CN104346481B - 一种基于动态同步模型的社区检测方法 - Google Patents
一种基于动态同步模型的社区检测方法 Download PDFInfo
- Publication number
- CN104346481B CN104346481B CN201410717471.4A CN201410717471A CN104346481B CN 104346481 B CN104346481 B CN 104346481B CN 201410717471 A CN201410717471 A CN 201410717471A CN 104346481 B CN104346481 B CN 104346481B
- Authority
- CN
- China
- Prior art keywords
- node
- community
- mrow
- network
- msub
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 230000001360 synchronised effect Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000013139 quantization Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 238000000205 computational method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000009412 basement excavation Methods 0.000 abstract description 2
- 238000007418 data mining Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012549 training 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于网络数据挖掘领域，具体涉及一种基于动态同步模型的社区检测方法，首先读取社交网络数据，然后根据社交网络图进行网络矢量化，得到矢量化后的一维坐标序列；再设置同步参数计算同步范围，进行同步聚类：每个节点根据扩展的动态同步模型在同步范围内进行同步，直到达到局部同步状态，根据各节点的坐标位置进行社区划分，计算该划分的模块度，然后不断增加同步参数，执行新一轮的同步聚类过程，直到同步范围覆盖所有节点。通过kuramoto模型对网络中的节点进行聚类，能够对链接密度进行精准的描述，有效的反应网络链接密度的差异,实现社交网络社区结构的自动检测，并对社区检测结果进行选择和优化。
Description
技术领域
本发明属于网络数据挖掘领域，具体涉及一种基于动态同步模型的社区检测方法。
背景技术
数据挖掘(Data Mining)是指从大量数据中提取隐含的、未知的、有潜在应用价值的信息或模式的过程。聚类是数据挖掘领域中一种重要的分析技术，根据数据之间在预先制定的属性上的相似性聚集成簇。聚类的目标是将有限个未知标签的数据划分成有限个离散数据集合的形式,它没有可供学习训练的数据,可用的只有数据点本身的特征和可计算数据点之间相似关系的相似性度量规则，因此选择合适的相似性度量规则是非常重要的环节。常用的相似性度量包括欧氏距离、马氏距离、核距离、海明威距离等。
在过去十年中，数据聚类吸引了研究人员的广泛关注，并提出一系列的聚类算法。这些算法可以分为如下几类：基于划分的聚类算法、基于密度的聚类算法，基于层次的聚类算法，基于模型的聚类算法等等。基于划分的聚类方法直接将数据空间中的一组数据划分为不相连的一组子空间数据。基于层次的聚类方法是另外一种比较成熟的聚类方法。在初始状态时每个样本都是作为一个类存在的,将距离最近的两个类合并成一个类,重复迭代直至所有的类都归为一类；或者初始状态时所有的样本点是属于同一个类的,逐渐细分为越来越小的类,最终每个类中只含有一个样本。基于密度的聚类方法是一种专门针对密度数据提出的聚类方法,该方法使用数据点的密度特征作为聚类特征,将具有相似密度特征的样本归为一类。基于模型的方法为每个簇假定了一个模型，寻找数据对给定模型的最佳拟合。基于模型的算法可能性通过构建反映数据点空间分布的密度函数来定位聚类。
传统的基于kuramoto模型的社区检测算法——SYN算法——首先对网络节点进行预处理：使用节点间的结构相似度描述链接密度，并利用OPTICS算法，将各节点进行排序，排序结果为一个一维坐标序列，同时保证链接密度大的节点距离较近。然后进行同步聚类：将每个对象与其ε–邻域内进行同步调整，对调整坐标后的所有节点重新进行社团划分，将距离小于ε的节点判定为同一个社团。得到社团划分结果后，计算其模块度。在不断增加邻域半径ε值的同步过程中，得到一系列聚类结果，选择其中模块度最大的作为最优聚类结果。
传统的基于kuramoto模型的SYN算法在对链接密度的描述不够精确，计算出结构相似度数值区间狭窄，不能有效反映网络链接密度差异。同时利用kuramoto模型进行局部同步时仅考虑ε–邻域内同步，未考虑关系密切的其他节点。另外在同步处理之后，没有对微小社区进行后续处理，导致大量微小社区存在并使得社区检测结果不够准确。
发明内容
本发明的目的在于针对现有技术存在的缺陷和不足，提供一种基于动态同步模型的社区检测方法，该方法能够对链接密度进行精确的描述，并有效反映网络链接密度的差异。
为实现上述目的，本发明采用以下技术方案：包括以下步骤：
步骤A，构造网络图：读取网络数据，构造以用户为节点，用户关系为边的网络图；
步骤B，网络矢量化：将步骤A所得网络图中各节点通过OPTICS算法进行矢量化，将网络中各节点映射到一个一维坐标序列中，为后续的同步聚类做准备，具体步骤为：
步骤B1，首先对网络利用节点相似性描述网络中链接密度，计算各边(x，y)的节点相似度，定义
；其中τ(x)表示节点x的邻域，包含x和x的邻居节点,τ(y)表示节点y的邻域，包含y和y的邻居节点；degree(x)表示节点x的度，degree(y)表示节点y的度；
步骤B2，利用节点相似度定义和OPTICS算法，获得节点序列；
步骤B3，根据获得的节点序列，将网络中的每个节点平均映射到区间[0，1)上，每个节点对应一个一维坐标，即实现整个网络的矢量化；
步骤C，执行同步聚类：设置初始同步参数ε，确定同步范围，每个节点在其同步范围内进行同步聚类，直至达到全局同步，根据同步坐标位置进行社区划分，并计算该社区划分的模块度；不断增加同步半径，执行同步聚类，直至同步半径覆盖所有节点。
进一步的，步骤C所述同步聚类和社区划分包括如下步骤：
步骤C1，初始化同步参数ε值为ε0，计算各节点x的ε–邻域集合Nε(x)和密切节点集合Close(x)，将两个集合进行合并组成节点x的同步范围Rε(x)；
Nε(x)＝{y∈X|dist(y,x)≤ε}
Close(x)＝{y∈X|Vxy∈top20％of Vx}
Rε(x)＝Nε(x)∪Close(x)
其中，dist(y,x)表示节点x，y映射的一维坐标之间的距离；
步骤C2，使用扩展kuramoto模型使得每个节点x在其同步范围Rε(x)内进行同步；其中，扩展的kuramoto模型为：
maxDegree表示网络中最大的度；
步骤C3，计算网络序参数其中lx表示节点x映射后的一维坐标；若序参数rc≥0.9999，则结束同步过程，否则继续执行步骤C2；
步骤C4，同步过程结束后，对各节点的一维坐标位置进行排序，若一维坐标系相邻节点间距小于1.5/N，则表示相邻节点同属于一个社区，否则相邻节点属于不同社区；
步骤C5，根据社区划分结果，根据经典模块度计算方法，计算模块度；
步骤C6，不断增加同步参数ε，执行步骤C2，直至同步半径覆盖所有节点。
进一步的，还包括步骤D，社区选择和优化：在步骤C得到的社区划分结果中，选择最大模块度对应的社区划分，在此基础上去掉该社区划分中的微小社区，获得最终的社区划分结果。
进一步的，步骤D所述合并微小社区包括如下步骤：
步骤D1，选择模块度最大的社区划分结果；
步骤D2，若社区中节点数过少，少于5个节点，则判定为微小社区；
步骤D3，计算各微小社区与普通社区的密切度，
其中c1，c2分别为微小社区和普通社区；
步骤D4，对于每个微小社区，将其合并到密切度最高的普通社区中。
进一步的，步骤C1所述初始化同步参数ε值为：ε0＝KNN(3)，其中KNN(m)函数为网络中的m个邻域的平均值。
进一步的，步骤B2所述获得节点序列具体为：使用OPTICS算法，根据节点相似性代表的节点链接密度关系，将各节点进行排序，排序结果保证链接密度大的节点距离较近。
与现有技术相比，本发明具有以下有益的技术效果：首先构造网络图，然后根据网络图，采用节点相似性描述网络的链接密度，并使用OPTICS算法将网络节点根据密度关系转换成节点序列，保证节点序列中链接密度大的节点距离近，通过定义节点相似性，能够更精确的描述网络链接密度，进而得到更准确的一维坐标节点序列；然后根据节点序列平均映射到区间[0，1)中，得到矢量化后的一维坐标序列，设置同步参数计算同步范围，进行同步聚类：每个节点根据扩展的动态同步模型在同步范围内进行同步，直到达到局部同步状态，根据各节点的坐标位置进行社区划分，计算该划分的模块度，然后不断增加同步参数，执行新一轮的同步聚类过程，直到同步范围覆盖所有节点。通过对网络中的节点进行聚类，实现社交网络社区结构的自动检测，能够对链接密度进行精准的描述，有效的反应网络链接密度的差异。
进一步的，通过设置步骤D，确定微小社区，并将微小社区合并到密切度最高的普通社区中，实现对社区的选择和优化。
附图说明
图1为本发明流程图；
图2为本发明步骤B流程图；
图3为本发明步骤C流程图；
图4为本发明步骤D流程图。
具体实施方式
下面结合附图对本发明做进一步详细描述。
参见图1，本发明提供方法包括以下步骤：
步骤A，构造网络图：读取网络数据，构造以用户为节点，用户关系为边的网络图；
如对于微博网络，将每个微博用户作为社交网络中的一个节点，以用户之间的关注关系、评论关系作为社交网络中的一条边；对于协作网络，将每个作者作为网络中的一个节点，以两个作者共同发表过文章的协作关系作为社交网络中的一条边。采用稀疏矩阵的数据结构存储社交网络图的邻接矩阵。
步骤B，网络矢量化：将步骤A所得网络图中各节点通过OPTICS算法进行矢量化，将网络中各节点映射到一个一维坐标序列中，为后续的同步聚类做准备，参见图2，具体步骤为：
步骤B1，首先对网络利用节点相似性描述网络中链接密度，计算各边(x，y)的节点相似性，定义
；其中τ(x)表示节点x的邻域，包含x和x的邻居节点,其中τ(y)表示节点y的邻域，包含y和y的邻居节点；degree(x)表示节点x的度，degree(y)表示节点y的度；
步骤B2，利用节点相似度定义和OPTICS算法，获得节点序列；
具体的，使用OPTICS算法，根据节点相似性代表的节点链接密度关系，将各节点进行排序，排序结果保证链接密度大的节点距离较近。OPTICS算法经常作为数据预处理算法，处理结果供其他算法使用。
步骤B3，根据获得的节点序列，将网络中的每个节点平均映射到区间[0，1)上，每个节点对应一个一维坐标，即实现整个网络的矢量化；
步骤C，执行同步聚类：设置初始同步参数ε，确定同步范围，每个节点在其同步范围内进行同步聚类，直至达到全局同步，根据同步坐标位置进行社区划分，并计算该社区划分的模块度；不断增加同步半径，执行同步聚类，直至同步半径覆盖所有节点。
参见图3，步骤C所述同步聚类和社区划分包括如下步骤：
步骤C1，初始化同步参数ε值为ε0，ε0＝KNN(3)，其中KNN(m)函数为网络中的m个邻域的平均值。
然后计算各节点x的ε–邻域集合Nε(x)和密切节点集合Close(x)，将两个集合进行合并组成节点x的同步范围Rε(x)；
Nε(x)＝{y∈X|dist(y,x)≤ε}
Close(x)＝{y∈X|Vxy∈top20％of Vx}
Rε(x)＝Nε(x)∪Close(x)
其中，dist(y,x)表示节点x，y映射的一维坐标之间的距离；
步骤C2，使用扩展kuramoto模型使得每个节点x在其同步范围Rε(x)内进行同步；其中，扩展的kuramoto模型为：
maxDegree表示网络中最大的度；
步骤C3，计算网络序参数其中lx表示节点x映射后的一维坐标；若序参数rc≥0.9999，则结束同步过程，否则继续执行步骤C2；
步骤C4，同步过程结束后，对各节点的一维坐标位置进行排序，若一维坐标系相邻节点间距小于1.5/N，则表示相邻节点同属于一个社区，否则相邻节点属于不同社区；
具体的，当网络数据矢量化后，网络中各节点均匀分布，相邻节点间的距离均为1.0/N。当进行同步后，关系密切并同属一个社区的节点会不断聚集，坐标越来越接近。当序参数rc≥0.9999趋近于1.0时，认为网络达到局部同步状态。若两相邻节点距离大于1.5/N，代表属于不同的社区。
步骤C5，根据社区划分结果，根据经典模块度计算方法，计算模块度；
步骤C6，不断增加同步参数ε，执行步骤C2，直至同步半径覆盖所有节点。
步骤D，社区选择和优化：在步骤C得到的模块度中，选择最大模块度对应的社区划分，在此基础上去掉该社区划分中的微小社区，获得最终的社区划分结果。
步骤D所述合并微小社区包括如下步骤：
步骤D1，选择模块度最大的社区划分结果；
具体的，当同步参数ε不断增加的过程中，每次ε取值进行同步聚类，参数rc≥0.9999达到局部同步状态时，根据坐标位置进行社区划分，并对社区划分结果计算模块度，因而可以得到一系列的模块度。选择模块度最大的社区划分结果最为同步最优的划分结果。
步骤D2，若社区中节点数过少，少于5个节点，则判定为微小社区；
具体的，对于社交网络来说，一般不存在节点数过少的社区，即不存在微小社区。因而将节点数少于5个节点的社区判定为微小社区。
步骤D3，计算各微小社区与普通社区的密切度，
其中c1，c2分别为微小社区和普通社区；
步骤D4，对于每个微小社区，将其合并到密切度最高的普通社区中。
本发明所述社交网络中的基于动态同步模型的社区检测方法，将社区检测划分为网络数据矢量化、同步聚类、社区优化三个阶段，首先读取社交网络数据，构造以社交网络用户为节点，用户关系为边的社交挽留过图；根据社交网络图，采用节点相似性描述网络的链接密度，并使用OPTICS算法将网络节点根据密度关系转换成节点序列，保证节点序列中链接密度大的节点距离近，然后根据节点序列平均映射到区间[0，1)中，得到矢量化后的一维坐标序列；设置同步参数计算同步范围，进行同步聚类：每个节点根据扩展的动态同步模型在同步范围内进行同步，直到达到局部同步状态，根据各节点的坐标位置进行社区划分，计算该划分的模块度，然后不断增加同步参数，执行新一轮的同步聚类过程，直到同步范围覆盖所有节点；在得到的一系列社区划分和模块度中，选择模块度最大的社区划分，判断该社区划分结果中微小社区，计算每个微小社区与普通社区的密切度，将每个微小社区合并到密切度最大的普通社区中，得到最优的社区检测结果。
以上是本发明的较佳实施案例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (4)
1.一种基于动态同步模型的社区检测方法，其特征在于，应用于社交网络，包括以下步骤：
步骤A，构造网络图：读取网络数据，构造以用户为节点，用户关系为边的网络图；
步骤B，网络矢量化：将步骤A所得网络图中各节点通过OPTICS算法进行矢量化，将网络中各节点映射到一个一维坐标序列中，为后续的同步聚类做准备，具体步骤为：
步骤B1，首先对网络利用节点相似性描述网络中链接密度，计算各边(x，y)的节点相似度，定义
其中τ(x)表示节点x的邻域，包含x和x的邻居节点,τ(y)表示节点y的邻域，包含y和y的邻居节点；degree(x)表示节点x的度，degree(y)表示节点y的度；
步骤B2，利用节点相似度定义和OPTICS算法，获得节点序列；
步骤B3，根据获得的节点序列，将网络中的每个节点平均映射到区间[0，1)上，每个节点对应一个一维坐标，即实现整个网络的矢量化；
步骤C，执行同步聚类：设置初始同步参数ε，确定同步范围，每个节点在其同步范围内进行同步聚类，直至达到全局同步，根据同步坐标位置进行社区划分，并计算该社区划分的模块度；不断增加同步半径，执行同步聚类，直至同步半径覆盖所有节点；
所述同步聚类和社区划分包括如下步骤：
步骤C1，初始化同步参数ε值为ε0，计算各节点x的ε–邻域集合Nε(x)和密切节点集合Close(x)，将两个集合进行合并组成节点x的同步范围Rε(x)；
Nε(x)＝{y∈X|dist(y,x)≤ε}
Close(x)＝{y∈X|Vxy∈top 20％of Vx}
Rε(x)＝Nε(x)∪Close(x)
其中，dist(y,x)表示节点x，y映射的一维坐标之间的距离；
步骤C2，使用扩展kuramoto模型使得每个节点x在其同步范围Rε(x)内进行同步；其中，扩展的kuramoto模型为：
<mrow>
<msub>
<mi>l</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>l</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mi>d</mi>
</mfrac>
<mo>&CenterDot;</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>y</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>&epsiv;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<msub>
<mi>V</mi>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>l</mi>
<mi>y</mi>
</msub>
<mo>-</mo>
<msub>
<mi>l</mi>
<mi>x</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msqrt>
<mfrac>
<mrow>
<mi>deg</mi>
<mi>r</mi>
<mi>e</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>deg</mi>
<mi>r</mi>
<mi>e</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>max</mi>
<mi>D</mi>
<mi>e</mi>
<mi>g</mi>
<mi>r</mi>
<mi>e</mi>
<mi>e</mi>
</mrow>
</mfrac>
</msqrt>
<mo>,</mo>
</mrow>
maxDegree表示网络中最大的度；
步骤C3，计算网络序参数其中lx表示节点x映射后的一维坐标；若序参数rc≥0.9999，则结束同步过程，否则继续执行步骤C2；
步骤C4，同步过程结束后，对各节点的一维坐标位置进行排序，若一维坐标系相邻节点间距小于1.5/N，则表示相邻节点同属于一个社区，否则相邻节点属于不同社区；
步骤C5，根据社区划分结果，根据经典模块度计算方法，计算模块度；
步骤C6，不断增加同步参数ε，执行步骤C2，直至同步半径覆盖所有节点。
2.根据权利要求1所述的一种基于动态同步模型的社区检测方法，其特征在于，还包括步骤D，社区选择和优化：在步骤C得到的社区划分结果中，选择最大模块度对应的社区划分，在此基础上去掉该社区划分中的微小社区，获得最终的社区划分结果。
3.根据权利要求2所述的一种基于动态同步模型的社区检测方法，其特征在于，社区选择和优化具体包括如下步骤：
步骤D1，选择模块度最大的社区划分结果；
步骤D2，若社区中节点数过少，少于5个节点，则判定为微小社区；
步骤D3，计算各微小社区与普通社区的密切度，
其中c1，c2分别为微小社区和普通社区；
步骤D4，对于每个微小社区，将其合并到密切度最高的普通社区中。
4.根据权利要求1所述的一种基于动态同步模型的社区检测方法，其特征在于，步骤B2所述获得节点序列具体为：使用OPTICS算法，根据节点相似性代表的节点链接密度关系，将各节点进行排序，排序结果保证链接密度大的节点距离较近。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410717471.4A CN104346481B (zh) | 2014-11-28 | 2014-11-28 | 一种基于动态同步模型的社区检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410717471.4A CN104346481B (zh) | 2014-11-28 | 2014-11-28 | 一种基于动态同步模型的社区检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104346481A CN104346481A (zh) | 2015-02-11 |
| CN104346481B true CN104346481B (zh) | 2018-01-16 |
Family
ID=52502072
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410717471.4A Active CN104346481B (zh) | 2014-11-28 | 2014-11-28 | 一种基于动态同步模型的社区检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104346481B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105654132A (zh) * | 2015-12-30 | 2016-06-08 | 南京理工大学 | 社区检测方法与装置 |
| CN105701511B (zh) * | 2016-01-14 | 2019-04-02 | 河南科技大学 | 一种提取网络节点社区属性的自适应谱聚类方法 |
| CN105979564B (zh) * | 2016-04-19 | 2019-12-20 | 北京邮电大学 | 一种发送数据的方法及装置 |
| US10826781B2 (en) | 2017-08-01 | 2020-11-03 | Elsevier, Inc. | Systems and methods for extracting structure from large, dense, and noisy networks |
| CN108471380A (zh) * | 2018-03-09 | 2018-08-31 | 苏州大学 | 一种移动社交网络中基于智能优化的消息转发方法 |
| CN108984609B (zh) * | 2018-06-09 | 2021-11-02 | 天津大学 | 面向网络安全学科新领域出现的量化方法 |
| CN109597924B (zh) * | 2018-09-14 | 2020-02-07 | 湖北大学 | 一种基于人工免疫网络的微博社交圈挖掘方法及系统 |
| CN109727150B (zh) * | 2018-12-29 | 2021-08-24 | 广东德诚科教有限公司 | 一种用于多人在线学习平台的社区识别方法 |
| CN109921921B (zh) * | 2019-01-26 | 2021-06-04 | 复旦大学 | 一种时变网络中时效稳定社团的检测方法和装置 |
| CN115169501A (zh) * | 2022-08-05 | 2022-10-11 | 东北电力大学 | 基于公共邻居节点聚类熵紧密相似性的社区检测方法 |
| CN115116593B (zh) * | 2022-08-29 | 2022-11-11 | 山东新蓝海科技股份有限公司 | 基于大数据的社区医护调度方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102355393A (zh) * | 2011-09-27 | 2012-02-15 | 西安电子科技大学 | 基于振荡器相位同步的网络社区结构划分方法 |
| CN104008165A (zh) * | 2014-05-29 | 2014-08-27 | 华东师范大学 | 一种基于网络拓扑结构和节点属性的社团检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8620964B2 (en) * | 2011-11-21 | 2013-12-31 | Motorola Mobility Llc | Ontology construction |
| WO2014190265A1 (en) * | 2013-05-24 | 2014-11-27 | Google Inc. | Community detection in weighted graphs |
-
2014
- 2014-11-28 CN CN201410717471.4A patent/CN104346481B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102355393A (zh) * | 2011-09-27 | 2012-02-15 | 西安电子科技大学 | 基于振荡器相位同步的网络社区结构划分方法 |
| CN104008165A (zh) * | 2014-05-29 | 2014-08-27 | 华东师范大学 | 一种基于网络拓扑结构和节点属性的社团检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于同步动力学模型的网络社团发现方法;黄健斌等;《计算机研究与发展》;20121031;第49卷(第10期);第2198-2207页 * |
| 基于复杂网络的社区发现算法研究;武龙举;《中国优秀硕士学位论文全文数据库》;20130915;第3章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104346481A (zh) | 2015-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104346481B (zh) | 一种基于动态同步模型的社区检测方法 | |
| CN103812872B (zh) | 一种基于混合狄利克雷过程的网络水军行为检测方法及系统 | |
| CN106503148B (zh) | 一种基于多知识库的表格实体链接方法 | |
| Guo et al. | Evolutionary community structure discovery in dynamic weighted networks | |
| de Arruda et al. | A complex networks approach for data clustering | |
| CN111597217B (zh) | 基于模糊对象语言概念格的个性化推荐方法 | |
| CN107301328B (zh) | 基于数据流聚类的癌症亚型精准发现与演化分析方法 | |
| CN103034687B (zh) | 一种基于2‑类异质网络的关联模块识别方法 | |
| CN110990718B (zh) | 一种公司形象提升系统的社会网络模型构建模块 | |
| Zanghi et al. | Strategies for online inference of model-based clustering in large and growing networks | |
| CN112182306A (zh) | 一种基于不确定图的社区发现方法 | |
| CN110245692A (zh) | 一种用于集合数值天气预报成员的层次聚类方法 | |
| Yang et al. | ISBFK-means: A new clustering algorithm based on influence space | |
| CN110287237B (zh) | 一种基于社会网络结构分析社团数据挖掘方法 | |
| CN109783696B (zh) | 一种面向弱结构相关性的多模式图索引构建方法及系统 | |
| CN115114484A (zh) | 异常事件检测方法、装置、计算机设备和存储介质 | |
| CN106530100A (zh) | 一种面向信任度社交网络的社区发现技术方法 | |
| CN109472712A (zh) | 一种基于结构特征强化的高效马尔可夫随机场社团发现方法 | |
| CN105787520B (zh) | 一种基于自然共享最近邻居搜索的发现簇和离群点的算法 | |
| CN107452001A (zh) | 一种基于改进fcm算法的遥感图像序列分割方法 | |
| CN105162648B (zh) | 基于骨干网络扩展的社团检测方法 | |
| CN116450938A (zh) | 一种基于图谱的工单推荐实现方法及系统 | |
| Wang et al. | Road network link prediction model based on subgraph pattern | |
| CN110880017A (zh) | 一种基于最优网络结构的网络社团发现方法 | |
| CN107577681B (zh) | 一种基于社交媒体图片的地域分析、推荐方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |