上一篇中,讲解了论文中涉及的两种算法的基本形态的讲解,接着我们来谈谈这篇论文。
对于一个社会网络,我们需要划分社区,而划分社区的方法就是前面讲到的Louvain
社区发现算法,在论文中使用的是改进的Louvain
社区发现算法,怎么改进呢,如下:
改进的也就是上面的节点的聚类系数
,但是其实它的划分社区的过程还是前面的划分社区的方法。
社区划分了以后,就使用改进的萤火虫算法,所谓的改进就在于对于节点吸引度的定义上:
这里的
表示用户的显著性P(Prominence)
值
这里的
是临近中心性,
是中介中心性,
是特征向量中心性,
是PageRank
值,
是度中心性。
对于中五种量度,都可以用来衡量网络中节点的重要性程度。而在本论文中提出的用户的显著性值就是这五种度量的综合,进而综合进入到萤火虫算法的吸引度的量度上。
然后,用算法的迭代方程就是下面的改进:
然后就是一些实验,来验证他实验的正确性。
对于萤火虫算法中的超参数,在本文中使用方差分析法来进行实验,找到适合的
的值。然后就在合成数据集上和真实数据集上做实验,分别对比使用上面的几种中心性和使用萤火虫算法进行找社区中的意见领袖的查找,进而对于这几种方法进行比较,此时还不能说明本文所提出的方法比前面的几种中心性度量的方法好,所以本文还使用了查准率、查全率和F1值,这三种度量来进行实验的对比。
这里之所以能使用查准率、查全率和F1值,是因为所给的网络是一个标注了有几个社区,社区中有几个意见领袖的网络,故而有一个标准极限,进而进行查准率、查全率和F1值得计算,进而得出
和本文提出的改进的萤火虫算法的优劣,大致给个图:
然后还有一个运行时间上的对比:
然后,就说明了这里所用的改进的萤火虫算法,是优于以前的传统的中心性度量的方式来找意见领袖的方法。
Discover opinion leader in online social network using firefly algorithm (阅读笔记二)
猜你喜欢
转载自blog.csdn.net/qq_26460841/article/details/103408526
今日推荐
周排行