CN116346712B - 一种基于种子扩展和标签传播的社区发现方法 - Google Patents
一种基于种子扩展和标签传播的社区发现方法 Download PDFInfo
- Publication number
- CN116346712B CN116346712B CN202310311183.8A CN202310311183A CN116346712B CN 116346712 B CN116346712 B CN 116346712B CN 202310311183 A CN202310311183 A CN 202310311183A CN 116346712 B CN116346712 B CN 116346712B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- label
- seed
- labels
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000001174 ascending effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000000644 propagated effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/50—Routing or path finding of packets in data switching networks using label swapping, e.g. multi-protocol label switch [MPLS]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于种子扩展和标签传播的社区发现方法。其步骤包括:获取网络中的所有节点,根据网络自身的拓扑结构计算节点的重要性,依据节点重要性选取种子节点并为种子节点赋予标签,再依据节点间相似性对中心节点的邻居节点进行标签预处理;采用固定的基于节点重要性的序列进行标签传播,并将节点相似性融合到标签传播能力计算中,制定新的标签更新策略;输出节点的标签,将具有相同标签的节点划分到同一社区,得到最终的社区划分结果。本发明解决了标签传播算法中的随机策略而造成的不稳定问题,使得本发明法能够准确且高效地检测网络中的社区结构,并且还能检测出网络中的重叠社区。
Description
技术领域
本发明属于网络通信技术领域,具体涉及一种基于种子扩展和标签传播的社区发现方法。
背景技术
复杂网络中的社交网络就是社交关系的网络化,在线社交网络反映的是真实的社会关系的发展,使得人们的活动与网络的功能融为一体,人们根据不同的条件建立属于自己的社交圈子,映射到在线社交网络中,使得网络从直观上呈现出高度复杂的特点,利用社区发现的方法可以从杂乱无章的网络结构中挖掘出复杂网络***内在的聚集行为,揭示复杂网络***内在的功能特性,提取网络拓扑结构特征。
由于互联网技术的快速发展,网络结构愈加复杂,现有的研究大多将重点放在提高社区检测的效率和准确性上。如Raghavan提出的标签传播算法的时间效率非常高,其基本思想是用邻居节点的标签信息来预测待更新节点的标签信息,但该方法只能发现非重叠社区,且社区发现结果不够稳定、准确性也不高。
发明内容
为了解决现有技术存在的上述技术问题,本发明提出一种基于种子扩展和标签传播的社区发现方法,用于对社交网络进行社区划分。
本发明解决上述技术问题的技术方案是:一种基于种子扩展和标签传播的社区发现方法,包括以下步骤:
S1,获取网络中的所有节点,根据网络自身的拓扑结构计算节点的重要性;
S2,依据节点重要性选取种子节点并为种子节点赋予标签;
S3,计算种子节点与邻居节点的相似度,对邻居节点进行标签预处理;
S4,对预处理之后的节点的标签列表进行处理,计算标签归属系数;
S5,将网络中的所有节点按重要性大小的升序排列,采用该固定的基于节点重要性的序列进行标签传播,该序列记为PR序列;
S6,将标签归属系数和节点相似度融合到标签传播能力计算中,制定新的标签更新策略;
S7,输出节点的标签,将具有相同标签的节点划分到同一社区,得到最终的社区划分结果。
进一步的,所述步骤S1中采用PageRank算法计算节点的重要性,公式如下:
其中,PR(vi)表示节点vi的PageRank值;Ni表示节点vi的邻居节点集合;|Ni|表示节点vi的邻居节点的个数,即节点vi的度;n表示网络的节点总数;d是系数,称为阻尼因子,一般取d=0.8。
进一步的,所述步骤S2中从待处理节点列表中选取PageRank值最大的节点作为种子节点,并赋予标签,种子节点计算公式如下:
vseed=argmax{PR(vi)|vi∈V′,PR(vi)∈PR}
其中,V′表示待处理节点列表;PR(vi)表示节点vi的PageRank值。
进一步的,所述步骤S3中对于两个相邻的节点vi和vj,与节点vj相似的节点vi的计算公式如下:
Z=Ni∩Nj
S=(Ni∩Nj)∪vi∪vj
上式中S表示由节点vi、vj及其共同相邻节点构成的子网络的节点集合;|S|表示集合S中的节点数;Z表示节点vi、vj的共同邻居节点集合;Ni表示节点vi的邻居节点集合;|Ni|表示节点vi的邻居节点的总数,即节点vi的度;z表示节点vi与种子节点vseed的共同邻居;ki表示节点vi的度;δ(u,v)用于确定节点u,v之间是否存在连续边;如果节点u,v之间有一条边,则δ(u,v)=1,否则δ(u,v)=0。
进一步的,所述步骤S3中标签预处理为:种子标签被扩展到具有高相似度的相邻节点,以种子节点作为潜在的社区中心逐渐形成簇;当某一轮选择的种子节点完成对所有相邻节点的标签预处理之后,将该种子节点从待处理节点列表V′中移除,进行下一轮的标签预处理,再从当前待处理节点列表V′中选择PageRank值最大的节点作为种子节点,重复上一轮标签预处理的步骤,直到待处理节点列表V′为空,节点标签预处理结束。
进一步的,所述步骤S4至S7中的具体步骤为:将节点按PageRank值按小到大顺序排列,并计算所有节点的标签列表中的标签归属系数,按PageRank值升序的固定序列顺序选择节点进行标签更新,收集节点vi的邻居节点的主标签并放入标签列表中,计算标签的传播能力;筛选出标签传播能力大于的标签放入标签集合L′i中,再对L′i中的标签进行归一化处理,选出传播能力最大的标签作为待更新节点的主标签,进行下一轮循环迭代,直到所有节点的标签不再发生变化。
本发明的有益效果:
(1)准确衡量节点的重要程度,本发明利用PageRank算法计算节点重要性,可以准确识别种子节点,基于共同邻居节点的连接紧密度定义节点间相似度,更准确的度量邻居节点的不同影响力。
(2)本发明了解决标签传播算法初始时刻节点标签紊乱的问题,提出根据种子节点与邻居节点的相似度,选择性的赋予邻居节点标签,使得紧密相连的节点被赋予相同的标签,有助于社区的发现。提出基于中心节点扩展的标签预处理策略,可以减少网络中标签的种类,有助于后续的标签传播。
(3)本发明减少了标签传播的随机性,由于从网络中的节点数量多,且每个节点的影响力不同,不同的更新顺序会导致不同的社区划分结果,会导致方法稳定性较差。本发明将节点按照节点重要性升序排列,并且按照这个升序的顺序进行更新,有效避免了标签传播的随机性,解决了标签传播算法稳定性较差的问题。同时,重要性小的节点先进行标签更新可以使得重要性大的节点的标签能够广泛传播。
(4)本发明提高了标签更新的准确性,通过基于节点重要性和节点间相似度来计算标签传播能力,并将上一轮迭代时的标签归属系数融入到本轮迭代的标签传播能力计算中,更全面地反映标签传播过程中的不同影响,从而提高标签更新的准确性。
(5)本发明基于标签传播能力计算的标签更新策略辅助节点选择标签,有效提高了标签传播的准确性和稳定性。由于邻居节点的标签列表中的标签可能有多个,会导致标签传播的时间复杂性很高,因此设置主标签来表示节点的标签集合中传播能力最大的标签,并提出在标签传播阶段中只传播节点的主标签,即待更新节点只接收每个邻居节点的一个标签,而不是整个标签集合,以此加快标签传播的收敛速度,提高标签传播的效率,较少计算量。
(6)本发明可同时进行非重叠社区和重叠社区的检测,通过设置标签集合保留节点的标签,当所有节点的标签列表中只有一个标签时,则为非重叠社区,反之则为重叠社区,拥有多个标签的节点即为重叠节点。
本发明提出的社区发现方法将以上算法进行融合,借鉴了种子扩展的思想进行标签预处理,基于标签传播的方法进行标签更新。同时又改进了种子扩展方法,充分考虑节点的重要程度,解决了标签传播算法中的随机策略而造成的不稳定问题,使得本发明法能够准确且高效地检测网络中的社区结构,并且还能检测出网络中的重叠社区。
附图说明
图1为本发明中的在线社交网络图。
图2为本发明中社交网络的社区发现过程示例图。
图3本发明的流程框图。
图4本发明的详细流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。
如图1、2、3、4所示,本发明的一种基于种子扩展和标签传播的社区发现方法,包括以下步骤:
S1,获取网络中的所有节点,根据网络自身的拓扑结构计算节点的重要性。
将现实世界中的实体抽象成节点,将实体之间的关系抽象成连边,以此构建复杂网络图谱。网络图由节点V、节点之间的连边E构成,用G=(V,E)表示一个无向无权网络,其中V={v1,v2,v3,…,vn}表示网络的节点集合,E={e1,e2,e3,…,em}表示网络中连边的集合,其中n为网络节点的总数,m为网络的连边数量。网络中直接相连的两个节点互为邻居节点,节点vi的邻居节点集合表示为Ni={vj|(vi,vj)∈E},其中节点vj为节点vi的邻居节点。与节点相关联的边的条数称之为节点度,用ki来表示节点vi的度。对于无向网络,节点的度也等于该节点的邻居节点总数。
对于无向无权重网络G=(V,E),节点的重要性描述了节点成为社区中心的可能性。用PageRank算法来计算节点的重要性,节点的PageRank值越高,该节点就越重要,在网络中的影响力越大。用PR(vi)的值表示节点vi的重要性。节点重要性的计算公式如下:
其中,PR(vi)表示节点vi的PageRank值;Ni表示节点vi的邻居节点集合;|Ni|表示节点vi的邻居节点的个数,即节点vi的度;n表示网络的节点总数;d是系数,称为阻尼因子,一般取d=0.85。
S2,依据节点重要性选取种子节点并为种子节点赋予标签。
在网络初始化时,所有节点均为待处理节点,设置V′来表示待处理节点列表。计算网络中所有节点的PageRank值之后,将计算结果放入列表PR中,再从PR列表中选择PageRank值最大的节点作为种子节点,记为vseed。种子节点计算公式如下:
vseed=argmax{PR(vi)|vi∈V′,PR(vi)∈PR} #(2)
其中,V′表示待处理节点列表;PR(vi)表示节点vi的PageRank值。因为处于社区之间的节点其影响力会比处于社区内部的节点的影响力要低,而PageRank值可以很好地反映了这个特征。
S3,计算种子节点与邻居节点的相似度,对邻居节点进行标签预处理。
节点之间的相似度用于测量两个相邻节点之间的连接强度,相似度大于一定阈值的节点称之为相似节点,具有较高相似度的节点更可能属于同一社区。当前大多数相似度度量只关注共同邻居节点自身特征的信息,而忽略了共同邻居之间的关系。本发明中引入了被测节点及其共同邻居之间的连接情况。对于两个相邻的节点vi和vj,与节点vj相似的节点vi的计算公式如下:
Z=Ni∩Nj#(4)
S=(Ni∩Nj)∪vi∪vj#(5)
其中S表示由节点vi、vj及其共同相邻节点构成的子网络的节点集合;|S|表示集合S中的节点数;Z表示节点vi、vj的共同邻居节点集合;Ni表示节点vi的邻居节点集合;|Ni|表示节点vi的邻居节点的总数,即节点vi的度;z表示节点vi与种子节点vseed的共同邻居;ki表示节点vi的度。δ(u,v)用于确定节点u,v之间是否存在连续边。如果节点u,v之间有一条边,则δ(u,v)=1,否则δ(u,v)=0。相似度公式由两部分组成。
相似度大于一定阈值的两个节点为相似节点,若判定节点vi与种子节点vseed相似,则将种子节点vseed的标签添加到节点vi的标签列表中。该阈值会限制节点标签的数量,阈值过小可能导致节点的标签过多,阈值太大可能会限制重叠社区的发现。因此若仅定义一个固定参数来判定节点是否相似,可能会影响判断相似节点的准确性。由于每个节点所属社区数目不同,采用节点度值的倒数作为参数进行相似节点的判定。在每一轮的预处理过程中,对本轮选择出的种子节点及其邻居节点进行预处理之后,将种子节点从待处理节点列表中删除。再从已删除该种子节点的待处理节点列表中选择PR值最大的节点作为下一轮预处理的种子节点,重复S2和S3的节点标签预处理过程,直到待处理节点列表V′为空,输出所有节点的标签列表,标签预处理结束。经过标签预处理,网络中的所有节点都至少拥有一个标签,部分节点会拥有多个标签,有利于重叠社区的发现。
S4,对预处理之后的节点的标签列表进行处理,计算标签归属系数。
由于节点归属于不同社区的概率不相同,因此节点标签列表中的不同标签的概率也是不同的。为了更准确的检测重叠社区,采用标签归属系数b(l,i)来表示标签l对节点vi的影响,b(l,i)也可以理解为节点vi归属于标签l对应的社区的概率。节点vi的标签列表中不同标签l的归属系数b(l,i)计算定义如下:
其中Li表示节点vi的标签列表;Sim(vl,vi)表示节点vi和标签为l的节点vl的相似度。在标签预处理阶段中赋予种子节点的标签是以节点的id命名的,所以标签l对应的是节点vl。因此,b(l,i)中的PR(vl)表示节点vl的PageRank值。具有更大重要性和相似度的相邻节点对其标签具有更大的影响。采用节点重要性和节点之间的相似度来计算标签归属系数,以使节点对标签的选择更加合理。
S5,将网络中的所有节点按重要性大小的升序排列,采用该固定的基于节点重要性的序列进行标签传播,该序列记为PR序列。
在标签传播过程中,如果节点在没有特定序列的情况下进行标签的更新会导致结果的不稳定。重要性大的节点成为潜在社区中心的概率更大。因此,按升序顺序进行更新可以使潜在中心的标签传播得足够广泛,以优先占据社区中心。确定基于节点重要性升序的固定标签传播序列,以减少标签传播的随机性,并解决标签传播算法稳定性较差的问题。
S6,将标签归属系数和节点相似度融合到标签传播能力计算中,制定新的标签更新策略。
收集节点vi的所有邻居节点的主标签和对应的标签传播能力组成标签集合SLi。主标签表示一个节点的标签集合中具有最大传播能力的标签。第t次迭代时vi的主标签记为计算公式如下:
其中表示第t次迭代时节点vi的标签集合。如果在标签列表中有多个具有最大传播能力的标签,则选择节点重要性更大的邻居节点传播的主标签作为本轮标签传播迭代时的新标签。
计算标签集合SLi中所有标签的标签传播能力。在本发明中,使用同步更新的策略,在标签传播的第t次迭代中,待更新的节点的标签由其第t-1次迭代时的邻居节点的标签确定。本发明中标签传播能力计算公式融合了标签归属系数和节点间的影响,能够更准确的表示标签l对待更新节点的影响力。标签传播能力表示vi的标签在第t次迭代时更新为l的概率,表示为计算如下:
其中,表示第t-1次迭代时节点vu的标签集合中传播能力最大的标签,即节点vu的主标签。由于不同邻居节点和不同标签的影响力不同,在上一轮迭代中标签传播能力较大且与待更新节点相似度较高的邻居节点在第t-1时刻具有更大的标签传播能力。根据上一次迭代的标签传播能力/>和节点间的相似度Sim(vi,vj)来计算本次迭代时的标签传播能力,并使用标签传播能力衡量不同邻居节点对待更新标签的节点的不同影响,以便更准确的更新节点标签。
在计算完SLi集合中所有标签的传播能力之后,筛选出标签传播能力大于的标签放入标签集合L′i中,再对L′i中的标签进行归一化处理,选出传播能力最大的标签作为待更新节点的主标签,等待下一轮循环迭代。标准传播能力归一化处理方式如下:
其中L′i表示第t次迭代时节点vi的新标签列表,经过归一化处理得到的L′i为节点vi在本轮迭代的新标签列表,本轮节点vi的标签更新完成。
再从PR列表中选择节点vi后的节点进行标签更新,重复步骤S6,直到网络中所有节点的标签都不再发生变化时,标签传播结束。
S7,输出节点的标签,将具有相同标签的节点划分到同一社区,得到最终的社区划分结果。拥有相同标签的节点在同一个社区中,标签列表中含多个标签的节点即为重叠节点,重叠节点归属于多个社区。
Claims (1)
1.一种基于种子扩展和标签传播的社区发现方法,其特征在于,包括以下步骤:
S1,获取网络中的所有节点,根据网络自身的拓扑结构计算节点的重要性;所述步骤S1中采用PageRank算法计算节点的重要性,公式如下:
其中,PR(vi)表示节点vi的PageRank值;Ni表示节点vi的邻居节点集合;|Ni|表示节点vi的邻居节点的个数,即节点vi的度;n表示网络的节点总数;d是系数,称为阻尼因子,取d=0.8;
S2,依据节点重要性选取种子节点并为种子节点赋予标签;所述步骤S2中从待处理节点列表中选取PageRank值最大的节点作为种子节点,并赋予标签,种子节点计算公式如下:
vseed=argmax{PR(vi)|vi∈V′,PR(vi)∈PR}
其中,V'表示待处理节点列表;PR(vi)表示节点vi的PageRank值
S3,计算种子节点与邻居节点的相似度,对邻居节点进行标签预处理;所述步骤S3中对于两个相邻的节点vi和vj,与节点vj相似的节点vi的计算公式如下:
Z=Ni∩Nj
S=(Ni∩Nj)∪vi∪vj
上式中S表示由节点vi、vj及其共同相邻节点构成的子网络的节点集合;|S|表示集合S中的节点数;Z表示节点vi、vj的共同邻居节点集合;Ni表示节点vi的邻居节点集合;|Ni|表示节点vi的邻居节点的总数,即节点vi的度;z表示节点vi与种子节点vseed的共同邻居;ki表示节点vi的度;δ(u,v)用于确定节点u,v之间是否存在连续边;如果节点u,v之间有一条边,则δ(u,v)=1,否则δ(u,v)=0;种子标签被扩展到具有高相似度的相邻节点,以种子节点作为潜在的社区中心逐渐形成簇;当某一轮选择的种子节点完成对所有相邻节点的标签预处理之后,将该种子节点从待处理节点列表V'中移除,进行下一轮的标签预处理,再从当前待处理节点列表V'中选择PageRank值最大的节点作为种子节点,重复上一轮标签预处理的步骤,直到待处理节点列表V'为空,节点标签预处理结束;
S4,对预处理之后的节点的标签列表进行处理,计算标签归属系数;标签归属系数计算公式为:
其中Li表示节点vi的标签列表;Sim(vl,vi)表示节点vi和标签为l的节点vl的相似度,表示节点vl的PageRank值;
S5,将网络中的所有节点按重要性大小的升序排列,采用该固定的基于节点重要性的序列进行标签传播,该序列记为PR序列;
S6,将标签归属系数和节点相似度融合到标签传播能力计算中,制定新的标签更新策略;
S7,输出节点的标签,将具有相同标签的节点划分到同一社区,得到最终的社区划分结果;
步骤S4至S7中的具体步骤为:将节点按PageRank值按小到大顺序排列,并计算所有节点的标签列表中的标签归属系数,按PageRank值升序的固定序列顺序选择节点进行标签更新,收集节点i的邻居节点的主标签并放入标签列表中,计算标签的传播能力;筛选出标签传播能力大于的标签放入标签集合L'i中,再对L'i中的标签进行归一化处理,选出传播能力最大的标签作为待更新节点的主标签,进行下一轮循环迭代,直到所有节点的标签不再发生变化;
所述标签归属系数计算公式为:
其中Li表示节点vi的标签列表;Sim(vl,vi)表示节点vi和标签为l的节点vl的相似度,PR(vl)表示节点vl的PageRank值;
选择邻居节点的主标签进行传播,第t次迭代时vi的主标签记为计算公式如下:
其中表示第t次迭代时节点vi的标签集合;
标签的传播能力为:标签传播能力表示vi的标签在第t次迭代时更新为l的概率,表示为计算如下:
其中,表示第t-1次迭代时节点vu的标签集合中传播能力最大的标签,即节点vu的主标签;
计算完DLi集合中所有标签的传播能力之后,筛选出标签传播能力大于的标签放入标签集合L'i中,再对L'i中的标签进行归一化处理,标签传播能力归一化处理公式如下:
其中L'i表示第t次迭代时节点vi的新标签列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310311183.8A CN116346712B (zh) | 2023-03-24 | 2023-03-24 | 一种基于种子扩展和标签传播的社区发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310311183.8A CN116346712B (zh) | 2023-03-24 | 2023-03-24 | 一种基于种子扩展和标签传播的社区发现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116346712A CN116346712A (zh) | 2023-06-27 |
CN116346712B true CN116346712B (zh) | 2024-04-12 |
Family
ID=86883548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310311183.8A Active CN116346712B (zh) | 2023-03-24 | 2023-03-24 | 一种基于种子扩展和标签传播的社区发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116346712B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2568427A1 (en) * | 2011-09-12 | 2013-03-13 | Gface GmbH | A computer-implemented method for displaying an individual timeline of a user of a social network, computer system and computer readable medium thereof |
CN108073944A (zh) * | 2017-10-18 | 2018-05-25 | 南京邮电大学 | 一种基于局部影响力的标签传播社区发现方法 |
CN113010813A (zh) * | 2021-03-16 | 2021-06-22 | 北京信息科技大学 | 一种基于随机游走的标签传播重叠社区发现方法及*** |
CN115658259A (zh) * | 2022-10-24 | 2023-01-31 | 广州博通信息技术有限公司 | 多重工业网络中基于负载均衡策略和改进蚁群算法的组件调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153713B (zh) * | 2017-05-27 | 2018-02-23 | 合肥工业大学 | 社交网络中基于节点间相似性的重叠社区检测方法及*** |
-
2023
- 2023-03-24 CN CN202310311183.8A patent/CN116346712B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2568427A1 (en) * | 2011-09-12 | 2013-03-13 | Gface GmbH | A computer-implemented method for displaying an individual timeline of a user of a social network, computer system and computer readable medium thereof |
CN108073944A (zh) * | 2017-10-18 | 2018-05-25 | 南京邮电大学 | 一种基于局部影响力的标签传播社区发现方法 |
CN113010813A (zh) * | 2021-03-16 | 2021-06-22 | 北京信息科技大学 | 一种基于随机游走的标签传播重叠社区发现方法及*** |
CN115658259A (zh) * | 2022-10-24 | 2023-01-31 | 广州博通信息技术有限公司 | 多重工业网络中基于负载均衡策略和改进蚁群算法的组件调度方法 |
Non-Patent Citations (3)
Title |
---|
A community detection algorithm fusing node similarity and label propagation;Yuqi liu et al.;CWSN;20221113;全文 * |
A novel link prediction method for multiplex networks with incomplete information;Jie luo et al.;ICSC;20230320;全文 * |
基于边传播概率的重叠社区发现算法;王刚;;电脑知识与技术;20180725(21);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116346712A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110719106B (zh) | 一种基于节点分类排序的社交网络图压缩方法及*** | |
CN103020163A (zh) | 一种网络中基于节点相似度的网络社区划分方法 | |
CN112182306B (zh) | 一种基于不确定图的社区发现方法 | |
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 | |
CN103400299B (zh) | 基于重叠点识别的网络重叠社团检测方法 | |
CN110909173A (zh) | 一种基于标签传播的非重叠社区发现方法 | |
CN108765180A (zh) | 基于影响力与种子扩展的重叠社区发现方法 | |
CN104700311B (zh) | 一种社会网络中的邻域跟随社区发现方法 | |
CN109754023A (zh) | 基于j散度的新型决策树分类方法 | |
CN113190939A (zh) | 基于多边形系数的大型稀疏复杂网络拓扑分析和简化方法 | |
CN109218184B (zh) | 基于端口和结构信息的路由器归属as识别方法 | |
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 | |
CN110162716B (zh) | 一种基于社区检索的影响力社区搜索方法和*** | |
CN116346712B (zh) | 一种基于种子扩展和标签传播的社区发现方法 | |
CN113010813A (zh) | 一种基于随机游走的标签传播重叠社区发现方法及*** | |
CN103164487B (zh) | 一种基于密度与几何信息的数据聚类方法 | |
CN116720975A (zh) | 基于结构相似的局部社区发现方法及*** | |
CN108959652A (zh) | 基于密度峰值与社区归属度的重叠社区发现方法 | |
CN114142923A (zh) | 光缆故障定位方法、装置、设备及可读介质 | |
CN115665082A (zh) | 基于信息熵改进的社交网络关键节点识别方法及*** | |
CN108090132B (zh) | 融合标签平均划分距离和结构关系的社区可重叠划分方法 | |
CN103051476B (zh) | 基于拓扑分析的网络社区发现方法 | |
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 | |
CN112188518B (zh) | 一种传感器节点通信优化方法、装置及可读存储介质 | |
CN112052549B (zh) | 一种小网眼聚集区道路选取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |