CN108833158A - 一种基于k-means的相似性社区发现方法 - Google Patents
一种基于k-means的相似性社区发现方法 Download PDFInfo
- Publication number
- CN108833158A CN108833158A CN201810593224.6A CN201810593224A CN108833158A CN 108833158 A CN108833158 A CN 108833158A CN 201810593224 A CN201810593224 A CN 201810593224A CN 108833158 A CN108833158 A CN 108833158A
- Authority
- CN
- China
- Prior art keywords
- node
- cluster
- degree
- cluster centre
- network
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于k‑means的相似性社区发现方法。本发明摒弃了传统的k-means聚类方法的随机选取初始聚类中心的方法,结合节点之间的相似性、节点密度和节点度来最终确定初始聚类中心,避免了随机选取初始聚类中心导致聚类结果不稳定,避免了孤立节点作为初始聚类中心,并且能保证找出的K个初始聚类中心点不会过于相近而导致聚类效果不佳,不仅减少了聚类过程中的迭代次数,且提高了社区划分的精确性。同时,本发明加强了节点间Jaccard相似性计算各个节点的欧式距离,能很好的将节点划分到相应社区,社区划分的精确性高。
Description
技术领域
本发明涉及网络社区发现方法,具体涉及一种基于k-means的相似性社区发现方法。
背景技术
目前社区结构发现已成为复杂网络研究中的一个热点问题,近年来受到计算机、数学、生物和社会学等领域研究者的广泛关注,例如当前研究领域的科学知识图谱就结合了社区发现的理论。并且在这些网络中发现了社区结构的存在,复杂网络社区结构的发现对于复杂网络的拓扑结构分析、功能分析和行为预测具有重要的理论意义及实用价值。
近年来,很多社区检测方法相继被提了出来,这些算法大致可以被分为三类:基于图的层次分割方法,基于聚类的方法和基于优化的方法。聚类是探测网络社区结构的传统方法,算法基于各个节点间连接的相似性或强度将网络划分成若干子群,应用比较广泛的聚类方法早期有Girvan等人提出的基于边介数的GN算法,LPA和基于度的局部方法在社区发现中也有很广泛的应用。
k-means聚类算法是由MacQueen提出的基于划分的聚类算法,是一种典型的无监督学习算法,其在数据挖掘和机器学习领域应用十分广泛,k-means聚类算法基于数据样本间的相似性度量进行聚类,其优点是简单快捷,复杂度低,容易处理规模很大数据。但k-means聚类算法的性能依赖于初始聚类中心的位置,初始聚类中心的选择在很大程度上影响了聚类结果的好坏。同时,网络中节点的关联度对k-means聚类算法的收敛速度和精确性也有很大的影响。选择合适的初始聚类中心的,定义合适的网络中节点关联度,可以有效的减少k-means聚类算法的迭代次数,提高社区划分结果的精确性。
发明内容
本发明所要解决的技术问题是提供一种基于k-means的相似性社区发现方法,解决社区划分结果的精确性不够的问题。
本发明解决上述技术问题的技术方案如下:一种基于k-means的相似性社区发现方法,包括以下步骤:
S1、设输入网络的拓扑结构为G={V,E},V和E分别为节点和边的集合,输入网络所要划分的社区个数K;
S2、计算节点密度节点度Degree(vi),并计算节点密度和节点度Degree(vi)的乘积DD(vi);
S3、对所有节点的DD(vi)进行降序排列得到序列DDSeq(G),将序列DDSeq(G)中的第一个节点作为第一个初始节点加入聚类中心节点集Seed(v)中;
S4、通过节点密度和节点间Jaccard相似性计算出网络G中节点相似度矩阵Jaccard(G)和关联度矩阵DDJ(G);
S5、通过关联度矩阵DDJ(G)计算节点集S(v)中与聚类中心节点集Seed(v)中每个节点平均关联度最小的节点,并将该节点加入节点集MinMean(v)中,把节点集MinMean(v)中DD(vi)最大的节点作为新的聚类中心加入聚类中心节点集Seed(v)中;
其中,节点集S(v)为输入网络G除去聚类中心节点集Seed(v)中所有节点后的节点集,即S(v)=G(v)-Seed(v),G(v)为网络G中所有节点集合;
S6、当聚类中心节点集Seed(v)中节点数量等于网络所要划分的社区个数K,得到K个聚类中心时,进入步骤S7,否则返回步骤S5;
S7、将K个聚类中心和相似度矩阵Jaccard(G)通过k-means算法进行迭代,得到新的聚类中心和K个簇Cluster(1),Cluster(2),…,Cluster(K);
S8、当聚类中心的距离改变量小于阈值m=1.0或k-means算法达到最大迭代次数时,进入步骤S9,否则返回步骤S7;
S9、将满足步骤S8的簇归为一个社区,得到社区Com(1),Com(2),…,Com(K)。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述步骤S2的具体步骤为:
S21、将网络G中的节点vi及以vi为起点向前k跳的点组成子图G',计算节点密度
在公式(1)中,i为节点编号,k为以vi为起点的前向跳数,V'为子图G'中节点的集合,|V'|为V'中节点的数量,E'为子图G'中边的集合,|E'|为E'中边的数量;
S22、计算网络G中的节点vi的节点度Degree(vi),节点度Degree(vi)为与节点vi相连的边的数量;
S23、计算节点密度和节点度Degree(vi)的乘积DD(vi):
进一步,所述步骤S4的具体步骤为:
S41、通过所有节点的节点密度构建节点密度的n维向量
在公式(3)中,k=3;
S42、构建网络G中节点vi~vn的n维相似度矩阵Jaccard(G):
在公式(4)中,λ=10,JacSim(vi,vj)为节点vi与节点vj的Jaccard相关系数,JacSim(vi,vj)的计算公式为:
在公式(5)中,Γ(vi)和Γ(vj)分别为节点vi和节点vj的邻居节点集合,|Γ(vi)∩Γ(vj)|为节点vi和节点vj的共同邻居数量,|Γ(vi)∪Γ(vj)|为节点vi和节点vj的联合邻居数量;
S43、通过节点密度的n维向量和相似度矩阵Jaccard(G)构建网络G中节点的关联度矩阵DDJ(G):
进一步,所述步骤S5中节点平均关联度Rp的计算公式为:
在公式(7)中,Rqp为节点vp与聚类中心sq的节点关联度,q=1,2,…,|Seed(v)|,p=1,2,…,|S(v)|,|Seed(v)|为聚类中心节点集合Seed(v)中的节点数量。
进一步,所述步骤S7的具体步骤为:
S71、计算网络G中节点与K个聚类中心的相似度欧式距离d(jva,jvb),计算公式为:
在公式(8)中,jva和jvb分别为节点va和节点vb在相似度矩阵Jaccard(G)中对应的相似度向量;
S72、将各个节点划分到欧式距离最小的聚类中心,得到K个簇Cluster(1),Cluster(2),…,Cluster(K);
S73、计算每个簇的聚类中心,得到新的聚类中心,新的聚类中心CK的计算公式为:
在公式(9)中,Jaccard(G)nK为第K个簇中节点vn在相似度矩阵Jaccard(G)中对应的那行向量,n=1,2,…,|Clustr(K)|,|Cluster(K)|为第K个簇中节点数量。
进一步,所述步骤S8中的最大迭代次数为40000。
本发明的有益效果是:本发明摒弃了传统的k-means聚类方法的随机选取初始聚类中心的方法,结合节点之间的相似性、节点密度和节点度来最终确定初始聚类中心,避免了随机选取初始聚类中心导致聚类结果不稳定,避免了孤立节点作为初始聚类中心,并且能保证找出的K个初始聚类中心点不会过于相近而导致聚类效果不佳,不仅减少了聚类过程中的迭代次数,且提高了社区划分的精确性。同时,本发明加强了节点间Jaccard相似性计算各个节点的欧式距离,能很好的将节点划分到相应社区,社区划分的精确性高。
附图说明
图1为本发明总流程图;
图2为本发明步骤S2的流程图;
图3为本发明步骤S4的流程图;
图4为本发明步骤S7的流程图;
图5为本发明节点密度的示例网络及节点子图;
图6为本发明节点密度在Zachary’s karate club中的分布示意图;
图7为本发明节点密度和节点度的乘积在Zachary’s karate club中的分布示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,一种基于k-means的相似性社区发现方法,
S1、设输入网络的拓扑结构为G={V,E},V和E分别为节点和边的集合,输入网络所要划分的社区个数K;
S2、计算节点密度节点度Degree(vi),并计算节点密度和节点度Degree(vi)的乘积DD(vi);
S3、对所有节点的DD(vi)进行降序排列得到序列DDSeq(G),将序列DDSeq(G)中的第一个节点作为第一个初始节点加入聚类中心节点集Seed(v)中;
S4、通过节点密度和节点间Jaccard相似性计算出网络G中节点相似度矩阵Jaccard(G)和关联度矩阵DDJ(G);
S5、通过关联度矩阵DDJ(G)计算节点集S(v)中与聚类中心节点集Seed(v)中每个节点平均关联度最小的节点,并将该节点加入节点集MinMean(v)中,把节点集MinMean(v)中DD(vi)最大的节点作为新的聚类中心加入聚类中心节点集Seed(v)中;
其中,节点集S(v)为输入网络G除去聚类中心节点集Seed(v)中所有节点后的节点集,即S(v)=G(v)-Seed(v),G(v)为网络G中所有节点集合;
S6、当聚类中心节点集Seed(v)中节点数量等于网络所要划分的社区个数K,得到K个聚类中心时,进入步骤S7,否则返回步骤S5;
S7、将K个聚类中心和相似度矩阵Jaccard(G)通过k-means算法进行迭代,得到新的聚类中心和K个簇Cluster(1),Cluster(2),…,Cluster(K);
S8、当聚类中心的距离改变量小于阈值m=1.0或k-means算法达到最大迭代次数时,进入步骤S9,否则返回步骤S7;
其中,最大迭代次数为40000;
S9、将满足步骤S8的簇归为一个社区,得到社区Com(1),Com(2),…,Com(K)。
如图2所示,步骤S2的具体步骤为:
S21、如图5所示,(a)图为节点密度的示例网络,(b)图为(a)图中节点1的2跳子图,将网络G中的节点vi及以vi为起点向前k跳的点组成子图G',计算节点密度
在公式(1)中,i为节点编号,k为以vi为起点的前向跳数,V'为子图G'中节点的集合,|V'|为V'中节点的数量,E'为子图G'中边的集合,|E'|为E'中边的数量;
S22、计算网络G中的节点vi的节点度Degree(vi),节点度Degree(vi)为与节点vi相连的边的数量;
S23、计算节点密度和节点度Degree(vi)的乘积DD(vi):
如图3所示,步骤S4的具体步骤为:
S41、通过所有节点的节点密度构建节点密度的n维向量
在公式(3)中,k=3;
S42、构建网络G中节点vi~vn的n维相似度矩阵Jaccard(G):
在公式(4)中,λ=10,JacSim(vi,vj)为节点vi与节点vj的Jaccard相关系数,JacSim(vi,vj)的计算公式为:
在公式(5)中,Γ(vi)和Γ(vj)分别为节点vi和节点vj的邻居节点集合,|Γ(vi)∩Γ(vj)|为节点vi和节点vj的共同邻居数量,|Γ(vi)∪Γ(vj)|为节点vi和节点vj的联合邻居数量;
S43、通过节点密度的n维向量和相似度矩阵Jaccard(G)构建网络G中节点的关联度矩阵DDJ(G):
在本发明实施例中,步骤S5中节点平均关联度Rp的计算公式为:
在公式(7)中,Rqp为节点vp与聚类中心sq的节点关联度,q=1,2,…,|Seed(v)|,p=1,2,…,|S(v)|,|Seed(v)|为聚类中心节点集合Seed(v)中的节点数量。
如图4所示,步骤S7的具体步骤为:
S71、计算网络G中节点与K个聚类中心的相似度欧式距离d(jva,jvb),计算公式为:
在公式(8)中,jva和jvb分别为节点va和节点vb在相似度矩阵Jaccard(G)中对应的相似度向量;
S72、将各个节点划分到欧式距离最小的聚类中心,得到K个簇Cluster(1),Cluster(2),…,Cluster(K);
S73、计算每个簇的聚类中心,得到新的聚类中心,新的聚类中心CK的计算公式为:
在公式(9)中,Jaccard(G)nK为第K个簇中节点vn在相似度矩阵Jaccard(G)中对应的那行向量,n=1,2,…,|Clustr(K)|,|Cluster(K)|为第K个簇中节点数量。
如图6所示,为本发明在k=2时的节点密度在Zachary’s karate club网络中的分布示意,节点越大表示其节点密度值越大。
如图7所示,为本发明在k=2时的节点密度和节点度的乘积在Zachary’s karateclub网络中的分布示意,节点越大表示其节点密度和节点度的乘积值越大。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于k-means的相似性社区发现方法,其特征在于,包括以下步骤:
S1、设输入网络的拓扑结构为G={V,E},V和E分别为节点和边的集合,输入网络所要划分的社区个数K;
S2、计算节点密度和节点度Degree(vi),并计算节点密度和节点度Degree(vi)的乘积DD(vi);
S3、对所有节点的DD(vi)进行降序排列得到序列DDSeq(G),将序列DDSeq(G)中的第一个节点作为第一个初始节点加入聚类中心节点集Seed(v)中;
S4、通过节点密度和节点间Jaccard相似性计算出网络G中节点相似度矩阵Jaccard(G)和关联度矩阵DDJ(G);
S5、通过关联度矩阵DDJ(G)计算节点集S(v)中与聚类中心节点集Seed(v)中每个节点平均关联度最小的节点,并将该节点加入节点集MinMean(v)中,把节点集MinMean(v)中DD(vi)最大的节点作为新的聚类中心加入聚类中心节点集Seed(v)中;
其中,节点集S(v)为输入网络G除去聚类中心节点集Seed(v)中所有节点后的节点集,即S(v)=G(v)-Seed(v),G(v)为网络G中所有节点集合;
S6、当聚类中心节点集Seed(v)中节点数量等于网络所要划分的社区个数K,得到K个聚类中心时,进入步骤S7,否则返回步骤S5;
S7、将K个聚类中心和相似度矩阵Jaccard(G)通过k-means算法进行迭代,得到新的聚类中心和K个簇Cluster(1),Cluster(2),…,Cluster(K);
S8、当聚类中心的距离改变量小于阈值m=1.0或k-means算法达到最大迭代次数时,进入步骤S9,否则返回步骤S7;
S9、将满足步骤S8的簇归为一个社区,得到社区Com(1),Com(2),…,Com(K)。
2.根据权利要求1所述的基于k-means的相似性社区发现方法,其特征在于,所述步骤S2的具体步骤为:
S21、将网络G中的节点vi及以vi为起点向前k跳的点组成子图G',计算节点密度
在公式(1)中,i为节点编号,k为以vi为起点的前向跳数,V'为子图G'中节点的集合,|V'|为V'中节点的数量,E'为子图G'中边的集合,|E'|为E'中边的数量;
S22、计算网络G中的节点vi的节点度Degree(vi),节点度Degree(vi)为与节点vi相连的边的数量;
S23、计算节点密度和节点度Degree(vi)的乘积DD(vi):
3.根据权利要求1所述的基于k-means的相似性社区发现方法,其特征在于,所述步骤S4的具体步骤为:
S41、通过所有节点的节点密度构建节点密度的n维向量
在公式(3)中,k=3;
S42、构建网络G中节点vi~vn的n维相似度矩阵Jaccard(G):
在公式(4)中,λ=10,JacSim(vi,vj)为节点vi与节点vj的Jaccard相关系数,JacSim(vi,vj)的计算公式为:
在公式(5)中,Γ(vi)和Γ(vj)分别为节点vi和节点vj的邻居节点集合,|Γ(vi)∩Γ(vj)|为节点vi和节点vj的共同邻居数量,|Γ(vi)∪Γ(vj)|为节点vi和节点vj的联合邻居数量;
S43、通过节点密度的n维向量和相似度矩阵Jaccard(G)构建网络G中节点的关联度矩阵DDJ(G):
4.根据权利要求1所述的基于k-means的相似性社区发现方法,其特征在于,所述步骤S5中节点平均关联度Rp的计算公式为:
在公式(7)中,Rqp为节点vp与聚类中心sq的节点关联度,q=1,2,…,|Seed(v)|,p=1,2,…,|S(v)|,|Seed(v)|为聚类中心节点集合Seed(v)中的节点数量。
5.根据权利要求1所述的基于k-means的相似性社区发现方法,其特征在于,所述步骤S7的具体步骤为:
S71、计算网络G中节点与K个聚类中心的相似度欧式距离d(jva,jvb),计算公式为:
在公式(8)中,jva和jvb分别为节点va和节点vb在相似度矩阵Jaccard(G)中对应的相似度向量;
S72、将各个节点划分到欧式距离最小的聚类中心,得到K个簇Cluster(1),Cluster(2),…,Cluster(K);
S73、计算每个簇的聚类中心,得到新的聚类中心,新的聚类中心CK的计算公式为:
在公式(9)中,Jaccard(G)nK为第K个簇中节点vn在相似度矩阵Jaccard(G)中对应的那行向量,n=1,2,…,|Clustr(K)|,|Cluster(K)|为第K个簇中节点数量。
6.根据权利要求1所述的基于k-means的相似性社区发现方法,其特征在于,所述步骤S8中的最大迭代次数为40000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810593224.6A CN108833158A (zh) | 2018-06-08 | 2018-06-08 | 一种基于k-means的相似性社区发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810593224.6A CN108833158A (zh) | 2018-06-08 | 2018-06-08 | 一种基于k-means的相似性社区发现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108833158A true CN108833158A (zh) | 2018-11-16 |
Family
ID=64144961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810593224.6A Pending CN108833158A (zh) | 2018-06-08 | 2018-06-08 | 一种基于k-means的相似性社区发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108833158A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808616A (zh) * | 2024-02-28 | 2024-04-02 | 中国传媒大学 | 一种基于图嵌入和节点亲密度的社区发现方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102929942A (zh) * | 2012-09-27 | 2013-02-13 | 福建师范大学 | 一种基于集成学习的社会网络重叠社区发现方法 |
CN103888541A (zh) * | 2014-04-01 | 2014-06-25 | 中国矿业大学 | 一种融合拓扑势和谱聚类的社区发现方法及*** |
-
2018
- 2018-06-08 CN CN201810593224.6A patent/CN108833158A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102929942A (zh) * | 2012-09-27 | 2013-02-13 | 福建师范大学 | 一种基于集成学习的社会网络重叠社区发现方法 |
CN103888541A (zh) * | 2014-04-01 | 2014-06-25 | 中国矿业大学 | 一种融合拓扑势和谱聚类的社区发现方法及*** |
Non-Patent Citations (2)
Title |
---|
HUIJIE YANG,ET AL.: "Edge-content Based Community Detection Algorithm on Email Network", 《 2010 IEEE INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING AND INTELLIGENT SYSTEMS》 * |
武龙举: "基于复杂网络的社区发现算法研究", 《中国优秀硕士学位论文全文库》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808616A (zh) * | 2024-02-28 | 2024-04-02 | 中国传媒大学 | 一种基于图嵌入和节点亲密度的社区发现方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | WOCDA: A whale optimization based community detection algorithm | |
CN104268629B (zh) | 一种基于先验信息和网络固有信息的复杂网络社区检测方法 | |
CN110378366A (zh) | 一种基于耦合知识迁移的跨域图像分类方法 | |
CN108280472A (zh) | 一种基于局部密度和聚类中心优化的密度峰聚类方法 | |
Salama et al. | A novel ant colony algorithm for building neural network topologies | |
Zhou et al. | A density based link clustering algorithm for overlapping community detection in networks | |
Li et al. | A link clustering based memetic algorithm for overlapping community detection | |
Bello-Orgaz et al. | Evolutionary clustering algorithm for community detection using graph-based information | |
CN113297429B (zh) | 一种基于神经网络架构搜索的社交网络链路预测方法 | |
CN108268603A (zh) | 一种基于核心成员识别的社区发现方法 | |
CN112464107B (zh) | 一种基于多标签传播的社交网络重叠社区发现方法及装置 | |
CN110263236A (zh) | 基于动态多视图学习模型的社交网络用户多标签分类方法 | |
CN106780501A (zh) | 基于改进人工蜂群算法的图像分割方法 | |
CN111062438A (zh) | 基于相关学习的图传播的弱监督细粒度图像分类算法 | |
CN103164487B (zh) | 一种基于密度与几何信息的数据聚类方法 | |
Hu et al. | A new algorithm CNM-Centrality of detecting communities based on node centrality | |
CN115169501A (zh) | 基于公共邻居节点聚类熵紧密相似性的社区检测方法 | |
CN108833158A (zh) | 一种基于k-means的相似性社区发现方法 | |
CN108388769B (zh) | 基于边驱动的标签传播算法的蛋白质功能模块识别方法 | |
CN106127595A (zh) | 一种基于正负边信息的社团结构检测方法 | |
Peng et al. | Graphangel: Adaptive and structure-aware sampling on graph neural networks | |
CN106778824A (zh) | 一种面向时间序列数据的增量模糊c中心点聚类方法 | |
Hu et al. | An algorithm Walktrap-SPM for detecting overlapping community structure | |
CN112035545B (zh) | 一种考虑非活跃节点和社区边界的竞争影响力最大化方法 | |
CN109218184A (zh) | 基于端口和结构信息的路由器归属as识别方法 |
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: 20181116 |
|
RJ01 | Rejection of invention patent application after publication |