基于數(shù)據(jù)社區(qū)的領域數(shù)據(jù)圖信息發(fā)現(xiàn)算法研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展，各種類型的網(wǎng)絡數(shù)據(jù)也越來越龐大，并且由相關(guān)數(shù)據(jù)構(gòu)成的領域數(shù)據(jù)圖的結(jié)構(gòu)也越來越復雜。基于領域數(shù)據(jù)圖的信息檢索往往會產(chǎn)生大量的檢索結(jié)果，并且用戶難以發(fā)現(xiàn)有用的信息。目前的改進方法主要集中在用戶查詢和檢索結(jié)果的理解與分析（如查詢擴展、相關(guān)性反饋）上，而較少關(guān)注領域數(shù)據(jù)木身，因此改進效果還不是很理想。因為不僅用戶查詢具有歧義性，檢索結(jié)果具有多樣性，領域數(shù)據(jù)更具有實體聯(lián)系復雜性、語義豐富性、不確定性和多樣性等。
　　信息發(fā)

2、現(xiàn)是介于信息檢索和知識發(fā)現(xiàn)之間的一種技術(shù)，它要求比信息檢索做更多的預處理工作，例如信息集成、信息抽取和索引、信息聚類。數(shù)據(jù)社區(qū)是高內(nèi)聚、低耦合的相關(guān)子圖，其規(guī)模比傳統(tǒng)的領域數(shù)據(jù)圖的規(guī)模要小。領域數(shù)據(jù)圖上的社區(qū)發(fā)現(xiàn)為信息發(fā)現(xiàn)做了更多的預處理工作。
　　本文首先介紹了信息發(fā)現(xiàn)和數(shù)據(jù)社區(qū)的相關(guān)理論，并且分析和比較了目前幾種有代表性的數(shù)據(jù)社區(qū)發(fā)現(xiàn)算法;然后提出了基于數(shù)據(jù)社區(qū)的信息發(fā)現(xiàn)模型;最后在這個信息發(fā)現(xiàn)模型的基礎上設計了基于結(jié)構(gòu)和主題

3、相關(guān)的數(shù)據(jù)社區(qū)發(fā)現(xiàn)算法STBCD和基于數(shù)據(jù)社區(qū)的信息發(fā)現(xiàn)算法CBSTAR。STBCD算法依據(jù)網(wǎng)絡結(jié)構(gòu)特征和節(jié)點內(nèi)容屬性相似性把大的領域數(shù)據(jù)圖劃分成若干小的數(shù)據(jù)社區(qū)。CBSTAR算法首先查詢檢索和信息發(fā)現(xiàn)關(guān)鍵詞相關(guān)的Top k個數(shù)據(jù)社區(qū)，然后只把相關(guān)的數(shù)據(jù)社區(qū)加載到內(nèi)存中，在這些數(shù)據(jù)社區(qū)上查詢發(fā)現(xiàn)候選結(jié)果集。在信息發(fā)現(xiàn)結(jié)果排序時，首先合并各個數(shù)據(jù)社區(qū)中查詢發(fā)現(xiàn)的候選結(jié)果集，充分考慮數(shù)據(jù)社區(qū)和信息發(fā)現(xiàn)關(guān)鍵詞的相關(guān)性以及包含關(guān)鍵詞的節(jié)點和不包