《表4 Karate网络中基于不同相似性度量的最相似节点对比表》
从全局角度看,大度节点直接相连着许多节点,从任一节点开始进行随机游走都有很大概率到达网络中的大度节点,从而成为网络中的一般相似节点,即网络中大量节点的最相似节点.表4给出了在Karate网络中,分别根据五种随机游走相似性和基于RE-model算法的相似性度量得到的各节点对应的最相似节点.可以看出,大度节点1,33和34在RW,BRW,MERW和LRW成为一般相似节点,影响节点间的相似性度量效果.而基于RE-model的相似性度量模型没有形成一般相似节点,可以更好地度量节点间的结构相似性.例如节点15和16在传统随机游走RW,RWR,BRW,MERW和LRW方法下找到的最相似节点均为节点34;而基于RE-model的随机游走RE_RW,RE_RWR,RE_BRW,RE_MERW和RE_LRW方法,这两个节点则互为最相似节点.从图1可以看出,节点15和16都为2度点且与节点33和34相连,这两个节点结构上更相似.
图表编号 | XD00109598400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.30 |
作者 | 郑文萍、刘韶倩、穆俊芳 |
绘制单位 | 山西大学计算机与信息技术学院、计算智能与中文信息处理教育部重点实验室山西大学、山西大学大数据科学与产业研究院、山西大学计算机与信息技术学院、计算智能与中文信息处理教育部重点实验室山西大学、山西大学大数据科学与产业研究院、山西大学计算机与信息技术学院、计算智能与中文信息处理教育部重点实验室山西大学、山西大学大数据科学与产业研究院 |
更多格式 | 高清、无水印(增值服务) |