CN113158072B - 多属性异构网络节点影响力度量方法、装置、设备及介质 - Google Patents
多属性异构网络节点影响力度量方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113158072B CN113158072B CN202110315054.7A CN202110315054A CN113158072B CN 113158072 B CN113158072 B CN 113158072B CN 202110315054 A CN202110315054 A CN 202110315054A CN 113158072 B CN113158072 B CN 113158072B
- Authority
- CN
- China
- Prior art keywords
- node
- influence
- network
- attribute
- 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.)
- Active
Links
- 238000000691 measurement method Methods 0.000 title claims description 11
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000005259 measurement Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000012512 characterization method Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 4
- 208000035473 Communicable disease Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种多属性异构网络节点影响力度量方法、装置、设备及介质,所述方法包括:根据网络流数据构建有向加权网络,根据节点属性数据将节点属性值赋给所述有向加权网络中的相应节点;根据赋值后的有向加权网络构建节点影响力度量模型,并利用带标签的节点属性数据求解最优参数,得到最优节点影响力度量模型;其中,所述带标签的节点属性数据的节点影响力已被表征;将待度量节点的属性值输入所述最优节点影响力度量模型,得到待度量节点的影响力。根据本公开实施例提供的多属性异构网络节点影响力度量方法,将多样化的节点属性因子和异质性的网络拓扑结构同时输入度量模型进行统筹考虑,大大提高了网络中节点影响力的度量准确性。
Description
技术领域
本发明涉及人工智能与图网络研究技术领域,特别涉及一种多属性异构网络节点影响力度量方法、装置、设备及介质。
背景技术
节点影响力度量是图网络计算领域的重点问题之一,包括互联网中的网页重要性排序、城市网络中的城市重要性排序、疾病传播网络中的城市疫情风险水平等均属于节点影响力度量方法的实际应用范畴。在复杂的网络结构中准确的度量网络节点的影响力,有助于在各种应用场景中识别关键风险点和枢纽点,其结果可以广泛的应用于***风险检测、传染病防控、中心城市评价和规划等领域。
已授权专利CN 104951531B提供了一种基于图简化技术的社交网络中用户影响力估算方法及装置,其中的方法包括:(一)获取待估算用户影响力的社交网络的概率图G,预设抽取可能图的个数N、节点u,以及参数r和t;(二)利用递归分层抽样算法和图简化技术估算概率图G中节点u的影响力。
现有技术中,节点影响力度量方法大多侧重捕捉网络结构异质性和网络节点属性多样性中的某一方面,缺乏全面整合两类特征的方法。另一方面,节点影响力度量模型的参数多根据使用者的经验或既有研究的惯常设置而确定,往往并非最优的参数设置,制约了模型预测的精确性。随着当前多源大数据的规模、类型不断增加,充分利用各类数据来合理构建模型、提高度量结果的准确性的需求十分迫切。
发明内容
本公开实施例提供了一种多属性异构网络节点影响力度量方法、装置、设备及介质。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本公开实施例提供了一种多属性异构网络节点影响力度量方法,包括:
根据网络流数据构建有向加权网络,根据节点属性数据将节点属性值赋给有向加权网络中的相应节点;
根据赋值后的有向加权网络构建节点影响力度量模型,并利用带标签的节点属性数据求解最优参数,得到最优节点影响力度量模型;其中,带标签的节点属性数据的节点影响力已被表征;
将待度量节点的属性值输入最优节点影响力度量模型,得到待度量节点的影响力。
在一个可选地实施例中,根据网络流数据构建有向加权网络,根据节点属性数据将节点属性值赋给有向加权网络中的相应节点之前,还包括:
获取网络流数据和节点属性数据;
对网络流数据和节点属性数据进行预处理。
在一个可选地实施例中,对网络流数据和节点属性数据进行预处理,包括:
对网络流数据和节点属性数据中的异常数据进行删除处理或纠正处理;
对节点属性数据进行标准化处理。
在一个可选地实施例中,根据网络流数据构建有向加权网络,包括:
当两个节点之间存在流数据时,根据流数据的方向在两个节点之间增加一条有向边,边的权重等于流数据的数值大小。
在一个可选地实施例中,根据赋值后的有向加权网络构建节点影响力度量模型,包括:
根据赋值后的有向加权网络,得到如下所示的HeteroRank节点影响力度量模型:
其中,PR(u)表示节点u影响力,d(u)表示节点u对应的网络拓扑结构效应系数,x(u)i表示节点u对应的共k个节点属性中的第i个节点属性,ai表示第i个节点属性的系数,w(u)T表示节点u的网络加权邻接矩阵,PR(v)表示节点v影响力。
在一个可选地实施例中,利用带标签的节点属性数据求解最优参数,得到最优节点影响力度量模型,包括:
通过人工标注的方式获得部分节点的真实影响力表征值,将真实影响力表征值作为节点属性数据的标签;
根据预设的损失函数确定带标签节点的真实影响力表征值与模型度量的估计值之间的差异性;
根据差异性以及进化策略算法,得到节点影响力度量模型的最优参数;
根据最优参数得到最优节点影响力度量模型。
在一个可选地实施例中,将待度量节点的属性值输入最优节点影响力度量模型,得到待度量节点的影响力,包括:
将待度量节点的属性值以及待度量节点所属的网络拓扑结构输入最优节点影响力度量模型,得到待度量节点的影响力。
第二方面,本公开实施例提供了一种多属性异构网络节点影响力度量装置,包括:
网络构建模块,用于根据网络流数据构建有向加权网络,根据节点属性数据将节点属性值赋给有向加权网络中的相应节点;
模型构建模块,用于根据赋值后的有向加权网络构建节点影响力度量模型,并利用带标签的节点属性数据求解最优参数,得到最优节点影响力度量模型;其中,带标签的节点属性数据的节点影响力已被表征;
度量模块,用于将待度量节点的属性值输入最优节点影响力度量模型,得到待度量节点的影响力。
第三方面,本公开实施例提供了一种多属性异构网络节点影响力度量设备,包括处理器和存储有程序指令的存储器,处理器被配置为在执行程序指令时,执行上述实施例提供的多属性异构网络节点影响力度量方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机可读指令,计算机可读指令可被处理器执行以实现上述实施例提供的一种多属性异构网络节点影响力度量方法。
本公开实施例提供的技术方案可以包括以下有益效果:
本公开实施例提供的一种多属性异构网络节点影响力度量方法,将多样化的节点属性因子和异质性的网络拓扑结构同时纳入同一个框架中统筹考虑,既能提高节点影响力估计的准确性,又可以通过求解模型参数来获知每个节点因子以及网络结构对节点影响力的影响水平,从而揭示节点影响力的作用机制。其次,本公开实施例使用进化策略算法求解模型的最优参数组合,改变了以往主要依靠经验来主观确定参数值的做法,大大提高了节点影响力的度量准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种多属性异构网络节点影响力度量方法的流程示意图;
图2是根据一示例性实施例示出的一种有向加权网络的构建方法的示意图;
图3是根据一示例性实施例示出的一种节点影响力度量模型的构建方法的示意图;
图4是根据一示例性实施例示出的一种待度量节点的度量方法的示意图;
图5是根据一示例性实施例示出的一种多属性异构网络节点影响力度量方法的流程示意图;
图6是根据一示例性实施例示出的一种多属性异构网络节点影响力度量装置的结构示意图;
图7是根据一示例性实施例示出的一种多属性异构网络节点影响力度量设备的结构示意图;
图8是根据一示例性实施例示出的一种计算机存储介质的示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的***和方法的例子。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
在一个示例性场景中,需要对城市网络中各个城市的重要性排序,其中,各个城市组成一个多属性异构网络,每个城市是网络中的一个节点,根据本公开实施例中的节点影响力度量方法度量各个城市节点的影响力,根据节点的影响力对各个城市进行重要性排序,从而实现城镇体系中心城市的评价和规划。
下面将结合附图1-附图5,对本申请实施例提供的多属性异构网络节点影响力度量方法进行详细介绍,参见图1,该方法具体包括以下步骤。
S101根据网络流数据构建有向加权网络,根据节点属性数据将节点属性值赋给有向加权网络中的相应节点。
在一种可能的实现方式中,在执行步骤S101之前,还包括获取网络流数据和节点属性数据,对获取到的网络流数据和节点属性数据进行预处理。
具体地,对网络流数据和节点属性数据中的异常数据(信息缺失数据、信息错误数据、信息重复数据等异常数据)进行删除处理或进行纠正处理,然后对节点属性数据进行标准化处理,将节点属性值处理成统一的标准格式。
进一步地,根据网络流数据构建有向加权网络,当两个节点之间存在流数据时,根据流数据的方向在两个节点之间增加一条有向边,边的权重等于流数据的数值大小。例如,当两个节点u和v(如城市、社区、电力设施等)之间存在u→v的流数据时,则增加一条从u到v的有向边,边的权重等于流数据的数值大小Wuv。
然后根据节点属性数据将节点属性值赋给有向加权网络中的相应节点,对于网络中的节点u,将其相对应的节点属性Xu附加到节点上,完成有向加权网络的构建。
S102根据赋值后的有向加权网络构建节点影响力度量模型,并利用带标签的节点属性数据求解最优参数,得到最优节点影响力度量模型;其中,带标签的节点属性数据的节点影响力已被表征。
在一个可选地实施例中,根据赋值后的有向加权网络构建节点影响力度量模型,包括:
根据赋值后的有向加权网络,得到如下所示的HeteroRank节点影响力度量模型:
其中,PR(u)表示节点u影响力,d(u)表示节点u对应的网络拓扑结构效应系数,x(u)i表示节点u对应的共k个节点属性中的第i个节点属性,ai表示第i个节点属性的系数,w(u)T表示节点u的网络加权邻接矩阵,PR(v)表示节点v影响力。
进一步地,利用带标签的节点属性数据求解最优参数,得到最优节点影响力度量模型,包括:首先通过人工标注的方式获得部分节点的真实影响力表征值,将真实影响力表征值作为节点属性数据的标签;根据预设的损失函数确定带标签节点的真实影响力表征值与模型度量的估计值之间的差异性;根据差异性以及进化策略算法,得到节点影响力度量模型的最优参数;根据最优参数得到最优节点影响力度量模型。
具体地,首先为网络中的一部分节点赋予真实节点影响力的某种表征,以支持后续的模型参数最优化求解步骤,可以通过人工标注的方式或数据采集的方式获得部分节点的真实影响力表征值,将真实影响力表征值作为节点属性数据的标签。例如使用感染者数量表征城市网络中每个城市的传染病风险,或用截面交通流量表征道路网络中路段的重要性等,将表征值赋给网络上相应的节点。
然后选择一个合理的损失函数F(y,y′),来表征节点真实的影响力表征值y与模型的度量值y′之间的差异性,F(y,y′)的值越小越好。由于在后续求解模型最优参数中,进化策略算法通常求取的是令目标函数值取得最大值的解,因此需要对损失函数进行如下的变换,从而将最小值问题转变为最大值问题。
进一步地,选取一种进化策略算法,例如差分进化方法或遗传算法,根据差异性以及进化策略算法,得到节点影响力度量模型的最优参数,根据最优参数得到最优节点影响力度量模型。
具体地,利用真实节点的影响力表征数据和通过节点度量模型得到的估计值之间的差异性得到成本函数,根据成本函数中的差异性判断此时节点影响力度量模型是否收敛,若收敛,此时的节点影响力度量模型中的参数即为最优参数,若不收敛,根据进化策略算法训练模型,直到模型收敛为止,得到最优节点影响力度量模型。
S103将待度量节点的属性值输入最优节点影响力度量模型,得到待度量节点的影响力。
在一种可能的实现方式中,得到最优节点影响力度量模型之后,将无真实节点影响力表征值的节点的属性和整个网络拓扑结构输入最优节点影响力度量模型,最终得到待度量节点的影响力。
为了便于理解本申请实施例提供的多属性异构网络节点影响力度量方法,下面结合附图2-附图4进行说明。如图2-图4所示,该方法包括:
首先,构建有向加权网络,图2是根据一示例性实施例示出的一种有向加权网络的构建方法的示意图。如图2所示,首先,获取网络流数据和节点属性数据,然后对网络流数据和节点属性数据进行数据清洗和整理,包括对网络流数据和节点属性数据中的异常数据(信息缺失数据、信息错误数据、信息重复数据等异常数据)进行删除处理或进行纠正处理,然后对节点属性数据进行标准化处理,将节点属性值处理成统一的标准格式。
根据网络流数据构建有向加权网络,得到网络的拓扑结构,然后根据节点属性数据将节点属性值赋给有向加权网络中的相应节点,然后为网络中的一部分节点赋予真实节点影响力的某种表征,以支持后续的模型参数最优化求解步骤,可以通过人工标注的方式或数据采集的方式获得部分节点的真实影响力表征值,将真实影响力表征值作为节点属性数据的标签。完成网络的构建。
进一步地,构建最优节点影响力度量模型,图3是根据一示例性实施例示出的一种节点影响力度量模型的构建方法的示意图,如图3所示,首先,根据网络拓扑结构和节点属性数据构建HeteroRank节点影响力度量模型,然后利用真实节点的影响力表征数据和通过节点度量模型得到的估计值之间的差异性得到成本函数,进一步地,根据成本函数中的差异性判断此时节点影响力度量模型是否收敛,若收敛,此时的节点影响力度量模型中的参数即为最优参数,若不收敛,根据进化策略算法训练模型,直到模型收敛为止,得到最优节点影响力度量模型。
最后,度量无真实影响力表征的节点,图4是根据一示例性实施例示出的一种待度量节点的度量方法的示意图,如图4所示,得到最优节点影响力度量模型之后,将无真实节点影响力表征值的节点的属性和整个网络拓扑结构输入求解后的HeteroRank模型,最终得到上述节点的影响力度量值。
为了便于理解本申请实施例提供的多属性异构网络节点影响力度量方法,下面结合附图5进一步说明。如图5所示,该方法包括:
首先,是数据预处理和网络构建阶段,获取网络流数据和节点属性数据,然后对网络流数据和节点属性数据进行预处理,根据网络流数据构建有向加权网络,得到网络的拓扑结构,根据节点属性数据将节点属性值赋给有向加权网络中的相应节点,然后通过人工标注的方式或数据采集的方式获得部分节点的真实影响力表征值,将真实影响力表征值作为节点属性数据的标签,完成网络的构建,例如使用感染者数量表征城市网络中每个城市的传染病风险,或用截面交通流量表征道路网络中路段的重要性等,将表征值赋给网络上相应的节点。
进一步地,是模型参数求解阶段,根据节点属性因子特征及网络拓扑特征,界定HeteroRank模型的算式形式,为该模型的求解确定一个合适的成本函数。根据求解问题的情况,成本函数可以采用绝对值损失函数、平方损失函数、相关性系数等不同形式。然后为模型的求解选取一种可行的进化策略算法,如差分进化算法或遗传算法等,然后按下述步骤得到最优模型:
A1.在第一轮的计算中,算法将随机生成n组备选的参数,对应n个初始的HeteroRank模型;
A2.将已知节点影响力表征值的节点属性及网络拓扑结构输入每个HeteroRank模型,得到这些节点影响力的n组估计值,将估计值与真实节点影响力表征值同时输入成本函数,分别计算n组模型的误差;
A3.根据误差值的大小,从备选参数中择优,并通过交叉、变异等算子生成新的参数组;
A4.重复B6-B8步骤,直至达到进化策略算法的收敛条件,此时得到HeteroRank模型的最优解。
A5.输出最优解,并根据输出的最优解得到最优节点影响力度量模型。
最后,度量无真实影响力表征的节点的影响力。
将待估计节点的属性特征和待估计节点的网络拓扑结构输入最优节点影响力度量模型,得到待度量节点的影响力。
根据本公开实施例提供的一种多属性异构网络节点影响力度量方法,将多样化的节点属性因子和异质性的网络拓扑结构同时纳入同一个框架中统筹考虑,既能提高节点影响力估计的准确性,又可以通过求解模型参数来获知每个节点因子以及网络结构对节点影响力的影响水平,从而揭示节点影响力的作用机制。其次,本公开实施例使用进化策略算法求解模型的最优参数组合,改变了以往主要依靠经验来主观确定参数值的做法,大大提高了节点影响力的度量准确性。因此,本公开实施例提供的节点影响力度量方法具有较好的效果。
本公开实施例还提供一种多属性异构网络节点影响力度量装置,该装置用于执行上述实施例的多属性异构网络节点影响力度量方法,如图6所示,该装置包括:
网络构建模块601,用于根据网络流数据构建有向加权网络,根据节点属性数据将节点属性值赋给有向加权网络中的相应节点;
模型构建模块602,用于根据赋值后的有向加权网络构建节点影响力度量模型,并利用带标签的节点属性数据求解最优参数,得到最优节点影响力度量模型;其中,带标签的节点属性数据的节点影响力已被表征;
度量模块603,用于将待度量节点的属性值输入最优节点影响力度量模型,得到待度量节点的影响力。
需要说明的是,上述实施例提供的多属性异构网络节点影响力度量装置在执行多属性异构网络节点影响力度量方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的多属性异构网络节点影响力度量装置与多属性异构网络节点影响力度量方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
本公开实施例还提供一种与前述实施例所提供的多属性异构网络节点影响力度量方法对应的电子设备,以执行上述多属性异构网络节点影响力度量方法。
请参考图7,其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图7所示,电子设备包括:处理器700,存储器701,总线702和通信接口703,处理器700、通信接口703和存储器701通过总线702连接;存储器701中存储有可在处理器700上运行的计算机程序,处理器700运行计算机程序时执行本申请前述任一实施例所提供的多属性异构网络节点影响力度量方法。
其中,存储器701可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口703(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线702可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中,存储器701用于存储程序,处理器700在接收到执行指令后,执行程序,前述本申请实施例任一实施方式揭示的多属性异构网络节点影响力度量方法可以应用于处理器700中,或者由处理器700实现。
处理器700可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器700中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器700可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器701,处理器700读取存储器701中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的多属性异构网络节点影响力度量方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施例还提供一种与前述实施例所提供的多属性异构网络节点影响力度量方法对应的计算机可读存储介质,请参考图8,其示出的计算机可读存储介质为光盘800,其上存储有计算机程序(即程序产品),计算机程序在被处理器运行时,会执行前述任意实施例所提供的多属性异构网络节点影响力度量方法。
需要说明的是,计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的多属性异构网络节点影响力度量方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上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 (9)
1.一种多属性异构网络节点影响力度量方法,其特征在于,包括:
根据网络流数据构建有向加权网络,根据节点属性数据将节点属性值赋给所述有向加权网络中的相应节点;其中,各个城市组成一个网络,每个城市是网络中的一个节点;
根据赋值后的有向加权网络构建节点影响力度量模型,并利用带标签的节点属性数据求解最优参数,得到最优节点影响力度量模型;其中,所述带标签的节点属性数据的节点影响力已被表征;根据赋值后的有向加权网络,得到如下所示的HeteroRank节点影响力度量模型:
其中,PR(u)表示节点u影响力,d(u)表示节点u对应的网络拓扑结构效应系数,x(u)i表示节点u对应的共k个节点属性中的第i个节点属性,ai表示第i个节点属性的系数,w(u)T表示节点u的网络加权邻接矩阵,PR(v)表示节点v影响力;
将待度量节点的属性值输入所述最优节点影响力度量模型,得到待度量节点的影响力;根据节点的影响力对各个城市进行重要性排序。
2.根据权利要求1所述的方法,其特征在于,根据网络流数据构建有向加权网络,根据节点属性数据将节点属性值赋给所述有向加权网络中的相应节点之前,还包括:
获取所述网络流数据和所述节点属性数据;
对所述网络流数据和所述节点属性数据进行预处理。
3.根据权利要求2所述的方法,其特征在于,对所述网络流数据和所述节点属性数据进行预处理,包括:
对所述网络流数据和所述节点属性数据中的异常数据进行删除处理或纠正处理;
对所述节点属性数据进行标准化处理。
4.根据权利要求1所述的方法,其特征在于,根据网络流数据构建有向加权网络,包括:
当两个节点之间存在流数据时,根据流数据的方向在两个节点之间增加一条有向边,边的权重等于流数据的数值大小。
5.根据权利要求1所述的方法,其特征在于,利用带标签的节点属性数据求解最优参数,得到最优节点影响力度量模型,包括:
通过人工标注的方式获得部分节点的真实影响力表征值,将所述真实影响力表征值作为所述节点属性数据的标签;
根据预设的损失函数确定带标签节点的真实影响力表征值与模型度量的估计值之间的差异性;
根据所述差异性以及进化策略算法,得到所述节点影响力度量模型的最优参数;
根据所述最优参数得到所述最优节点影响力度量模型。
6.根据权利要求1所述的方法,其特征在于,将待度量节点的属性值输入所述最优节点影响力度量模型,得到待度量节点的影响力,包括:
将待度量节点的属性值以及待度量节点所属的网络拓扑结构输入所述最优节点影响力度量模型,得到待度量节点的影响力。
7.一种多属性异构网络节点影响力度量装置,其特征在于,包括:
网络构建模块,用于根据网络流数据构建有向加权网络,根据节点属性数据将节点属性值赋给所述有向加权网络中的相应节点;其中,各个城市组成一个网络,每个城市是网络中的一个节点;
模型构建模块,用于根据赋值后的有向加权网络构建节点影响力度量模型,并利用带标签的节点属性数据求解最优参数,得到最优节点影响力度量模型;其中,所述带标签的节点属性数据的节点影响力已被表征;根据赋值后的有向加权网络,得到如下所示的HeteroRank节点影响力度量模型:
其中,PR(u)表示节点u影响力,d(u)表示节点u对应的网络拓扑结构效应系数,x(u)i表示节点u对应的共k个节点属性中的第i个节点属性,ai表示第i个节点属性的系数,w(u)T表示节点u的网络加权邻接矩阵,PR(v)表示节点v影响力;
度量模块,用于将待度量节点的属性值输入所述最优节点影响力度量模型,得到待度量节点的影响力;根据节点的影响力对各个城市进行重要性排序。
8.一种多属性异构网络节点影响力度量设备,其特征在于,包括处理器和存储有程序指令的存储器,所述处理器被配置为在执行所述程序指令时,执行如权利要求1至6任一项所述的多属性异构网络节点影响力度量方法。
9.一种计算机可读介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1至6任一项所述的一种多属性异构网络节点影响力度量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110315054.7A CN113158072B (zh) | 2021-03-24 | 2021-03-24 | 多属性异构网络节点影响力度量方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110315054.7A CN113158072B (zh) | 2021-03-24 | 2021-03-24 | 多属性异构网络节点影响力度量方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113158072A CN113158072A (zh) | 2021-07-23 |
CN113158072B true CN113158072B (zh) | 2024-03-22 |
Family
ID=76884610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110315054.7A Active CN113158072B (zh) | 2021-03-24 | 2021-03-24 | 多属性异构网络节点影响力度量方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158072B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242710A (zh) * | 2018-08-16 | 2019-01-18 | 北京交通大学 | 社交网络节点影响力排序方法及*** |
CN111259206A (zh) * | 2020-01-16 | 2020-06-09 | 中国传媒大学 | 一种有向加权网络中多重影响力矩阵赋权方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200366690A1 (en) * | 2019-05-16 | 2020-11-19 | Nec Laboratories America, Inc. | Adaptive neural networks for node classification in dynamic networks |
-
2021
- 2021-03-24 CN CN202110315054.7A patent/CN113158072B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242710A (zh) * | 2018-08-16 | 2019-01-18 | 北京交通大学 | 社交网络节点影响力排序方法及*** |
CN111259206A (zh) * | 2020-01-16 | 2020-06-09 | 中国传媒大学 | 一种有向加权网络中多重影响力矩阵赋权方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113158072A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949290B (zh) | 路面裂缝检测方法、装置、设备及存储介质 | |
CN110554958A (zh) | 图数据库测试方法、***、设备和存储介质 | |
CN112288249A (zh) | 业务流程执行方法、装置、计算机设备和介质 | |
CN112182306B (zh) | 一种基于不确定图的社区发现方法 | |
CN113178024A (zh) | 基于人工智能的融合型车载智能存储***及方法 | |
CN114331206A (zh) | 点位选址方法、装置、电子设备及可读存储介质 | |
CN113158072B (zh) | 多属性异构网络节点影响力度量方法、装置、设备及介质 | |
CN116756536B (zh) | 数据识别方法、模型训练方法、装置、设备及存储介质 | |
CN112422650B (zh) | 楼宇定位方法、装置、设备及计算机可读存储介质 | |
CN115438453B (zh) | 一种利用观测数据构建路网设施拓扑结构的方法 | |
KR101806628B1 (ko) | 통합 회귀 분석 네트워크 구축 방법 및 이에 의한 통합 분석 시스템 | |
CN116740586A (zh) | 冰雹识别方法、装置、电子设备及计算机可读存储介质 | |
CN109218184B (zh) | 基于端口和结构信息的路由器归属as识别方法 | |
CN116166642A (zh) | 基于引导信息的时空数据填补方法、***、设备及介质 | |
JP7173234B2 (ja) | 情報処理に用いられる方法、装置、デバイス及び記憶媒体 | |
CN115311887A (zh) | 优质公共服务资源可达性模型构建方法、设备及存储介质 | |
JP6950647B2 (ja) | データ判定装置、方法、及びプログラム | |
CN114281808A (zh) | 一种交通大数据清洗方法、装置、设备及可读存储介质 | |
CN117253209B (zh) | 自动驾驶点云检测方法、装置、通信设备及存储介质 | |
CN116993396B (zh) | 基于车辆用户标签的风险预警方法、计算机设备 | |
CN116881386B (zh) | 一种空间环境时空基准模型的构建方法及*** | |
CN116939669B (zh) | 基于ip学习表的网元识别方法、***、设备及可读介质 | |
CN110737733B (zh) | 去除重复兴趣点的方法和装置 | |
CN117541895A (zh) | 路面箭头精度评估方法、装置、设备及存储介质 | |
CN117809736A (zh) | 一种蛋白质结构的温度因子预测方法、装置、设备及介质 |
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 |