CN106886524A - 一种基于随机游走的社会网络社区划分方法 - Google Patents
一种基于随机游走的社会网络社区划分方法 Download PDFInfo
- Publication number
- CN106886524A CN106886524A CN201510938101.8A CN201510938101A CN106886524A CN 106886524 A CN106886524 A CN 106886524A CN 201510938101 A CN201510938101 A CN 201510938101A CN 106886524 A CN106886524 A CN 106886524A
- Authority
- CN
- China
- Prior art keywords
- node
- community
- label
- network
- similarity
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005295 random walk Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 238000010586 diagram Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 8
- 230000033228 biological regulation Effects 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 238000001027 hydrothermal synthesis Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000000644 propagated effect Effects 0.000 abstract description 3
- 238000009412 basement excavation Methods 0.000 abstract description 2
- 230000006854 communication Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 9
- 235000005156 Brassica carinata Nutrition 0.000 description 6
- 244000257790 Brassica carinata Species 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005354 coacervation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000009474 immediate action Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于随机游走的社会网络社区划分方法,涉及社会网络领域。发明解决了传统标签算法在标签更新过程中随机性过大的问题。首先,引入随机游走思想,计算得到一种衡量网络节点间相似度的矩阵;其次,标签传播过程中,当邻居节点中标签出现频率存在多个最高时,不是随机选择,而是选择相似度最高的邻居节点所拥有的标签更新,避免了标签在社区之间任意传播;最后,用真实网络和人工基准网络测试,结果表明在社区发现中该算法比原始算法取得更好的表现。根据本发明实施例的社会网络群体划分方法,根据个体关系相似度属性,通过改进标签传播算法,对用户群体进行划分,划分结果对网络舆情监测、商业用户挖掘等都具有较好的应用价值。
Description
技术领域
本发明涉及社会网络领域,是一种基于随机游走的社会网络社区划分方法。
背景技术
根据网络节点的连接关系可以将其划分为若干社区,社区内部节点连接相对紧密,社区间连接则较为稀疏。社区发现对于网络舆情监测、安全预警、电子商务等有非常重要的应用价值。如聊天软件推荐的好友都归属同一社区,购物网站向不同社区的用户推荐不同风格的商品,公安***监测邪教社区“游行”等词语频率升高时立即采取行动。对社区发现的研究,可以获取大量可靠有价值的信息。
社区发现的研究近年来取得了相当大的进展,很多学者提出了新理论和新方法。这些方法主要可以分为四类:图分割方法、W-H算法、层次聚类法以及标签传播算法。图分割方法通常应用于计算机领域,它基于迭代对分技术:每次划分都将网络分为最优的两个子图,子图再继续迭代对分,直至数量达到要求。图分割法大体可以分为两类:基于拉普拉斯矩阵的谱平分法和Kerninghan-Lin算法。其缺点是每次只能将网络对分,为了获取结果需要不断迭代。为解决这一问题,Wu和Huberman提出了W-H算法:选取不同社区的两个节点,分别设为电压为1的初始点和电压为0的终结点,将每条边阻值设为1,其他节点会得到不同的电压值。将电压值相似的节点划分到同一社区。W-H算法缺点是在划分前必须知道社区结构的部分先验信息,以保证初始点和终结点不在同一社区。层次聚类法是根据节点间的连接关系和相似程度来划分社区,该方法又可以分为凝聚法和***法。代表算法分别为G-N算法和Newman快速算法,但由于社区中存在很多相似度极低的点,层次聚类法往往忽略这些节点,最终结果难以令人满意。标签传播算法(Label Propagation Algorithm,LPA)与前几类方法相比,不需要知道网络结构或者先验社区结构,仅依赖于网络的传播特性,具有线形的时间复杂度,社区划分效率很高。引起了国内外学者的广泛关注。其时间复杂度接近于线性O(m)(m为边的数目),对于较大规模的社区(106-109个节点)检测,经过5次迭代后开始收敛。另外,标签传播算法既不需要优化预定义的目标函数,也不需要关于社区的数量和规模等先验信息,对社区的大小也没有限制,因此标签传播算法已经成为当前应用较为广泛的社区发现算法之一,被大量应用在了多媒体信息分类、虚拟社区挖掘等领域中。
标签传播算法准确高效,但传播过程中,当节点邻居中标签出现频率存在多个最高时,会平等的对待每一个节点,随机选取一个最高标签,这种随机性导致标签在不同社区之间的传播,社区划分结果不稳定,随机性较强,鲁棒性有待提高。综上所述,现有的社区发现方法在准确度和时间复杂度上都存在很大的提升空间。
发明内容
本发明的目的在于提供一种基于随机游走的社会网络社区划分方法,该方法有利于提高网络社区划分的精确度和稳定性能。
为实现上述目的,本发明的技术方案是:一种基于随机游走的社会网络社区划分方法,包括以下步骤:
步骤A:读取社会网络数据,构造以网络个体为节点、个体之间相互关系为边的社交网络图;
步骤B:随机游走算法改进,根据改进后的叠加算法计算节点相似度矩阵;
步骤C:初始化社区:打乱节点顺序,为每一个用户节点分配一个标签值,标签值标识节点所属社区;
步骤D:标签更新,计算节点x的邻接节点中各标签出现频率,将x的标签更新为:出现频率最高的标签,若标签频率存在多个最高,则比较邻接节点的相似度矩阵中该节点所在行的相似值,选取相似度最大的节点所拥有的标签进行更新,若存在多个最大相似值,则随机选取一个;
步骤E:判断是否满足停止条件:达到规定的迭代次数或者若干次迭代后标签值达到稳定。否则,返回步骤2继续更新标签;
步骤F:将所有具有相同标签的节点归为一个社区;
进一步,在上述步骤B中,对随机游走算法改进如下:传统随机游走算法中,只存在1个随机行走者walker,由于随机游走的马尔科夫性质,最终获得的相似度会存在很大的不确定性,为消除误差,改进算法在给定的时间段t内以Δt=1接连不断的释放t个walker。
进一步,在上述步骤B中,对随机游走相似度的计算提出了新的计算公式:
将社交网络图抽象为一个简单的无向图,G(N,E),其中,N表示节点的集合,E表示边的集合;
用Pxy表示walker从节点x出发,游走一步到达y的概率:
kx是节点x的度,axy是邻接矩阵中对应值;
用πxy(t)表示walker从节点x出发游走t步之内到达y的概率;πxy(t)可以通过一步转移矩阵递推得到,πx(t)是π(t)矩阵第x列的列矩阵;πxy(t)是πx(t)矩阵第y行的值。πx(0)是一个n*1维的矢量,第x个值为1,
πx(t)=PTπx(t-1)
PT是矩阵P的转置;
用表示节点x和y之间的随机游走相似度。计算公式如下:
其中|E|是网络中节点间的连接总数;
对于一个固定的网络来说,其总边数|E|是固定的,因此在计算过程中,2|E|可以被忽略。为此在步骤B相似度求解过程中提出了省略的OLRW相似度:
以上相似度的计算都是基于单个walker进行的,对于改进后稳定性较高的叠加随机游走算法,叠加后的OSRW相似度计算公式如下:
进一步,在上述步骤C中,为保证标签在初始状态分配时各节点的平等性和更新过程中的随机性,首先打乱节点顺序,而后为每一个用户节点分配一个标签值,即Cn=Ln,Cn表示节点n所属社区,Ln表示节点n的标签值。
进一步,在上述步骤D中,节点标签值更新具体过程为:对图中所有顶点迭代更新,将节点的标签值更新为其邻接节点的标签中数量最多的标签值;若标签出现频率存在多个最高,选取相似度最大的节点所拥有的标签进行更新,若存在多个最大相似值,则随机选取一个。
进一步,上述步骤E中,迭代终止条件为达到规定的迭代次数或者网络各节点标签不再发生变化。
附图说明
图1为本发明方法的实现流程图。
图2为不同步数t对社区划分准确度的影响。采用本发明方法(用RWLPA表示)在节点数为500,混合参数μ=0.6的条件下,对t取不同值时,社区划分的准确度进行验证。μ表示不同社区之间的节点中有连边的部分)的取值变化对比图。
图3为不同步数t对社区划分准确度的影响。采用本发明方法(用RWLPA表示)在节点数为500,混合参数μ=0.65的条件下,对t取不同值时,社区划分的准确度进行验证。μ表示不同社区之间的节点中有连边的部分)的取值变化对比图。
图4为采用原始标签传播算法(由LPA表示)对Zachary′s karate club数据集划分结果示意图。
图5为采用本发明方法(由RWLPA表示)对Zachary′s karate club数据集划分结果示意图。
图6为采用本发明方法(由RWLPA表示)和标签传播算法(由LPA表示)在250个节点的基准网络中,在网络中节点的平均度数<k>=15、度数的最大值maxk=50条件下,两种算法运行100次的平均NMI值随混合参数μ(μ∈[0,0.90])的取值变化对比图。
图7为采用本发明方法(由RWLPA表示)和标签传播算法(由LPA表示)在500个节点的基准网络中,在网络中节点的平均度数<k>=15、度数的最大值maxk=50条件下,两种算法运行100次的平均NMI值随混合参数μ(μ∈[0,0.90])的取值变化对比图。
图8为采用本发明方法(由RWLPA表示)和标签传播算法(由LPA表示)在750个节点的基准网络中,在网络中节点的平均度数<k>=15、度数的最大值maxk=50条件下,两种算法运行100次的平均NMI值随混合参数μ(μ∈[0,0.90])的取值变化对比图。
图9为采用本发明方法(由RWLPA表示)和标签传播算法(由LPA表示)在1000个节点的基准网络中,在网络中节点的平均度数<k>=15、度数的最大值maxk=50条件下,两种算法运行100次的平均NMI值随混合参数μ(μ∈[0,0.90])的取值变化对比图。
具体实施方式
以下结合附图,对本发明上述的特征和优点作更加详细的说明。
图1是本发明一种基于随机游走的社会网络社区划分方法。如图1所示,所述方法包括以下步骤:
步骤A:读取社会网络数据,构造以个体为节点,个体之间关系为边的社交网络图。
如在微博社交网络中,将每一个用户作为网络中的一个节点,以用户中具有相同特征或观点的作为网络的一条边。于是,形成了许多具有相同特征的社区,这对网络舆情监测具有重要的意义;万维网中,如果知道某些网页的少量信息,就可以与其他网页组成有关系的连边,这对搜索引擎是非常有用的;科学家协作网中,将每个作者作为一个节点,两个作者合作文章即产生一条连边,形成庞大的协作网络。
在本实施例中,采用由不同的节点数、节点度数和混合参数组成的4种基准网络。其中,混合参数μ代表社区网络的社区结构的明显程度,μ值越小社区结构越明显。
步骤B:计算节点间相似度矩阵。
如在微博社交网络中,如果随机游走的walker在行走时在指定的时间段内,从用户A到达用户B的概率越高,相似度就越大,两用户最终属于同一个社区的可能性越大。
步骤C:初始化社区,标记节点;为每个节点分配一个代表其所属社区的标签,迭代次数t=1。
具体的,在所述步骤C中,为每个节点分配一个代表其所属社区的标签具体过程为,即Cn=Ln,Cn表示节点n所属社区,Ln表示节点n的标签值。
步骤D:标签开始迭代更新,标签出现频率存在多个最高时,依据相似度矩阵进一步划分。
步骤E:判断是否满足停止条件。
具体的,在所述步骤D中,节点标签更新具体包括以下步骤:
步骤D1:对于节点序列X中的每一个节点x,用它邻居节点标签中出现频率最高的那个标签来更新该节点的标签,假设节点x的k个邻居节点分别是x1,x2,...,xk,第t次时迭代节点x的标签依据于它邻居节点中所有经过了t次迭代后节点的标签及其它经过了第t-1次迭代节点后所得到的标签,节点x的标签更新公式为:其中函数g返回的是节点x的邻居节点标签中频率最高的标签。
步骤D2:如果多个标签出现的频率最高时,查找拥有最高标签的节点与被更新节点之间的相似度,选择最相似的节点拥有的标签进行更新。
步骤E:若所有节点的标签不再变化,则算法停止;否则,t=t+1,并返回步骤E。
具体的,在所述步骤F中,当达到指定的迭代次数时,算法也将停止。
步骤F:将所有具有相同标签的顶点归为一个社区。
在本实施例中首先通过真实网络数据集来验证算法的有效性。在Zachary′skarate club数据集进行验证Karate数据集包括美国一个空手道俱乐部中的34个成员,78个成员联系。这34个成员由于两位领导相互之间的矛盾产生了***,成为两个派别。用模块度Q作为评价指标,实验运行100次,用平均值尽量消除误差。Q定义如下:
公式中|E|代表无向图总边数,Aij为邻接矩阵,ki为节点i的度数,节点i与j在同一社区时δ=1,反之δ=0。计算划分后社区的模块度,RWLPA算法划分的Q值为0.3916,LPA算法划分的Q值为0.3896。本发明的效果优于传统算法。
其次,考察本发明与标签传播算法在4种不同参数条件下的基准网络中,随着混合参数μ的取值变化,各运行100次的平均NMI值对比图。其中,NMI(normalized mutualinformation)值是判断实验划分结果与实际真实结果的接近程度的评判依据。具体规则详细如下:
其中,定义一个混淆矩阵N,行数代表真实社区,列数代表已发现社区,Nij代表真实社区i中的节点在已发现社区j中所占的节点个数,cA代表真实社区的数量,cB代表已发现社区的数量,Ni代表矩阵Nij中i行的总和,Nj代表j列的总和。
本发明所述的一种基于随机游走的社会网络社区划分方法,将社区划分过程为读取社会网络数据、计算节点相似度矩阵、初始化社区、标签更新、划分社区五个阶段,首先读取社会网络数据,构造以个体为节点、个体之间相互关系为边的社交网络图;构造节点间相似度矩阵;随机排列所有的节点,为网络图中的每个节点分配一个代表其所属社区的标签,迭代次数t=1;节点标签更新,对于节点序列中每一个节点x,用它邻居节点标签中出现频率最高的那个标签来更新该节点的标签,如果多个标签出现的频率最高时,查找相似度矩阵,找到与被更新节点最相似的节点拥有的标签进行更新。若所有节点的标签不再发生变化或者达到规定的迭代次数,则算法停止;最后,将所有具有相同标签的顶点归为一个社区。标签传播算法在标签更新的过程中存在很大的随机性,影响了社区划分结果的准确性。本发明从抑制标签传播的随机性入手,引入随机游走思想,基于随机游走的距离公式定义了一种新的相似度计算方法,构建节点间的相似度矩阵。在标签传播的过程中,当节点邻居中标签频率出现多个最高时,不再随机选定,而是选择最相似的节点所拥有的标签进行更新,有效防止了节点在社区之间的任意传播,提高了社区划分的准确度。在本发明中,存在一个参数t,该参数的选取对实验结果产生不同的影响,为此选取了2个不同参数条件下的基准网络对t的取值进行验证,实验证明在3≤t≤8时,社区划分结果更为准确。为了证明本发明方法的优势,实施例选取了真实网络和人工基准网络分别进行验证,对Zachary′skarate club数据集划分的结果显示,划分后的模块度高于传统LPA算法,划分结果更为优秀。对4个不同参数条件下的基准网络进行测试,网络参数各异,结果如图6、图7、图8、图9所示。当混合参数μ取值在0到0.9范围内时,本发明方法的NMI值结果总体优于传统标签传播算法。上述实施例表明RWLPA从很大程度上限制了标签传播的随意性,大大提高了社区发现算法的准确率。综上,本发明方法大大提高了原有社区发现算法的准确率,可有效挖掘社会网络中的社区结构,可以应用于网络舆情监测、搜索引擎等不同规模的领域。
以上所述仅为本发明的较佳实施例,在发明权利要求所限定的范围内对其进行的改变、修改、甚至等效,都将属于本发明的保护范围内。
Claims (6)
1.一种基于随机游走的社会网络社区划分方法,其特征在于,所述方法包括以下步骤:
步骤A:读取社会网络数据,构造以网络个体为节点、个体之间相互关系为边的社会网络图;
步骤B:随机游走算法改进,根据改进后的叠加算法计算节点相似度矩阵;
步骤C:初始化社区:打乱节点顺序,为每一个用户节点分配一个标签值,标签值标识节点所属社区;
步骤D:标签更新,计算节点x的邻接节点中各标签出现频率,将x的标签更新为:出现频率最高的标签,若标签频率存在多个最高,则比较邻接节点的相似度矩阵中该节点所在行的相似值,选取相似度最大的节点所拥有的标签进行更新,若存在多个最大相似值,则随机选取一个;
步骤E:判断是否满足停止条件:达到规定的迭代次数或者若干次迭代后标签值达到稳定;否则,返回步骤2继续更新标签;
步骤F:将所有具有相同标签的节点归为一个社区。
2.根据权利要求1所述的一种基于随机游走的社会网络社区划分方法,其特征在于:
在上述步骤B中,原始随机游走算法中只存在一个游走的walker,结果不稳定。为消除随机游走过程中的随机性造成的误差,在给定的时间段t内以Δt=1接连不断的释放walker,直至第一个被释放的walker步数为t,根据改进的算法求得两节点间相似度。
3.根据权利要求1所述的一种基于随机游走的社会网络社区划分方法,其特征在于:
在上述步骤B中,对随机游走相似度的计算提出了新的衡量标准;相似度矩阵第x行第y列的值axy表示节点x和节点y的相似程度,其值越大,代表这两个节点所代表的个体在同一个社区的可能性越大,对于步骤A中构造的社交网络图,抽象成一个简单的无向图G(N,E),其中,N表示节点的集合,E表示边的集合;节点之间相似度的具体求解过程如下:
用Pxy表示walker从节点x出发,游走一步到达y的概率:
kx是节点x的度,axy是邻接矩阵中对应值;用πxy(t)表示walker从节点x出发游走t步之内到达y的概率;πxy(t)可以通过一步转移矩阵递推得到,πx(t)是π(t)矩阵第x列的列矩阵;πxy(t)是πx(t)矩阵第y行的值。πx(0)是一个n*1维的矢量,第x个值为1,PT是矩阵P的转置;
πx(t)=PTπx(t-1)
用表示节点x和y之间的随机游走相似度,计算公式如下:
其中|E|是网络中节点间的连接总数;
对于一个固定的网络来说,其总边数|E|是固定的,因此在计算过程中,2|E|可以被忽略。为此在步骤B相似度求解过程中提出了省略的OLRW相似度:
以上相似度的计算都是基于单个walker进行的,对于改进后稳定性较高的叠加随机游走算法,叠加后的OSRW相似度计算公式如下:
4.根据权利要求1所述的一种基于随机游走的社会网络社区划分方法,其特征在于:
在上述步骤C中,为保证标签在初始状态分配时各节点的平等性和更新过程中的随机性,首先打乱节点顺序,而后为每一个用户节点分配一个标签值,即Cn=Ln,Cn表示节点n所属社区,Ln表示节点n的标签值。
5.根据权利要求1所述的一种基于随机游走的社会网络社区划分方法,其特征在于:
在上述步骤D中,节点标签值更新具体过程为:对图中所有顶点迭代更新,将节点的标签值更新为其邻接节点的标签中数量最多的标签值;若标签出现频率存在多个最高,选取相似度最大的节点所拥有的标签进行更新,若存在多个最大相似值,则随机选取一个。
6.根据权利要求1所述的一种基于随机游走的社会网络社区划分方法,其特征在于:
上述步骤E中,迭代终止条件为达到规定的迭代次数或者社交网络各节点标签不再发生变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510938101.8A CN106886524A (zh) | 2015-12-15 | 2015-12-15 | 一种基于随机游走的社会网络社区划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510938101.8A CN106886524A (zh) | 2015-12-15 | 2015-12-15 | 一种基于随机游走的社会网络社区划分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106886524A true CN106886524A (zh) | 2017-06-23 |
Family
ID=59173836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510938101.8A Pending CN106886524A (zh) | 2015-12-15 | 2015-12-15 | 一种基于随机游走的社会网络社区划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106886524A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609063A (zh) * | 2017-08-29 | 2018-01-19 | 重庆邮电大学 | 一种多标签分类的手机应用推荐***及其方法 |
CN107862618A (zh) * | 2017-11-06 | 2018-03-30 | 郑州云海信息技术有限公司 | 一种基于标签传播算法的社区发现方法和装置 |
CN107870978A (zh) * | 2017-09-30 | 2018-04-03 | 上海壹账通金融科技有限公司 | 关系网络拓扑方法及应用服务器 |
CN108133234A (zh) * | 2017-12-21 | 2018-06-08 | 广东工业大学 | 基于稀疏子集选择算法的社区检测方法、装置及设备 |
CN109657160A (zh) * | 2018-12-29 | 2019-04-19 | 中国人民解放军国防科技大学 | 基于随机游走访问频数的入度信息估计方法及*** |
CN109784636A (zh) * | 2018-12-13 | 2019-05-21 | 中国平安财产保险股份有限公司 | 欺诈用户识别方法、装置、计算机设备及存储介质 |
CN110033036A (zh) * | 2019-04-04 | 2019-07-19 | 厦门小圈网络科技有限公司 | 一种基于圈子的社交关系分类方法 |
CN110110154A (zh) * | 2018-02-01 | 2019-08-09 | 腾讯科技(深圳)有限公司 | 一种图文件的处理方法、装置及存储介质 |
CN110377822A (zh) * | 2019-06-25 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 用于网络表征学习的方法、装置及电子设备 |
CN110399595A (zh) * | 2019-07-31 | 2019-11-01 | 腾讯科技(成都)有限公司 | 一种文本信息标注的方法以及相关装置 |
CN111523918A (zh) * | 2019-02-02 | 2020-08-11 | 北京极智嘉科技有限公司 | 商品聚类的方法、装置、设备和存储介质 |
CN111597665A (zh) * | 2020-05-15 | 2020-08-28 | 天津科技大学 | 一种基于网络分区的层次网络嵌入方法 |
CN111667373A (zh) * | 2020-06-08 | 2020-09-15 | 上海大学 | 基于邻居子图社交网络动态增量的演化社区发现方法 |
CN112465301A (zh) * | 2020-11-06 | 2021-03-09 | 山东大学 | 一种基于差分隐私机制的边缘智能电网协作决策方法 |
CN112926999A (zh) * | 2021-03-26 | 2021-06-08 | 东南大学 | 一种大宗商品交易平台关联监管范围的自适应推荐方法与*** |
CN112989209A (zh) * | 2021-05-10 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置和存储介质 |
CN113011471A (zh) * | 2021-02-26 | 2021-06-22 | 山东英信计算机技术有限公司 | 一种社交群体的划分方法、划分***及相关装置 |
CN113609880A (zh) * | 2021-07-06 | 2021-11-05 | 燕山大学 | 一种离群错置rfid标签的识别方法及实现所述方法的*** |
CN113723583A (zh) * | 2021-08-28 | 2021-11-30 | 重庆理工大学 | 一种基于离散时间量子游走的多域网络社区发现方法 |
CN114513426A (zh) * | 2022-03-02 | 2022-05-17 | 郑州轻工业大学 | 基于节点相似度和影响力的ccn社区划分方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102857525A (zh) * | 2011-06-28 | 2013-01-02 | 安徽大学 | 基于随机游走策略的社区发现方法 |
CN103699617A (zh) * | 2013-12-16 | 2014-04-02 | 西安交通大学 | 一种基于随机游走的社区发现方法 |
CN104657901A (zh) * | 2015-01-14 | 2015-05-27 | 重庆邮电大学 | 一种基于随机游走的标签传播社区发现方法 |
-
2015
- 2015-12-15 CN CN201510938101.8A patent/CN106886524A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102857525A (zh) * | 2011-06-28 | 2013-01-02 | 安徽大学 | 基于随机游走策略的社区发现方法 |
CN103699617A (zh) * | 2013-12-16 | 2014-04-02 | 西安交通大学 | 一种基于随机游走的社区发现方法 |
CN104657901A (zh) * | 2015-01-14 | 2015-05-27 | 重庆邮电大学 | 一种基于随机游走的标签传播社区发现方法 |
Non-Patent Citations (4)
Title |
---|
WEIPING LIU 等: "Link prediction based on local random walk", 《EUROPHYSICS LETTERS》 * |
刘栋 等: "基于隐马尔可夫随机场的社区结构发现算法", 《计算机工程与设计》 * |
康旭彬 等: "一种改进的标签传播快速社区发现方法", 《合肥工业大学学报(自然科学版)》 * |
张贤坤 等: "一种基于局部回路的标签传播改进算法", 《计算机应用与软件》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609063A (zh) * | 2017-08-29 | 2018-01-19 | 重庆邮电大学 | 一种多标签分类的手机应用推荐***及其方法 |
CN107609063B (zh) * | 2017-08-29 | 2020-03-17 | 重庆邮电大学 | 一种多标签分类的手机应用推荐***及其方法 |
CN107870978A (zh) * | 2017-09-30 | 2018-04-03 | 上海壹账通金融科技有限公司 | 关系网络拓扑方法及应用服务器 |
CN107862618A (zh) * | 2017-11-06 | 2018-03-30 | 郑州云海信息技术有限公司 | 一种基于标签传播算法的社区发现方法和装置 |
CN108133234A (zh) * | 2017-12-21 | 2018-06-08 | 广东工业大学 | 基于稀疏子集选择算法的社区检测方法、装置及设备 |
CN108133234B (zh) * | 2017-12-21 | 2021-03-16 | 广东工业大学 | 基于稀疏子集选择算法的社区检测方法、装置及设备 |
CN110110154B (zh) * | 2018-02-01 | 2023-07-11 | 腾讯科技(深圳)有限公司 | 一种图文件的处理方法、装置及存储介质 |
CN110110154A (zh) * | 2018-02-01 | 2019-08-09 | 腾讯科技(深圳)有限公司 | 一种图文件的处理方法、装置及存储介质 |
CN109784636A (zh) * | 2018-12-13 | 2019-05-21 | 中国平安财产保险股份有限公司 | 欺诈用户识别方法、装置、计算机设备及存储介质 |
CN109657160A (zh) * | 2018-12-29 | 2019-04-19 | 中国人民解放军国防科技大学 | 基于随机游走访问频数的入度信息估计方法及*** |
CN109657160B (zh) * | 2018-12-29 | 2023-01-06 | 中国人民解放军国防科技大学 | 基于随机游走访问频数的入度信息估计方法及*** |
CN111523918B (zh) * | 2019-02-02 | 2023-09-19 | 北京极智嘉科技股份有限公司 | 商品聚类的方法、装置、设备和存储介质 |
CN111523918A (zh) * | 2019-02-02 | 2020-08-11 | 北京极智嘉科技有限公司 | 商品聚类的方法、装置、设备和存储介质 |
CN110033036A (zh) * | 2019-04-04 | 2019-07-19 | 厦门小圈网络科技有限公司 | 一种基于圈子的社交关系分类方法 |
CN110033036B (zh) * | 2019-04-04 | 2022-05-17 | 厦门小圈网络科技有限公司 | 一种基于圈子的社交关系分类方法 |
CN110377822A (zh) * | 2019-06-25 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 用于网络表征学习的方法、装置及电子设备 |
CN110377822B (zh) * | 2019-06-25 | 2024-04-16 | 腾讯科技(深圳)有限公司 | 用于网络表征学习的方法、装置及电子设备 |
CN110399595A (zh) * | 2019-07-31 | 2019-11-01 | 腾讯科技(成都)有限公司 | 一种文本信息标注的方法以及相关装置 |
CN110399595B (zh) * | 2019-07-31 | 2024-04-05 | 腾讯科技(成都)有限公司 | 一种文本信息标注的方法以及相关装置 |
CN111597665A (zh) * | 2020-05-15 | 2020-08-28 | 天津科技大学 | 一种基于网络分区的层次网络嵌入方法 |
CN111667373A (zh) * | 2020-06-08 | 2020-09-15 | 上海大学 | 基于邻居子图社交网络动态增量的演化社区发现方法 |
CN111667373B (zh) * | 2020-06-08 | 2023-08-11 | 上海大学 | 基于邻居子图社交网络动态增量的演化社区发现方法 |
CN112465301A (zh) * | 2020-11-06 | 2021-03-09 | 山东大学 | 一种基于差分隐私机制的边缘智能电网协作决策方法 |
CN112465301B (zh) * | 2020-11-06 | 2022-12-13 | 山东大学 | 一种基于差分隐私机制的边缘智能电网协作决策方法 |
CN113011471A (zh) * | 2021-02-26 | 2021-06-22 | 山东英信计算机技术有限公司 | 一种社交群体的划分方法、划分***及相关装置 |
CN112926999B (zh) * | 2021-03-26 | 2023-10-10 | 东南大学 | 一种大宗商品交易平台关联监管范围的自适应推荐方法与*** |
CN112926999A (zh) * | 2021-03-26 | 2021-06-08 | 东南大学 | 一种大宗商品交易平台关联监管范围的自适应推荐方法与*** |
CN112989209A (zh) * | 2021-05-10 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置和存储介质 |
CN113609880B (zh) * | 2021-07-06 | 2024-04-19 | 燕山大学 | 一种离群错置rfid标签的识别方法及实现所述方法的*** |
CN113609880A (zh) * | 2021-07-06 | 2021-11-05 | 燕山大学 | 一种离群错置rfid标签的识别方法及实现所述方法的*** |
CN113723583A (zh) * | 2021-08-28 | 2021-11-30 | 重庆理工大学 | 一种基于离散时间量子游走的多域网络社区发现方法 |
CN113723583B (zh) * | 2021-08-28 | 2023-07-21 | 重庆理工大学 | 一种基于离散时间量子游走的多域网络社区发现方法 |
CN114513426B (zh) * | 2022-03-02 | 2023-09-15 | 郑州轻工业大学 | 基于节点相似度和影响力的ccn社区划分方法 |
CN114513426A (zh) * | 2022-03-02 | 2022-05-17 | 郑州轻工业大学 | 基于节点相似度和影响力的ccn社区划分方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106886524A (zh) | 一种基于随机游走的社会网络社区划分方法 | |
Berahmand et al. | Community detection in complex networks by detecting and expanding core nodes through extended local similarity of nodes | |
Harenberg et al. | Community detection in large‐scale networks: a survey and empirical evaluation | |
CN102768670B (zh) | 基于节点属性标签传播的网页聚类方法 | |
Kumar et al. | IM-ELPR: Influence maximization in social networks using label propagation based community structure | |
Cho et al. | Authority-shift clustering: Hierarchical clustering by authority seeking on graphs | |
CN105893382A (zh) | 一种基于先验知识的微博用户群体划分方法 | |
CN105893381A (zh) | 一种基于半监督标签传播的微博用户群体划分方法 | |
CN111428323A (zh) | 复杂网络中利用广义折扣度与k-shell识别一组关键节点的方法 | |
CN105335438A (zh) | 一种基于局部最短回路的社会网络群体划分方法 | |
Cai et al. | An improved random walk based clustering algorithm for community detection in complex networks | |
Wang et al. | Integrating clustering and ranking on hybrid heterogeneous information network | |
Chang et al. | Relative centrality and local community detection | |
Rossi et al. | Hone: Higher-order network embeddings | |
Tang et al. | An adaptive discrete particle swarm optimization for influence maximization based on network community structure | |
Su et al. | A new random-walk based label propagation community detection algorithm | |
Sahu et al. | A neighbour-similarity based community discovery algorithm | |
Emadi Kouchak et al. | Graph entropies-graph energies indices for quantifying network structural irregularity | |
Bagheri et al. | FSIM: A fast and scalable influence maximization algorithm based on community detection | |
Qiang et al. | A method of personalized recommendation based on multi-label propagation for overlapping community detection | |
Aghaalizadeh et al. | Improving the stability of label propagation algorithm by propagating from low-significance nodes for community detection in social networks | |
Zhou et al. | A graph clustering algorithm using attraction-force similarity for community detection | |
Cetin et al. | A new network-based community detection algorithm for disjoint communities | |
Sangamuang | A graph-based algorithm for interpersonal ties clustering in signed networks | |
Feng et al. | Community detection by node betweenness and similarity in complex network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170623 |
|
RJ01 | Rejection of invention patent application after publication |