CN108647800A - 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 - Google Patents
一种基于节点嵌入的在线社交网络用户缺失属性预测方法 Download PDFInfo
- Publication number
- CN108647800A CN108647800A CN201810222943.7A CN201810222943A CN108647800A CN 108647800 A CN108647800 A CN 108647800A CN 201810222943 A CN201810222943 A CN 201810222943A CN 108647800 A CN108647800 A CN 108647800A
- Authority
- CN
- China
- Prior art keywords
- user
- attribute
- vector
- online social
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000003780 insertion Methods 0.000 title claims abstract description 14
- 230000037431 insertion Effects 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 9
- 230000003542 behavioural effect Effects 0.000 claims description 6
- 238000005295 random walk Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000013508 migration Methods 0.000 claims 1
- 230000005012 migration Effects 0.000 claims 1
- 238000012512 characterization method Methods 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 13
- 238000007418 data mining Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- LYAVXWPXKIFHBU-UHFFFAOYSA-N N-{2-[(1,2-diphenylhydrazinyl)carbonyl]-2-hydroxyhexanoyl}-6-aminohexanoic acid Chemical compound C=1C=CC=CC=1N(C(=O)C(O)(C(=O)NCCCCCC(O)=O)CCCC)NC1=CC=CC=C1 LYAVXWPXKIFHBU-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于节点嵌入的在线社交网络用户缺失属性预测方法，包括以下步骤：S1：提取在线社交网络中的用户信息，包括好友列表、在线行为和相关属性数据；S2:构造网络模型后，通过node2vec算法将网络中的节点嵌入到欧式空间中得到表征网络结构特征的嵌入向量；S3：根据用户在线行为和公开属性数据构造表征用户其他特征的向量；S4：将S2和S3中得到的向量进行叠加，最终得到表征用户特征的向量；S5：通过训练一个逻辑斯特回归模型来对用户缺失属性进行预测。本发明充分利用了在线社交网络中的用户社交网络结构特征，结合用户的行为和属性数据，使得对于用户缺失数据的预测达到了较高精度，具有现实应用价值。
Description
技术领域
本发明涉及数据挖掘与网络科学领域，特别是设计一种基于节点嵌入的在线社交网络用户缺失属性预测方法。
背景技术
社会经济和互联网技术的快速发展催生了如微博、大众点评等在线社交网络。这些在线社交网络中存在着数以亿计的用户，伴随着用户而产生的用户属性、用户行为和用户社交关系等海量数据成为了数据挖掘研究和应用的重要资源。在线社交网络中，每一个用户都拥有各种属性，包括ID、昵称与注册时间等属性。同时，行为数据如微博的评论、点赞和转发等，也成为每一个用户的特有数据。当前，网络信息安全越来越被人们重视。在线社交网络中用户属性预测能够进一步加强虚拟社区中用户身份识别，对于遏制和打击网络犯罪等具有重要意义。
在线社交网络中，不同类型的用户之间的社交网络往往具有不同的结构，而具有相同属性和行为的用户，其社交网络结构往往趋同。这就使得我们可以从用户的社交网络结构来推断其缺失属性。目前对于在线社交网络中用户缺失属性预测的方法主要是依靠用户的公开属性、用户社交关系和行为等数据，没有充分地考虑到用户的社交网络结构特征。除了提取传统的网络结构指标外，当前流行的方法是通过图嵌入方法，如node2vec(见文献[1]A.Grover,J.Leskovec.node2vec:Scalable feature learning for networks.ACMSIGKDD international conference on Knowledge discovery and data mining.2016.即格罗弗，莱斯科韦茨，节点转向量：可扩展的网络特征学习方法，ACM SIGKDD知识发现与数据挖掘国际会议，2016.)，得到节点的嵌入向量用以表征网络结构特征。利用本发明方法，能够充分利用在线社交网络中用户的社交网络结构特征，即使是在部分用户公开属性和行为数据缺失的情况下，对于用户缺失属性预测也能达到较高精度。
发明内容
为了弥补现有在线社交网络无法预测用户缺失属性的不足，本发明提出一种基于节点嵌入的在线社交网络用户缺失属性预测方法，通过节点嵌入方法node2vec将每一个用户的网络结构嵌入到欧式空间中，从而提取出用户的社交网络结构特征，结合用户的公开属性和行为数据，能够更加准确地预测用户的缺失属性。
本发明解决其技术问题所采用的技术方案如下：
一种基于节点嵌入的在线社交网络用户缺失属性预测方法，包括以下步骤：
S1：数据收集与处理，爬取在线社交网络中的用户数据，包括用户的好友列表、行为和属性数据；
S2：将S1中收集的用户数据构成网络，再通过node2vec将每一个节点都嵌入到欧式空间中，得到代表用户社交网络结构特征的嵌入向量；
S3：对用户的行为和已知属性数据进行处理，形成代表用户除社交网络结构外特征的向量；
S4：将用户的代表结构特征的向量和其他特征的向量进行拼接，得到最终的代表用户特征的向量；
S5：划定训练集和测试集，通过训练逻辑斯特回归分类器对用户的缺失属性进行预测。
进一步，所述步骤S5中，当训练停止或者模型收敛后，使用测试集中的样本对模型精度进行检验。
再进一步，所述步骤S1中，用户的行为数据包括微博中的点赞、转发、评论和点评网站中的评论、打分、消费行为；用户的属性数据包括性别、居住地和职业。
更进一步，所述步骤S2中，使用node2vec算法对在线社交网络中的节点进行嵌入之前，需要确定算法中的返回概率参数p，离开概率参数q和嵌入向量维度N；其中，参数p控制的是node2vec在随机游走时返回原节点的概率，注重的是网络中的局部特征；参数q控制的是随机游走时跳转带其他节点的概率，注重的是网络中的全局特征。不同p、q和N会影响提取的网络结构特征的好坏，因此需要取多组参数进行比较。
再进一步，所述步骤S3和S4中，对于代表用户其他特征的向量构造需要将选取的用户行为数据和已知的属性数据进行归一化后按照固定的顺序进行排列。得到用户的行为特征向量和属性特征向量之后，结合社交网络结构特征向量，按照固定的顺序进行排列、拼接，即可得到代表用户的嵌入向量。值得注意的是，在构造代表其他特征的向量时，一定要根据社交网络结构向量的数值进行归一化，否则会突出其中一部分的特征而削弱其余特征的作用。
更进一步，所述步骤S5中，使用逻辑斯特回归模型
对嵌入向量进行分类，从而实现用户缺失属性预测；其中，yu为模型输出，代表用户u具有该属性的概率，若yu>0.5，则用户u具有该属性，反之则不具有该属性；hu＝axu+b，a和b都为模型中需要训练的参数，xu为代表用户u特征的向量；若目标缺失属性具有多个值，则需要对各个属性值进行二值化；例如，要预测用户居住的城市，则可以将问题转化为预测用户是否居住在某一个城市这样一个二分类问题；通过多次分类从而实现用户缺失属性预测，在进行模型训练之前，需要设定最大训练迭代次数和最大容忍误差，得到训练完成的模型后，将其应用于测试集中的样本，预测精度作为模型的性能指标。
本发明的有益效果为：充分利用在线社交网络中用户的社交网络结构特征，结合用户的行为和属性特征，能够更加准确地预测用户缺失属性。在缺失其他用户数据的情况下，对于用户缺失属性的预测也能达到较高精度。
附图说明
图1为本发明实施例的基于节点嵌入的在线社交网络用户缺失属性预测方法的流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1，一种基于节点嵌入的在线社交网络用户缺失属性预测方法，本发明使用yelp官方公开的数据集进行用户性别预测。经过筛选后，该数据集共包含2006位用户，31521条朋友关系。除了用户的ID和昵称等个人信息之外，该数据集记录了用户的就餐时间、地点、选择的口味以及用户的好友网络。
本发明包括以下步骤：
S1：针对预测用户性别这一问题，从yelp数据集中提取用户的相关数据，包括用户的好友列表、用户名称和用户消费记录，并对数据进行处理；
S2：根据提取的用户以其好友列表，建立网络模型，并使用node2vec算法将网络中的节点嵌入到N维欧式空间中，得到代表用户社交网络结构特征的嵌入向量xu；
S3：根据用户的好友性别分布和消费行为分别构造x(1)和x(2)两个代表用户特征的向量；
S4：将S2与S3中的得到的向量进行拼接，得到最终的代表用户特征的向量xu；
S5：将数据集中的用户按照9:1分割训练集和测试集，再使用训练集中的样本对逻辑斯特回归模型进行训练，最后再用测试集中的样本对模型的分类精度进行检验。
所述S1中，针对预测用户性别这一问题，首先要获取每一位用户的性别标签，而yelp数据集中并不包含这一属性。为了解决这一问题，本实施例利用每一位用户的名字来判断用户的性别，以此得到了用户的性别标签。若用户为男性，则性别标签为0；若用户为女性，则性别标记为1。同时，本实施例还将用户的消费行为作为用于分类的特征之一。Yelp数据集中包含了用户每一次消费的餐厅以及对应餐厅的平均价格水平，价格水平按照从低到高分别记为1、2、3和4。
所述S2中，将用户及其好友的关系通过网络进行建模，使用node2vec之前需要确定参数p、q和N。通过反复比较，本实施例选择p＝1，q＝2，N＝128作为node2vec算法运行的参数。通过该方法，对于每一个用户都能够得到一个128维的向量x(0)来描述其社交网络结构特征。
所述S3和S4中，为了构造用户好友性别比例这一特征，首先需要统计每一个用户的好友性别，构造二维向量x(1)＝[Nmale,Nfemale]/Ntotal。其中Nmale代表用户的男性好友数量，Nfemale代表用户的女性好友数量,Ntotal代表用户的总的好友数。对于用户消费行为这一特征，首先需要统计用户分别在4个价格水平的餐厅的消费次数，分别记为T1、T2、T3和T4。构造向量x(2)＝[T1,T2,T3,T4]/Ttotal来描述用户的消费行为特征，Ttotal代表用户总的消费次数。最后，将得到的三个描述用户特征的向量进行拼接，即
xu＝[x(0),x(1),x(2)] (2)
得到1个2012维的向量用来描述用户u的特征。
所述S5中，将筛选过后的yelp数据集按照9:1的比例进行随机分割，得到1800名用户作为训练集样本，剩余的206名用户作为测试集样本。确定训练集中的每一个样本的性别标签后，训练模型(1)。本实施例中，模型(1)采用L2范数作为惩罚项以防止模型过拟合，最大训练迭代次数为5000次，最大容忍误差为0.001。当模型(1)停止训练或收敛之后，最后使用测试集中的样本对模型的分类精度进行测试。在yelp数据集用户性别预测问题上，本发明提出的方法达到了71.2％的精度。
充分利用在线社交网络中用户的社交网络结构，同时结合用户的行为和公开属性特征，能够从一定程度上提高用户缺失属性预测的准确率。并且，在仅有在线社交网络结构而缺失用户信息的情况下，利用网络结构特征也能使得用户缺失属性预测达到一定精度。对发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。
Claims (6)
1.一种基于节点嵌入的在线社交网络用户缺失属性预测方法，其特征在于：所述预测方法包括以下步骤：
S1：数据收集与处理，爬取在线社交网络中的用户数据，包括用户的好友列表、行为和属性数据；
S2：将S1中收集的用户数据构成网络，再通过node2vec将每一个节点都嵌入到欧式空间中，得到代表用户社交网络结构特征的嵌入向量；
S3：对用户的行为和已知属性数据进行处理，形成代表用户除社交网络结构特征外特征的向量；
S4：将用户的代表结构特征的向量和其他特征的向量进行拼接，得到最终的代表用户特征的向量；
S5：划定训练集和测试集，通过训练逻辑斯特回归分类器对用户的缺失属性进行预测。
2.如权利要求1所述的一种基于节点嵌入的在线社交网络用户缺失属性预测方法，其特征在于：所述步骤S5中，当训练停止或者模型收敛后，使用测试集中的样本对模型精度进行检验。
3.如权利要求1或2所述的一种基于节点嵌入的在线社交网络用户缺失属性预测方法，其特征在于：所述步骤S1中，用户的行为数据包括微博中的点赞、转发、评论和点评网站中的评论、打分、消费行为；用户的属性数据包括性别、居住地和职业。
4.如权利要求1或2所述的一种基于节点嵌入的在线社交网络用户缺失属性预测方法，其特征在于：所述步骤S2中，使用node2vec算法对在线社交网络中的节点进行嵌入之前，需要确定算法中的返回概率参数p，离开概率参数q和嵌入向量维度N；其中参数p控制的是node2vec在随机游走时返回原节点的概率，注重的是网络中的局部特征；参数q控制的是随机游走时跳转带其他节点的概率，注重的是网络中的全局特征。
5.如权利要求4所述的一种基于节点嵌入的在线社交网络用户缺失属性预测方法，其特征在于：所述步骤S3和S4中，对于代表用户其他特征的向量构造需要将选取的用户行为数据和已知的属性数据进行归一化后按照固定的顺序进行排列；得到用户的行为特征向量和属性特征向量之后，结合社交网络结构特征向量，按照固定的顺序进行排列、拼接，即得到代表用户的嵌入向量。
6.如权利要求1或2所述的一种节点嵌入的在线社交网络用户缺失属性预测方法，其特征在于：所述步骤S5中，使用逻辑斯特回归模型
对嵌入向量进行分类，从而实现用户缺失属性预测；其中，yu为模型输出，代表用户u具有该属性的概率，若yu>0.5，则用户u具有该属性，反之则不具有该属性；hu＝axu+b，a和b都为模型中需要训练的参数，xu为代表用户u特征的向量，若目标缺失属性具有多个值，则需要对各个属性值进行二值化，通过多次分类从而实现用户缺失属性预测，在进行模型训练之前，需要设定最大训练迭代次数和最大容忍误差，得到训练完成的模型后，将其应用于测试集中的样本，预测精度作为模型的性能指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810222943.7A CN108647800B (zh) | 2018-03-19 | 2018-03-19 | 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810222943.7A CN108647800B (zh) | 2018-03-19 | 2018-03-19 | 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108647800A true CN108647800A (zh) | 2018-10-12 |
| CN108647800B CN108647800B (zh) | 2022-01-11 |
Family
ID=63744300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810222943.7A Active CN108647800B (zh) | 2018-03-19 | 2018-03-19 | 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108647800B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685647A (zh) * | 2018-12-27 | 2019-04-26 | 阳光财产保险股份有限公司 | 信贷欺诈检测方法及其模型的训练方法、装置和服务器 |
| CN109903087A (zh) * | 2019-02-13 | 2019-06-18 | 广州视源电子科技股份有限公司 | 基于行为特征预测用户属性值的方法、装置及存储介质 |
| CN110134881A (zh) * | 2019-05-28 | 2019-08-16 | 东北师范大学 | 一种基于多信息源图嵌入的好友推荐方法及*** |
| CN111091410A (zh) * | 2019-11-04 | 2020-05-01 | 南京光普信息技术有限公司 | 一种结合节点嵌入和用户行为特征的网点销量预测方法 |
| CN111160483A (zh) * | 2019-12-31 | 2020-05-15 | 杭州师范大学 | 一种基于多分类器融合模型的网络关系类型预测方法 |
| CN112132326A (zh) * | 2020-08-31 | 2020-12-25 | 浙江工业大学 | 一种基于随机游走度惩罚机制的社交网络好友预测方法 |
| CN113742665A (zh) * | 2020-06-05 | 2021-12-03 | 国家计算机网络与信息安全管理中心 | 用户身份识别模型构建、用户身份验证方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120226623A1 (en) * | 2010-10-01 | 2012-09-06 | Linkedln Corporation | Methods and systems for exploring career options |
| CN107122455A (zh) * | 2017-04-26 | 2017-09-01 | 中国人民解放军国防科学技术大学 | 一种基于微博的网络用户增强表示方法 |
| CN107145977A (zh) * | 2017-04-28 | 2017-09-08 | 电子科技大学 | 一种对在线社交网络用户进行结构化属性推断的方法 |
-
2018
- 2018-03-19 CN CN201810222943.7A patent/CN108647800B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120226623A1 (en) * | 2010-10-01 | 2012-09-06 | Linkedln Corporation | Methods and systems for exploring career options |
| CN107122455A (zh) * | 2017-04-26 | 2017-09-01 | 中国人民解放军国防科学技术大学 | 一种基于微博的网络用户增强表示方法 |
| CN107145977A (zh) * | 2017-04-28 | 2017-09-08 | 电子科技大学 | 一种对在线社交网络用户进行结构化属性推断的方法 |
Non-Patent Citations (3)
| Title |
|---|
| ADITYA GROVER: "node2vec：Scalable Feature Learning for Networks", 《ACM》 * |
| 博客转载 WWW.THUTMOSE.CN: "网络表示学习（DeepWalk,LINE,node2vec,SDNE）", 《CSDN HTTPS://THUTMOSE.BLOG.CSDN.NET/ARTICLE/DETAILS/79251772》 * |
| 方宽: "基于网络的个性化推荐研究算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685647A (zh) * | 2018-12-27 | 2019-04-26 | 阳光财产保险股份有限公司 | 信贷欺诈检测方法及其模型的训练方法、装置和服务器 |
| CN109685647B (zh) * | 2018-12-27 | 2021-08-10 | 阳光财产保险股份有限公司 | 信贷欺诈检测方法及其模型的训练方法、装置和服务器 |
| CN109903087A (zh) * | 2019-02-13 | 2019-06-18 | 广州视源电子科技股份有限公司 | 基于行为特征预测用户属性值的方法、装置及存储介质 |
| CN110134881A (zh) * | 2019-05-28 | 2019-08-16 | 东北师范大学 | 一种基于多信息源图嵌入的好友推荐方法及*** |
| CN111091410A (zh) * | 2019-11-04 | 2020-05-01 | 南京光普信息技术有限公司 | 一种结合节点嵌入和用户行为特征的网点销量预测方法 |
| CN111091410B (zh) * | 2019-11-04 | 2022-03-11 | 南京光普信息技术有限公司 | 一种结合节点嵌入和用户行为特征的网点销量预测方法 |
| CN111160483A (zh) * | 2019-12-31 | 2020-05-15 | 杭州师范大学 | 一种基于多分类器融合模型的网络关系类型预测方法 |
| CN111160483B (zh) * | 2019-12-31 | 2023-03-17 | 杭州师范大学 | 一种基于多分类器融合模型的网络关系类型预测方法 |
| CN113742665A (zh) * | 2020-06-05 | 2021-12-03 | 国家计算机网络与信息安全管理中心 | 用户身份识别模型构建、用户身份验证方法及装置 |
| CN113742665B (zh) * | 2020-06-05 | 2024-03-26 | 国家计算机网络与信息安全管理中心 | 用户身份识别模型构建、用户身份验证方法及装置 |
| CN112132326A (zh) * | 2020-08-31 | 2020-12-25 | 浙江工业大学 | 一种基于随机游走度惩罚机制的社交网络好友预测方法 |
| CN112132326B (zh) * | 2020-08-31 | 2023-12-01 | 浙江工业大学 | 一种基于随机游走度惩罚机制的社交网络好友预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108647800B (zh) | 2022-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108647800A (zh) | 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 | |
| CN107835113A (zh) | 一种基于网络映射的社交网络中异常用户检测方法 | |
| CN112199608B (zh) | 基于网络信息传播图建模的社交媒体谣言检测方法 | |
| CN103761254B (zh) | 多领域服务主题匹配推荐方法 | |
| CN106844407B (zh) | 基于数据集相关性的标签网络产生方法和*** | |
| CN106600052A (zh) | 一种基于时空轨迹的用户属性与社会网络检测*** | |
| CN109918452A (zh) | 一种数据处理的方法、装置、计算机存储介质及终端 | |
| CN107368519A (zh) | 一种契合用户兴趣变化的协同处理方法及*** | |
| CN110457404A (zh) | 基于复杂异质网络的社交媒体账户分类方法 | |
| CN113422761B (zh) | 基于对抗学习的恶意社交用户检测方法 | |
| CN110009430A (zh) | 作弊用户检测方法、电子设备及计算机可读存储介质 | |
| CN108763496A (zh) | 一种基于网格和密度的动静态数据融合客户分类算法 | |
| Barry-Straume et al. | An evaluation of training size impact on validation accuracy for optimized convolutional neural networks | |
| CN105389505A (zh) | 基于栈式稀疏自编码器的托攻击检测方法 | |
| CN103678436A (zh) | 信息处理***和信息处理方法 | |
| CN108629358A (zh) | 对象类别的预测方法及装置 | |
| Xiong et al. | Affective impression: Sentiment-awareness POI suggestion via embedding in heterogeneous LBSNs | |
| CN115688024A (zh) | 基于用户内容特征和行为特征的网络异常用户预测方法 | |
| CN106649380A (zh) | 一种基于标签的热点推荐方法及*** | |
| Ibrahim et al. | Identifying influential nodes in two-mode data networks using formal concept analysis | |
| Yuan et al. | Research of deceptive review detection based on target product identification and metapath feature weight calculation | |
| CN106844765A (zh) | 基于卷积神经网络的显著信息检测方法及装置 | |
| Wang et al. | Computer supported data-driven decisions for service personalization: a variable-scale clustering method | |
| CN110472659A (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
| Chen et al. | From tie strength to function: Home location estimation in social 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |