CN105844080B - 一种模块化结构网络的介数计算方法 - Google Patents
一种模块化结构网络的介数计算方法 Download PDFInfo
- Publication number
- CN105844080B CN105844080B CN201610148436.4A CN201610148436A CN105844080B CN 105844080 B CN105844080 B CN 105844080B CN 201610148436 A CN201610148436 A CN 201610148436A CN 105844080 B CN105844080 B CN 105844080B
- Authority
- CN
- China
- Prior art keywords
- mrow
- node
- msub
- betweenness
- shortest path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种模块化结构网络的介数计算方法,包括以下步骤:步骤1:标注网络模块间的边和网关节点;步骤2:搜索并保存每个模块内的最短路径,传统方法计算模块内的节点及边介数并保存数据,标注每个模块内网关节点间的最短路径经过的节点及边;步骤3:组件中间层子网的ISN、搜索并保存中间层子网中网关节点间的最短路径;步骤4:以各模块及中间层子网已计算和保存的数据,计算来自不同模块节点间的介数。简化了介数的计算,提高了介数计算效率,且介数计算准确。
Description
技术领域
本发明涉及网络分析中的节点和边介数的计算,特别是模块化结构网络的介数计算方法。
背景技术
介数(Betweenness)包括点介数和边介数,用于测量图谱中节点(或边)在最短路径中的重要性,被定义为网络中所有最短路径中经过该节点(或边)的路径的数目占最短路径总数的比例,是分析网络的一种必备工具。其应用包括分析世界航空网络、社会网络、蛋白质网络、通信网络,评估电网脆弱性,及增强恶意攻击下电网鲁棒性等。
自1977年,弗里曼提出介数的概念(见文献[1]L.C.Freeman.A set of measuresof centrality based on betweenness.Sociometry,40(1):35-41,1977.即弗里曼.一套基于介数的中心测量.《计量社会学》,40(1):35-41,1977.)以来,不断有研究者提出介数计算方法。布兰德斯采用节点依存对提出一种针对大规模网络的更快速的介数算法(见文献[2]U.Brandes.A faster algorithm for betweenness centrality.Journal ofMathematical Sociology,25(2):163–177,2001.即,布兰德斯.一种更快速的介数中心算法.《数理社会学》,25(2):163–177,2001),纽曼采用相似的迭代进程提出了一种快速算法,并将其应用于分析科学合作网(见文献[3]M.E.J.Newman.Scientificcollaboration.II.shortest path,weighted networks,and centrality.PhysicalReview E,64(1):016132,2001.即纽曼.科学合作网络.II.最短路径,权重网络及中心.《物理评论E》,64(1):016132,2001)。如网络流介数算法(见文献[4]C.Freeman,S.Borgatti,and D.White.Centrality in valued graphs:A measure of betweenness based onnetwork flow.Social Networks,13(2):141-154,1991.即,弗里曼,博尔加蒂,怀特.价值图中心:一种基于网络流的介数测量方法.《社会网络》,13(2):141-154,1991.)、随机行走介数算法(见文献[5]M.E.J.Newman.A measure of betweenness centrality based onrandom walks.Social Networks,27(1):39-54,2005.即,纽曼.一种基于随机行走的介数中心测量方法.《社会网络》27(1):39-54,2005.)等一些变种的介数算法,都可以依据布兰德斯算法做小调整进行计算介数(见文献[6]U.Brandes.On variants of shortest-pathbetweenness centrality and their generic computation.Social Networks,30(2):136–145,2008.即,布兰德斯.最短路径介数中心变异及它们的通用计算.《社会网络》,30(2):136–145,2008.)。然而,上述所有传统的介数计算算法都基于网络图中的全局结构信息计算每个节点间的最短路径及介数,计算复杂度大;特别是针对大规模网(如电力网络、全球航空网络、Internet、及大型的在线社会网络等)的介数计算,花费巨大。事实上,已知的经典的最好最快的布兰德斯介数算法,运行时间为O(NM),其中N、M分别为网络的节点和边的总数目。
现实的大多数网络(如电力网络、通信网络、社会网络、航空网络及生物网络),都具有模块结构。模块也可称为社区、簇或群体,被典型地称为具有很多节点的子网,在这些子网内部节点连接紧密,而子网间连接稀疏。强连接(模块内部边)几乎不在其它不同社区节点间的最短路径上,而弱连接(模块间的边)连接各社区并位于更多的路径上。对于这些具有模块化结构的网络,使得利用其模块化结构的局部信息来简化网络介数的计算成为一种必要。
发明内容
有鉴于此,为克服已有网络介数的计算需要网络全局结构信息,复杂度大的不足,本发明提出一种针对模块化网络的仅需模块结构局部信息的、计算效率更高的介数计算方法。
本发明通过以下技术手段解决上述问题:
一种模块化结构网络的介数计算方法,包括以下步骤:
步骤1:网络模块间的边和网关节点的标注:
对已知模块化结构的网络,标注每条连接不同模块的边,并标注每条连接不同模块的边两端的节点为网关节点;如果网络的模块化结构事先未知,使用现有网络模块结构探测算法探测网络的模块化结构;
步骤2:每个模块内的最短路径搜索、介数计算、数据保存及节点标注:
以传统介数算法搜索每个模块内节点的最短路径并计算每个模块内节点及边介数,保存以网关节点为源节点的数据集:前驱表Ps(v)、从源节点开始的路径长度dGs(v)、从源节点开始到节点v的最短路数σs(v)、及介数依存度δs(v),标注来自不同模块的网关节点间最短路径经过的节点和边;
步骤3:中间层子网的组建、路径搜索及数据保存:
首先以步骤1中标注的网络模块间的边和网关节点和步骤2中标注的来自不同模块的网关节点间最短路径经过的节点和边组建中间层子网,然后搜索中间层子网的来自不同模块的网关节点间的最短路径,并保存以网关节点为源节点的数据集:前驱表Ps(v)、从源节点开始的路径长度dGs(v)、从源节点开始到节点v的最短路数σs(v);
步骤4:来自不同模块的节点间的介数计算:
以步骤2和步骤3中保存的各模块及中间层子网数据搜索来自不同模块内的节点间的最短路径,并计算该路径经过的节点和边的介数,当所有节点间的最短路径搜索及所有最短路径上的节点和边介数计算累加完,结束。
进一步地,步骤4的具体过程如下:
分解计算最短路径和所有最短路径上的节点和边的介数累加量:来自任意两个不同模块Ca、Cb的任意两个节点s、t间的最短路径长度dG(s,t)、所有最短路径上的节点v和边eu,v的介数累加量ΔVB(v),ΔEB(eu,v),可分解在Ca、ISN、Cb三个模块内求解:
dG(s,t)={dG(s,ga,i)+dG(ga,i,gb,j)+dG(gb,j,t)}min (1)
其中,s,ga,i∈Ca,ga,i,gb,j∈ISN,gb,j,t∈Cb,ga,i、gb,j分别为模块Ca、Cb的网关节点,i=1,2,…,n、j=1,2,…,m分别为模块Ca、Cb中的网关节点编号;
当节点v和边eu,v位于模块Ca时,这些节点和边的介数累加指数ΔVB(v),ΔEB(eu,v),分别为:
其中,σst、分别为网络中从节点s到t、s到ga,i、ga,i到gb,j、gb,j到t的最短路径的总条数,为从节点s到节点ga,i的最短路径通过节点v的条数占总的从节点s到节点ga,i的最短路径数的比例,为最短从节点s到节点ga,i的最短路径通过边eu,v的条数占总的从节点s到节点ga,i的最短路径数的比例;类似地,当节点或边位于ISN和Cb内时,相应的节点和边的介数累加指数ΔVB(v),ΔEB(eu,v)也可由相应的等式(4)和(5)得到;当所有节点间的最短路径搜索及所有最短路径上的节点和边介数计算累加完,结束。
本发明提出了一种构建中间层子网(ISN)的方法,同时,本发明利用网络的模块化结构和中间层子网(ISN),提出了一种分层分模块搜索网络最短路径并简化介数计算的方法,简化了介数的计算,提高了介数计算效率,且介数计算准确。
附图说明
图1是模块化结构网络的介数计算方法框图;
图2是中间层子网的组建关系示意图;
图3是二部图匹配示意图;
图4是来自不同模块的节点间的路径计算及节点和边介数的累加框图;
图5是计算后的节点介数示意图;
图6是计算后的边介数示意图;
图7是计算效率与网络模块数据的关系示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。
如图1所示,模块化结构网络的介数计算方法步骤如下:
步骤1:网络模块间的边和网关节点的标注,具体过程如下:
对已知模块化结构的网络G,标注每条连接不同模块的边,并标注每条连接不同模块的边两端的节点为网关节点;如果网络的模块化结构事先未知,使用现有网络模块结构探测算法探测网络的模块化结构;
步骤2:每个模块内的最短路径搜索、介数计算、数据保存及节点标注,具体过程如下:
以传统介数算法(如见文献[2]U.Brandes.A faster algorithm forbetweenness centrality.Journal of Mathematical Sociology,25(2):163–177,2001.即,布兰德斯.一种更快速的介数中心算法.《数理社会学》,25(2):163–177,2001)搜索每个模块内节点的最短路径并计算每个模块内节点及边介数,保存以网关节点为源节点的数据集:前驱表Ps(v)、从源节点开始的路径长度dGs(v)、从源节点开始到节点v的最短路数σs(v)、及介数依存度δs(v),标注来自不同模块的网关节点间最短路径经过的节点和边;
步骤3:中间层子网(ISN Intermediary Subnet)的组建、路径搜索及数据保存,具体过程如下:
如图2所示,首先以步骤1中标注的网络模块间的边和网关节点和步骤2中标注的来自不同模块的网关节点间最短路径经过的节点和边组建中间层子网。然后搜索中间层子网的来自不同模块的网关节点间的最短路径,并保存以网关节点为源节点的数据集:前驱表Ps(v)、从源节点开始的路径长度dGs(v)、从源节点开始到节点v的最短路数σs(v);
步骤4:来自不同模块的节点间的介数计算,具体过程如下:
来自任意两个不同模块Ca、Cb的任意两个节点s、t间的最短路径长度可分为以下三部分求解:
dG(s,t)={dG(s,ga,i)+dG(ga,i,gb,j)+dG(gb,j,t)}min (1)
其中,dG(s,t)为节点s和t间最短路径长度,dG(s,ga,i)为节点s和ga,i间最短路径长度,dG(ga,i,gb,j)为节点ga,i和gb,j间最短路径长度,dG(ga,i,gb,j)为节点gb,j和t间最短路径长度,ga,i、gb,j分别为模块Ca、Cb的网关节点,i=1,2,…,n、j=1,2,…,m分别为模块Ca、Cb中的网关节点编号。
如图3所示,将源节点s到目的节点t的最短路径问题可转化为一个无向的由二部(GVa,GVb)组成的二部图匹配问题,并有任意一个匹配均满足等式(1)。假设这个二部图GV的匹配集S包含有X个元素,很显然,X的值位于0与nm之间,其中nm是完全匹配时的匹配数,如果从源节点s到目的节点t的最短路径存在,则X的值远大于0。假设xk={ga,i,gb,j}是匹配集S中的任意一个匹配,从源节点s到目的节点t的并且经过xk的最短路径数σst(xk)可获得如下:
其中分别为网络中从节点s到t、s到ga,i、ga,i到gb,j、gb,j到t的最短路径的总条数,从节点ga,i到节点t的最短路径通过节点gb,j的条数占总的从节点s到节点ga,i的最短路径数的比例。这样,从源节点s到目的节点t的最短路径总条数可得:
相应地,对那些经过从源节点s到目的节点t且经过的任性匹配的xk的最短路径的节点和边来说,它们的介数计算可划分为三个部分:第一部分是从s到ga,i,第二部分为ga,i到gb,j,第三部分gb,j到t。节点v和边eu,v位于位于第一部分时,这些节点和边的介数累加指数ΔVB(v),ΔEB(eu,v),分别为:
类似地,当节点或边位于第二部分和第三部分时,相应的节点和边的介数累加指数ΔVB(v),ΔEB(eu,v)也可由相应的等式(4)和(5)得到。
特别地,网关节点的累加的介数中心指数ΔVB(ga,i)和ΔVB(gb,j),从等式(3)和(4)可推出如下:
当遍历完整个匹配集后,这个阶段的那些位于从源节点s到目的节点t的最短路径上的节点和边,其介数累加也完成了。
终止条件:当所有节点间的最短路径搜索及所有最短路径上的节点和边介数计算累加完,结束。
以中国河南省220KV以上电力***网络为例,进一步说明本发明。该网络由310各节点和932条边组成,节点代表发电站或传输站点,边代表这些节点间的联络线。
图5和图6分别为该网络中每个点和边介数计算结果,本发明的模块化网络的介数计算方法与传统计算方法的计算结果是一致的。
如图7所示,在该网络规模(节点及边的数目)不变的情况下,随着划分的电力模块数目增大,本发明的模块化网络的介数计算方法的计算时间越来越小;当电力模块数达到最大的数目9时,传统的方法的计算时间为1031ms,本发明的模块化网络的介数计算方法的计算时间为497ms,计算效率提高了51.8%。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (2)
1.一种模块化结构网络的介数计算方法,其特征在于,包括以下步骤:
步骤1:网络模块间的边和网关节点的标注:
对已知模块化结构的网络,标注每条连接不同模块的边,并标注每条连接不同模块的边两端的节点为网关节点;如果网络的模块化结构事先未知,使用现有网络模块结构探测算法探测网络的模块化结构;
步骤2:每个模块内的最短路径搜索、介数计算、数据保存及节点标注:
以介数算法搜索每个模块内节点的最短路径并计算每个模块内节点及边介数,保存以网关节点为源节点的数据集:前驱表Ps(v)、从源节点开始的路径长度dGs(v)、从源节点开始到节点v的最短路数σs(v)及介数依存度δs(v),标注来自不同模块的网关节点间最短路径经过的节点和边;
步骤3:中间层子网的组建、路径搜索及数据保存:
首先以步骤1中标注的网络模块间的边和网关节点和步骤2中标注的来自不同模块的网关节点间最短路径经过的节点和边组建中间层子网,然后搜索中间层子网的来自不同模块的网关节点间的最短路径,并保存以网关节点为源节点的数据集:前驱表Ps(v)、从源节点开始的路径长度dGs(v)及从源节点开始到节点v的最短路数σs(v);
步骤4:来自不同模块的节点间的介数计算:
以步骤2和步骤3中保存的各模块及中间层子网数据搜索来自不同模块内的节点间的最短路径,并计算该路径经过的节点和边的介数,当所有节点间的最短路径搜索及所有最短路径上的节点和边介数计算累加完,结束。
2.根据权利要求1所述的模块化结构网络的介数计算方法,其特征在于,步骤4的具体过程如下:
分解计算最短路径和所有最短路径上的节点和边的介数累加量:来自任意两个不同模块Ca、Cb的任意两个节点s、t间的最短路径长度dG(s,t)、所有最短路径上的节点v和边eu,v的介数累加量ΔVB(v),ΔEB(eu,v),可分解在Ca、ISN、Cb三个模块内求解:
dG(s,t)={dG(s,ga,i)+dG(ga,i,gb,j)+dG(gb,j,t)}min (1)
其中,s,ga,i∈Ca,ga,i,gb,j∈ISN,gb,j,t∈Cb,ga,i、gb,j分别为模块Ca、Cb的网关节点,i=1,2,…,n、j=1,2,…,m分别为模块Ca、Cb中的网关节点编号;
当节点v和边eu,v位于模块Ca时,这些节点和边的介数累加指数ΔVB(v),ΔEB(eu,v),分别为:
<mrow>
<mi>&Delta;</mi>
<mi>V</mi>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&sigma;</mi>
<mrow>
<msub>
<mi>sg</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>&sigma;</mi>
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>g</mi>
<mrow>
<mi>b</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</msub>
<msub>
<mi>&sigma;</mi>
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>b</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mi>t</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&Delta;</mi>
<mi>E</mi>
<mi>B</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>e</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&sigma;</mi>
<mrow>
<msub>
<mi>sg</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>e</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>&sigma;</mi>
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>g</mi>
<mrow>
<mi>b</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</msub>
<msub>
<mi>&sigma;</mi>
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>b</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mi>t</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,σst、分别为网络中从节点s到t、ga,i到gb,j、gb,j到t的最短路径的总条数,为从节点s到节点ga,i的最短路径通过节点v的条数占总的从节点s到节点ga,i的最短路径数的比例,为最短从节点s到节点ga,i的最短路径通过边eu,v的条数占总的从节点s到节点ga,i的最短路径数的比例;类似地,当节点或边位于ISN和Cb内时,相应的节点和边的介数累加指数ΔVB(v),ΔEB(eu,v)也可由相应的等式(4)和(5)得到;当所有节点间的最短路径搜索及所有最短路径上的节点和边介数计算累加完,结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610148436.4A CN105844080B (zh) | 2016-03-16 | 2016-03-16 | 一种模块化结构网络的介数计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610148436.4A CN105844080B (zh) | 2016-03-16 | 2016-03-16 | 一种模块化结构网络的介数计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105844080A CN105844080A (zh) | 2016-08-10 |
CN105844080B true CN105844080B (zh) | 2018-05-08 |
Family
ID=56587185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610148436.4A Active CN105844080B (zh) | 2016-03-16 | 2016-03-16 | 一种模块化结构网络的介数计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844080B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108462632B (zh) * | 2016-12-09 | 2020-07-14 | 湖南工程学院 | 一种有向复杂网络的主干路径提取方法 |
CN113763713B (zh) * | 2021-11-10 | 2022-04-19 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路网瓶颈路段发掘与管理方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1976160A (zh) * | 2006-12-08 | 2007-06-06 | 浙江大学 | 一种大型电力***脆弱线路辨识的方法 |
CN102662956A (zh) * | 2012-03-05 | 2012-09-12 | 西北工业大学 | 一种基于用户话题链接行为的社交网络意见领袖识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10402194B2 (en) * | 2013-09-20 | 2019-09-03 | Infosys Limited | Systems and methods for extracting cross language dependencies and estimating code change impact in software |
-
2016
- 2016-03-16 CN CN201610148436.4A patent/CN105844080B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1976160A (zh) * | 2006-12-08 | 2007-06-06 | 浙江大学 | 一种大型电力***脆弱线路辨识的方法 |
CN102662956A (zh) * | 2012-03-05 | 2012-09-12 | 西北工业大学 | 一种基于用户话题链接行为的社交网络意见领袖识别方法 |
Non-Patent Citations (7)
Title |
---|
"a faster algorithm for betweenness centrality";Ulrik Brandes;《Journal of Mathematical Sociology》;20011231;第25卷(第2期);第163-177页 * |
"A measure of betweenness centrality based on random walks";M.E.J.Newman;《social networks》;20050131;第27卷(第1期);第39-54页 * |
"Fast centrality approximation in modular networks";Shu YanChan etal;《Acm International Workshop on Complex Networks Meet Information & Knowledge Management》;20091231;第31-38页 * |
"Leveraging network structure in centrality evaluation of large scale networks";Sima das etal;《2015 IEEE 40th conference on Local computer networks (LCN)》;20151029;第579-586页 * |
"On variants of shortest-path betweenness centrality and their generic computation";U Brandes;《social networks》;20080531;第30卷(第2期);第136-145页 * |
"介数中心性和平均最短路径长度整合近似算法";何宇 等;《复杂***与复杂性科学》;20110915;第8卷(第3期);第44-53页 * |
"社交网络介数中心度快速更新算法";杨建祥 等;《第29届中国数据库学术会议》;20121014;第49卷;第243-249页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105844080A (zh) | 2016-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gong et al. | Evolution of social-attribute networks: measurements, modeling, and implications using ***+ | |
US9075734B2 (en) | Method for updating betweenness centrality of graph | |
CN107683586A (zh) | 用于异常检测中的计算基于小区密度的稀有度的方法和装置 | |
CN105844080B (zh) | 一种模块化结构网络的介数计算方法 | |
Yang et al. | Identifying the most influential spreaders in complex networks by an Extended Local K-Shell Sum | |
Xia et al. | Effectively identifying the influential spreaders in large-scale social networks | |
CN107395440A (zh) | 基于复杂网络的互联网拓扑探测节点优化部署方法 | |
Shao et al. | Identifying influential nodes in complex networks based on Neighbours and edges | |
CN112989526B (zh) | 一种基于核极限学习机的航空网络关键节点识别方法 | |
CN107016459A (zh) | 一种基于网络社区信息的点到点最短路径计算方法 | |
Liu et al. | Mean first-passage time and robustness of complex cellular mobile communication network | |
Dees et al. | Graph theory for metro traffic modelling | |
CN113824707A (zh) | 一种基于知识图谱的网站性能拨测度量方法和装置 | |
WO2016086634A1 (zh) | 一种拒绝率可控的Metropolis-Hastings图抽样算法 | |
CN105719190A (zh) | 一种基于三角结构的社会网络节点影响力度量方法 | |
CN111464327A (zh) | 一种基于图卷积网络的空间信息网络抗毁性评估方法 | |
CN103957114A (zh) | 一种基于变异系数的网络抗毁性评估方法 | |
Li et al. | Dynamic trustworthiness overlapping community discovery in mobile internet of things | |
Huang et al. | Identify influential social network spreaders | |
CN106296420A (zh) | 一种社区发现方法 | |
Fu et al. | Using global diversity and local features to identify influential social network spreaders | |
Xie et al. | Two heuristic algorithms for the minimum weighted connected vertex cover problem under greedy strategy | |
Adachi et al. | Distributed optimal estimation with scalable communication cost | |
CN106611039A (zh) | 一种混合求解本体概念语义相似度的计算方法 | |
Wang | An improved complex network community detection algorithm based on k-means |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |