Resumen

En la mayoría de los casos, las estructuras de bloques y las características de evolución siempre coexisten en redes dinámicas. Esto conduce a resultados inexactos en el análisis de la estructura temporal de la comunidad con una estrategia de dos pasos. Afortunadamente, algunos enfoques tienen en cuenta las características de evolución para modelar las estructuras temporales de la comunidad. Pero el número de comunidades no puede determinarse automáticamente. Por lo tanto, en este artículo se propone un modelo, Factorización de Matrices No Negativas Bayesiana Evolutiva (EvoBNMF). Se centra en modelar las estructuras temporales de la comunidad con características de evolución. Más específicamente, el comportamiento de evolución, que se introduce en EvoBNMF, puede cuantificar la intensidad de transferencia de comunidades entre instantáneas adyacentes para modelar las características de evolución. De manera innovadora, el número más apropiado de comunidades puede determinarse de forma autónoma mediante la contracción de los comportamientos de evolución correspondientes. Los resultados experimentales muestran que nuestro enfoque tiene un rendimiento superior en

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Características de la evolución; Análisis de la estructura temporal de la comunidad; Estrategia de dos pasos; Factorización de Matrices No Negativas Bayesiana Evolutiva; Comportamiento evolutivo; Determinación autónoma
• Keywords:Evolution characteristics; Temporal community structure analysis; Two-step strategy; Evolutionary Bayesian Nonnegative Matrix Factorization; Evolution behavior; Autonomous determination