无线城市数据中的社团发现方法

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (10): 259-264.

无线城市数据中的社团发现方法

马威1，汪洋1，2，彭艳兵1，2

1.武汉邮电科学研究院，武汉 430074
2.南京烽火星空通信发展有限公司，南京 210019

出版日期:2016-05-15 发布日期:2016-05-16

Community detection in wireless city data

MA Wei1, WANG Yang1，2, PENG Yanbing1，2

1.Wuhan Research Institute of Posts and Telecommunications, Wuhan 430074, China
2.Fiberhome Communication Technology Co. Ltd, Nanjing 210019, China

Online:2016-05-15 Published:2016-05-16

摘要/Abstract

摘要： 为了在缺失社交关系的无线城市接入日志中挖掘频繁共现的社团结构。提出了一种基于无向有权图的社团发现方法：团搜索（Clique Search）。该算法将日志数据映射到图空间，通过挖掘其中的团来对潜在的社团关系进行挖掘。相较于传统算法，该算法显著减小了运算时间复杂度与空间复杂度。实验结果表明，随着输入数据集规模的增长，该算法仍然能够在常数级别时间内完成计算。算法中的参数[δ]对结果社团中成员的联系紧密度影响比较明显，使用不同的[δ]值可以满足不同应用的需求。

关键词: 无线城市, 社团发现, Mac地址, Apriori算法, 团搜索

Abstract: In order to identify frequent co-occurrence communities in non-relational login log generated by Wireless City. Propose an undirected weighted graph-based community detection method called “Clique Search”. The algorithm maps the log data to graph, mining potential social communities by searching for the cliques in the graph. Compared to the traditional algorithm, this algorithm significantly reduces the computation time complexity and space complexity. The experimental results show that with the increase in the size of the input data set, the algorithm is still able to accomplish the computation in a constant level of time. Algorithm parameter [δ] influences the community tightness of the results obviously, by using different [δ] can meet the needs of different applications.

Key words: wireless city, community detection, Mac address, Apriori, clique search

马威1，汪洋1，2，彭艳兵1，2. 无线城市数据中的社团发现方法[J]. 计算机工程与应用, 2016, 52(10): 259-264.

MA Wei1, WANG Yang1，2, PENG Yanbing1，2. Community detection in wireless city data[J]. Computer Engineering and Applications, 2016, 52(10): 259-264.

[1]	易成岐，郭鑫，童楠楠，窦悦，陈东，王建冬. 基于启发式社团发现模型的创新态势研判算法[J]. 计算机工程与应用, 2020, 56(15): 74-79.
[2]	杨珍，耿秀丽. 考虑多粒度属性约简的关联规则挖掘研究[J]. 计算机工程与应用, 2019, 55(6): 133-139.
[3]	曹卫东1，2，许代代2，王静2，王家亮2. 民航NOSHOW预测及强因子关联分析[J]. 计算机工程与应用, 2019, 55(2): 221-227.
[4]	曹菁菁1，任欣欣2，徐贤浩2. 基于并行Apriori的物流路径频繁模式研究[J]. 计算机工程与应用, 2019, 55(11): 257-264.
[5]	王永贵1，张燕1，杨东东2. 基于MapReduce的无线城市社团发现算法研究[J]. 计算机工程与应用, 2017, 53(4): 106-112.
[6]	陈亚楠，朱习军. 基于Hadoop的中医哮喘用药组合关联分析[J]. 计算机工程与应用, 2017, 53(13): 95-98.
[7]	欧阳骥1，周宪政2，卓晓燕2，黄翰2. 基于主题划分和链接划分的社团发现算法[J]. 计算机工程与应用, 2016, 52(20): 69-74.
[8]	程飞，姬东鸿. 基于重叠社团发现的微博话题检测方法[J]. 计算机工程与应用, 2015, 51(6): 93-98.
[9]	晁永生，孙文磊. 基于粗糙集的焊接类型关联规则提取[J]. 计算机工程与应用, 2015, 51(15): 244-248.
[10]	张建林，周超良. 关联规则在股票板块联动分析中的应用[J]. 计算机工程与应用, 2013, 49(2): 242-245.
[11]	赵艳君1，魏明军2. 改进数据挖掘算法在入侵检测系统中的应用[J]. 计算机工程与应用, 2013, 49(18): 69-72.
[12]	高海洋1，2，沈强1，张轩溢1，赵志军1. 一种基于数据压缩的Apriori算法[J]. 计算机工程与应用, 2013, 49(14): 117-120.
[13]	苗苗苗1，王玉英2. 基于矩阵压缩的Apriori算法改进的研究[J]. 计算机工程与应用, 2013, 49(1): 159-162.
[14]	王艳1，李应兴2，靳二辉3. 复杂网络健壮社团挖掘算法[J]. 计算机工程与应用, 2012, 48(31): 36-39.
[15]	张云涛¹，于治楼²，张化祥¹. 关联规则中频繁项集高效挖掘的研究[J]. 计算机工程与应用, 2011, 47(3): 139-141.