Biblioteca122.739 documentos en línea

Artículo

ECLP: Friend Recommendation Using Ensemble Approach for Detecting Communities Performing Link PredictionECLP: Friend Recommendation Using Ensemble Approach for Detecting Communities Performing Link Prediction (Recomendación de amigos mediante un enfoque conjunto para la detección de comunidades con predicción de enlaces)

Resumen

Las redes sociales ofrecen diversos servicios en lnea que desempean un papel importante en las nuevas conexiones entre los miembros para compartir sus medios, documentos y opiniones favoritos. Para cada miembro, estas redes deben recomendar (predecir) con precisin el enlace de los miembros con mayores intereses comunes. Debido al enorme volumen de usuarios con distintos tipos de informacin, estas redes se enfrentan a retos como la dispersin y la precisin de la prediccin de enlaces. Adems, las redes con numerosos usuarios tienen el problema de la complejidad computacional y temporal. Estos problemas se deben a que todos los nodos de la red contribuyen a los clculos de prediccin de enlaces y sugerencias de amigos. Para superar estos inconvenientes, este artculo presenta un nuevo esquema de prediccin de enlaces que contiene tres fases para combinar la informacin local y global de la red. De la forma propuesta, primero se detectan las comunidades densas con solapamiento basndose en el mtodo de percepcin de nodos conjuntos, que conduce a nodos ms relevantes y contribuye a la prediccin de enlaces y acelera el algoritmo. A continuacin, estas comunidades se optimizan aplicando el mtodo de optimizacin de enjambre de partculas binario para fusionar los clusters cercanos. Este mtodo maximiza el coeficiente de agrupamiento medio (ACC) de toda la red, lo que da lugar a una prediccin exacta y precisa. En la ltima fase, los enlaces relativos se predicen mediante el ndice de similitud Adamic/Adar para cada nodo. El mtodo propuesto se aplica a los conjuntos de datos Astro-ph, Blogs, CiteSeer, Cora y WebKB, y su rendimiento se compara con los sistemas ms avanzados en funcin de varios criterios. Los resultados indican que el mtodo propuesto mejora significativamente la precisin en estos conjuntos de datos.

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño: Kb

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento