。陈,j·f·郭”,量化和识别重叠社区结构网络,”杂志的统计力学:理论和实验,卷2009,不。7篇文章ID P07042 42页,2009年。视图:谷歌学术搜索
19. 张,R.-S。王,X.-S。张,“识别使用fuzzy-means集群重叠的复杂网络社区结构,”自然史答:统计力学及其应用,卷374,不。1,第490 - 483页,2007。视图:出版商的网站|谷歌学术搜索
20. t·s·埃文斯和r . Lambiotte线图、链接分区和重叠社区”物理评论,卷80,不。1,第148 - 145页,2009。视图:出版商的网站|谷歌学术搜索
21. c . Duanbing傅y、m . s .商,“一个有效的重叠社区发现算法复杂,“全球国会智能系统,第247 - 244页,2009年。视图:出版商的网站|谷歌学术搜索

版权

版权©2019 Xiaofeng李,李董。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。