Resumen

La detección de comunidades es de gran importancia, ya que permite comprender la estructura de la red y favorece muchas aplicaciones del mundo real, como los sistemas de recomendación. Las redes sociales heterogéneas, que contienen múltiples relaciones sociales y diversos contenidos generados por los usuarios, complican el problema de la detección de comunidades. En concreto, las relaciones sociales y los contenidos generados por los usuarios se consideran información de enlace e información de contenido, respectivamente. Dado que ambos tipos de información indican una estructura comunitaria común desde diferentes perspectivas, es mejor extraerlos conjuntamente para mejorar la precisión de la detección. Se han desarrollado algunos algoritmos de detección que utilizan tanto la información de enlaces como la de contenidos. Sin embargo, la mayoría de los trabajos toman la estructura de comunidad privada de una única fuente de datos como la común, y algunos métodos tardan más tiempo en transformar los datos de contenido en datos de enlaces que en minarlos directamente. En este artículo, proponemos un marco basado en la factorización matricial no negativa conjunta regularizada (RJNMF, por sus siglas en inglés) para utilizar la información de enlaces y contenidos de forma conjunta con el fin de mejorar la precisión en la detección de comunidades. En este marco, desarrollamos la NMF conjunta para analizar simultáneamente la información de enlaces y de contenido e introducimos la regularización para obtener directamente la estructura común de la comunidad. Los resultados experimentales sobre conjuntos de datos reales demuestran la eficacia de nuestro método.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Detección de comunidades; estructura de redes; aplicaciones en el mundo real; redes sociales heterogéneas; información sobre enlaces; información sobre contenidos.
• Keywords:Community detection; network structure; real-world applications; heterogeneous social networks; link information; content information