基于概率生成模型的网络数据分类方法

摘要：

利用实体之间的相互关系来对实体进行分类的网络数据分类是数据挖掘的一个重要研究内容.现有的网络数据分类方法普遍根据邻居节点的类别来对节点进行分类.这些方法在同质性程度较高的网络中达到了很高的分类精度.然而在现实世界中,存在许多同质性程度很低的网络.在低同质性网络中,大多数相连节点的类别不同,所以现有方法难以正确预测出节点的类别.因此,提出了一种新的网络数据分类方法.其主要思路是建立一个描述网络的概率生成模型.在这个概率生成模型中,将网络中的边作为观察变量,将未知类别节点的类别作为潜在变量.通过吉布斯采样方法对模型进行求解,计算出潜在变量的取值,从而得到未知类别节点的类别.在真实数据集上的对比实验表明,提出的分类方法在低同质性网络上有更好的分类性能.

关键词：网络数据、网络数据分类、节点分类、概率生成模型、同质性

所属期刊栏目：50

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金项目61302144,51303062

在线出版日期：2014-01-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：2642-2650