杜润东；巴里·德雷克；海森公园 基于内容和连接结构的联合非负矩阵分解混合聚类。 （英语） Zbl 1434.15011号 J.全球。最佳方案。 74，第4号，861-877（2019）。 摘要：提出了一种称为JointNMF的混合方法，用于从包含文本内容和连接结构信息的数据集中发现潜在信息。新方法联合优化了一个综合目标函数，该目标函数由两部分组成：用于处理文本内容的非负矩阵分解（NMF）目标函数和用于处理网络结构信息的对称NMF目标函数。为了利用块坐标下降框架的有效方法，提出了一种联合NMF目标函数的有效算法。提出的混合方法可以同时发现内容关联和相关的潜在联系，而不需要额外的聚类后处理。JointNMF的另一个功能是预测未知网络信息，该功能使用几个现实世界问题进行说明，例如论文的引用建议和组织中的领导者检测。该方法也适用于用特征空间向量和两两相似度表示的一般数据，并可扩展到具有多个特征空间或多个相似性度量的情况。我们的实验结果表明，当数据中的内容和连接结构信息都可用时，该混合方法具有多种优势，可以获得更高质量的聚类结果和发现新信息，例如未知链接预测。 引用于2文件 MSC公司： 15A23型 矩阵的因式分解 90C27型 组合优化 关键词：联合非负矩阵分解；对称NMF；约束低秩近似；内容聚类；图聚类；混合内容与连接结构分析 软件：SNAP（快照）；符号NMF；SmallK公司；层次结构NMF2 PDF格式BibTeX公司 XML格式引用 \textit{R.Du}等人，J.Glob。最佳方案。74，第4号，861--877（2019；Zbl 1434.15011） 全文： 内政部 arXiv公司 参考文献： [1] Bertsekas，D.：非线性规划。雅典娜科学，贝尔蒙特（1999）·Zbl 1015.90077号 [2] Chang，J.，Blei，D.M.：文档网络的层次关系模型。附录申请。《统计》第4（1）卷，第124-150页（2010年）·Zbl 1189.62191号 ·doi:10.1214/09-AOAS309 [3] Choo，J.，Lee，C.，Reddy，C.K.，Park，H.：乌托邦：基于交互式非负矩阵分解的用户驱动主题建模。IEEE传输。视觉。计算。图表。19（12），1992-2001（2013）。doi:10.1109/TVCG.2013.212·doi:10.1109/TVCG.2013.212 [4] 科恩，DA；霍夫曼，T。；Leen，TK（编辑）；Dietterich，TG（编辑）；Tresp，V.（编辑），《缺失的链接——文档内容和超文本连接的概率模型》，第13期，430-436（2001），剑桥 [5] Cruz，J.、Bothorel，C.、Poulet，F.：增强社交网络中基于熵的社区检测。2011年社会网络计算方面国际会议（CASoN），第163-168页（2011年）。doi:10.1109/CASON.2011.6085937 [6] Drake，B.，Kim，J.，Mallick，M.，Park，H.：基于非负秩亏最小二乘法的监督拉曼光谱估计。摘自：《第13届信息融合国际会议论文集》，英国爱丁堡（2010） [7] Drake，B.，Lee-Urban，S.，Park，H.：Smallk是一个C++/Python高性能软件库，用于非负矩阵因式分解（nmf）以及使用nmf的层次和平面聚类；当前版本1.6.2。http://smallk.github.io/ (2017) [8] Elhadi，H.，Agam，G.：结构和属性社区检测：复合、集成和选择方法的比较分析。摘自：《第七届社交网络挖掘与分析研讨会论文集》，SNAKDD’13，第10:1-10:7页。ACM，美国纽约州纽约市（2013年）。doi:10.1145/2501025.2501034 [9] Erosheva，E.，Fienberg，S.，Lafferty，J.：科学出版物的混合成员模型。程序。国家。阿卡德。科学。101（补充1），5220-5227（2004）。doi:10.1073/pnas.0307760101·doi:10.1073/pnas.0307760101 [10] Gruber，A.，Rosen-Zvi，M.，Weiss，Y.：超文本的潜在主题模型。摘自：《第二十四届人工智能不确定性年会论文集》（UAI-08），第230-239页。俄勒冈州科瓦利斯AUAI出版社（2008） [11] Jin，D.，Gabris，B.，Dang，J.：用于在复杂网络中查找重叠社区的组合节点和链接分区方法。《科学报告5》（2015年）。doi:10.1038/srep08600 [12] Kannan，R。；Ishteva，M。；德雷克，B。；帕克，H。；Naik，GR（编辑），有界矩阵低秩近似，89-118（2016），Springer·Zbl 1338.65113号 ·doi:10.1007/978-3-662-48331-24 [13] Kannan，R.，Ishteva，M.，Park，H.：推荐系统的有界矩阵分解。知识。信息系统。39(3), 491-511 (2014) ·doi:10.1007/s10115-013-0710-2 [14] Kim，J.，He，Y.，Park，H.：非负矩阵和张量分解算法：基于块坐标下降框架的统一视图。J.Glob。最佳方案。58(2), 285-319 (2014). doi:10.1007/s10898-013-0035-4·Zbl 1321.90129号 ·doi:10.1007/s10898-013-0035-4 [15] Kim，J.，Park，H.：快速非负矩阵因式分解：一种类似活动集的方法和比较。SIAM科学杂志。计算。33(6), 3261-3281 (2011) ·Zbl 1232.65068号 ·数字对象标识代码：10.1137/10821172 [16] Kuang，D。；Choo，J。；帕克，H。；Celebi，ME（编辑），交互式主题建模和文档聚类的非负矩阵分解，215-243（2015），柏林·doi:10.1007/978-3-319-09259-1_7 [17] Kuang，D.，Park，H.：分层文档聚类的快速秩-2非负矩阵分解。摘自：第19届ACM SIGKDD国际知识发现和数据挖掘会议论文集，第739-747页。ACM（2013） [18] Kuang，D.，Park，H.，Ding，C.H.：图聚类的对称非负矩阵因式分解。摘自：SDM，第12卷，第106-117页。SIAM（2012年） [19] Kuang，D.，Yun，S.，Park，H.：SymNMF：用于图聚类的相似矩阵的非负低秩近似。环球杂志。最佳方案。62(3), 545-574 (2015). doi:10.1007/s10898-014-0247-2·Zbl 1326.90080号 ·doi:10.1007/s10898-014-0247-2 [20] Leskovec，J.，Krevl，A.：SNAP数据集：斯坦福大学大型网络数据集收集。http://snap.stanford.edu/data (2014) [21] Liu，J.、Wang，C.、Gao，J.和Han，J.：通过联合非负矩阵分解进行多视图聚类。摘自：《2013年SIAM数据挖掘国际会议论文集》，第252-260页。工业和应用数学学会（2013） [22] Liu，Y.，Niculescu-Mizil，A.，Gryc，W.：主题链接LDA：主题和作者社区的联合模型。摘自：《第26届国际机器学习年会论文集》，ICML'09，第665-672页。ACM，美国纽约州纽约市（2009年）。doi:10.1145/1553374.1553460 [23] Manning，C.D.，Raghavan，P.，Schütze，H.：信息检索导论。剑桥大学出版社，纽约（2008）·兹比尔1160.68008 ·doi:10.1017/CBO9780511809071 [24] 梅（Mei，Q.）、蔡（Cai，D.）、张（Zhang，D.）和翟（Zhai，C.）：网络正则化的主题建模。摘自：第17届万维网国际会议记录，WWW’08，第101-110页。ACM，美国纽约州纽约市（2008年）。doi:10.1145/1367497.1367512 [25] Nallapati，R.M.，Ahmed，A.，Xing，E.P.，Cohen，W.W.：文本和引文的联合潜在主题模型。摘自：第14届ACM SIGKDD知识发现和数据挖掘国际会议记录，KDD’08，第542-550页。ACM，美国纽约州纽约市（2008年）。数字对象标识代码：10.1145/1401890.1401957 [26] Ruan，Y.，Fuhry，D.，Parthasarathy，S.：使用内容和链接在大型网络中进行高效社区检测。摘自：《第22届万维网国际会议论文集》，WWW’13，第1089-1098页。瑞士日内瓦共和国和州国际万维网会议指导委员会（2013年） [27] Strehl，A.，Ghosh，J.：集群集合——用于组合多个分区的知识重用框架。J.马赫。学习。第3号决议，583-617（2003年）。doi:10.1162/153244303321897735·Zbl 1084.68759号 ·doi:10.1162/153244303321897735 [28] Sun，Y.，Aggarwal，C.C.，Han，J.：具有不完全属性的异构信息网络的关系强度感知聚类。程序。荷兰VLDB。5(5), 394-405 (2012). doi:10.14778/2140436.2140437·doi:10.14778/2140436.2140437 [29] Tang，J.，Wang，X.，Liu，H.：整合社交媒体数据进行社区检测。摘自：《2011年通用社交媒体建模与挖掘国际会议论文集》，MSM’11，第1-20页。施普林格，柏林，海德堡（2012）。doi:10.1007/978-3-642-33684-3 [30] Wang，X.，Tang，L.，Gao，H.，Liu，H.：发现社交媒体中的重叠群体。2010年IEEE数据挖掘国际会议，第569-578页（2010年）。doi:10.1109/ICDM.2010.48 [31] Wang，X.，Tang，L.，Liu，H.，Wang，L.:通过多分辨率重叠社区学习。知识。信息系统。36(2), 517-535 (2013). doi:10.1007/s10115-012-0555-0·doi:10.1007/s10115-012-0555-0 [32] Xu，Y.，Yin，W.，Wen，Z.，Zhang，Y.：非负因子矩阵补全的交替方向算法。前面。数学。中国7（2），365-384（2012）。doi:10.1007/s11464-012-0194-5·Zbl 1323.65044号 ·doi:10.1007/s11464-012-0194-5 [33] Yang，J.，Leskovec，J.：规模上的重叠社区检测：一种非负矩阵分解方法。摘自：第六届ACM网络搜索和数据挖掘国际会议记录，第587-596页。ACM（2013） [34] Yang，T.，Jin，R.，Chi，Y.，Zhu，S.：结合链接和内容进行社区检测：一种歧视性方法。摘自：第15届ACM SIGKDD知识发现和数据挖掘国际会议记录，KDD’09，第927-936页。ACM，美国纽约州纽约市（2009年）。数字对象标识代码：10.1145/1557019.1557120 [35] 周，D。；黄，J。；Schölkopf，B。；Schölkopf，B.（编辑）；Platt，JC（编辑）；Hoffman，T.（编辑），《超图学习：聚类、分类和嵌入》，第19期，1601-1608（2007），剑桥 此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。