.png){kind=icon}
返回
GTSDC: A Graph Theory Subspace-Based Analytical Algorithm for User Behavior
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14102049.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
校园网络中多模态行为数据的指数级增长给聚类分析带来了显著挑战，包括高维性、冗余性和属性异质性，导致现有方法的准确性下降。为解决这些问题，本研究提出了一种基于图论的子空间深度聚类框架，该框架结合了深度稀疏自编码器（DSAE）和基于归一化割的图划分方法。首先，设计了一个四层DSAE，在提取判别特征的同时施加稀疏约束，有效降低数据维度并抑制噪声。其次，将精炼的子空间表示转化为相似性图，通过归一化割优化平衡簇内凝聚力和簇间分离度，将用户划分为一致的行为聚类。在三个数据集USER_DATA、MNIST和COIL20上的实验验证证明了GTSDC的优越性。其在USER_DATA上达到91%的准确率，比传统算法（如CLIQUE、K-means）高出120%，比先进方法（如深度子空间聚类）高出15%。该框架不仅通过行为感知分析增强了网络资源分配，还为个性化教育服务奠定了基础。本研究弥合了图论与深度学习之间的差距，为高维行为模式识别提供了可扩展的解决方案。简而言之，该新算法能更准确地分析校园网络中的用户行为，帮助高校更好地分配网络资源（如确保在线课程流畅），并能根据用户行为模式为学生提供个性化教育服务。
Keyword:
campus network
graph theory subspace
user behavior
deep sparse auto-encoder
cluster
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
分享收藏A Study of Recommendation Methods Based on Graph Hybrid Neural Networks and Deep Crossing基于图混合神经网络和Deep Crossing的推荐方法研究.png)
ElectronicsOAAI
ElectronicsIF0
OAAI分享收藏
查看更多内容