CN104573103B - 一种科技文献异构网络下合作作者推荐方法 - Google Patents
一种科技文献异构网络下合作作者推荐方法 Download PDFInfo
- Publication number
- CN104573103B CN104573103B CN201510049947.6A CN201510049947A CN104573103B CN 104573103 B CN104573103 B CN 104573103B CN 201510049947 A CN201510049947 A CN 201510049947A CN 104573103 B CN104573103 B CN 104573103B
- Authority
- CN
- China
- Prior art keywords
- author
- paper
- calculation formula
- node
- represent
- 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.)
- Expired - Fee Related
Links
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
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公布了一种科技文献异构网络下合作作者推荐方法,由于一对作者在未来建立合作关系的可能性正比于这两节点彼此与对方建立该关系的意愿度,本发明提出一个基于合作者意愿度的合作作者推荐方法,该方法通过计算两个作者未来合作的可能性来为作者推荐合作作者。该方法首先根据节点未来影响力增幅大小、增幅快慢和节点年龄定义了节点的关注度,然后基于关注度设计了两作者因为不同关系而产生的合作意愿度,之后基于不同关系的意愿度设计不同关系下的拓扑特征属性,最后将拓扑特征属性作为逻辑回归模型的自变量,利用现实数据训练模型的参数,用得到的函数模型计算一对作者在未来合作的概率。此方法考虑两作者与彼此合作的意愿度,同时意愿度是基于节点影响力和年龄的,从而提高合作者关系的预测结果,提高作者的合作作者的推荐质量。
Description
技术领域
本发明提供了一种科技文献异构网络下合作作者推荐方法,属于信息检索领域。
背景技术
科技文献网络是一个包含三种节点类型的异构网络,这三种节点类型为,作者、论文、期刊会议,五种边类型为撰写关系边、被撰写关系边、引用关系边、发表关系边、被发表关系边。
目前对异构的科技文献网络的合作关系预测方法更多是基于统计信息。这些统计信息无法体现出节点对彼此与对方建立目标关系的意愿度。比如在文献网络中,一个普通的研究者A因为引用了权威研究者B的许多论文而使他们之间存在很多链接,这些链接导致他们之间的相似度变大。显然地,作者B并没有与A合作的意愿。除此之外,基于统计信息的相似性没有考虑到路径中的点的建立时间和节点影响力对关系预测的作用。例如,一个作者常常优先考虑与自己近期工作内容相似的作者合作,同时若两个作者的影响力差距太悬殊,他们合作的概率也非常小。因此传统的合作者关系预测方法不尽合理。
发明内容
本发明的目的是提供了一种科技文献异构网络下合作作者推荐方法,能提高合作者关系的预测结果,提高作者的合作作者的推荐质量。
本发明的具体技术方案如下:
A.获取科技文献异构网络,计算网络中每个节点的未来关注度。文献网络中节点于未来时刻t+1受到领域专家的关注程度,简称为节点的未来关注度,计算公式为Ct+1,j=I′t+1,j*I″t+1,j*Tt+1,j,其中I′t+1,j代表节点j的未来影响力,它的一阶导数表示未来时刻影响力的增益大小,一个节点的影响力增加很多,说明其被很多人关注;而它的二阶导数表示未来时刻影响力增益快慢,一个节点的影响力增加得快,同样说明其越来越被关注;Tt+1,j表示节点的j的时间因素,因为科研工作者都希望跟踪学科领域前沿,计算公式为其中agej表示节点j的“年龄”,不同类型的节点的年龄定义有所不同,论文的年龄为其发表时间至今经过的时间,计算公式为agep=currentt-pt,其中currentt表示当前的时刻,pt表示论文p的发表时间;作者的年龄为其撰写的论文的平均年龄,计算公式为其中P(a)表示作者a撰写的论文集合;期刊/会议的年龄为其发表的论文的平均年龄,计算公式为
B.获取当前时刻未合作的作者对候选集,计算候选集中每对作者因作者引用关系、间接合作者关系、共同期刊/会议关系、间接作者引用关系而产生的合作意愿度,计算公式分别如下:
1)作者a1通过作者引用关系R1(A-P→P-A)寻找到作者a2并与a2合作的意愿度计算公式如下:
其中INS(R1)表示文献网络中作者a1和a2间表示R1关系的所有路径,其中Ka1,pi表示作者a1通过其撰写的一篇论文pi的寻找潜在合作者的概率,计算公式为其中Ct+1,pi表示论文pi的未来时刻t+1的关注度,P(a1)表示作者a1撰写的论文集合;Kpi,pj表示作者a1在选定通过其撰写的一篇论文pi去寻找潜在合作者之后,通过pj的引用论文pj去寻找潜在合作的概率,计算公式为其中Lpi,pj表示一篇论文pi与其引用的任何一篇论文pj的未来关注度的接近程度,计算公式为Ka1,a2表示a1与其可能合作的候选作者a2之间因他们的未来关注度接近而产生合作意愿度,计算公式为其中La1,a2表示作者a1与其可能合作的作者a2的未来关注度的接近程,计算公式为中Candiadate(a)表示作者a1可能合作的作者候选集合;
2)作者a1通过间接合作者关系R2(A-P-A-P-A)寻找到作者a2并与a2合作的意愿度计算如下:
其中作者a1在选定通过其撰写的一篇论文pi去寻找潜在合作者之后,通过pi的另一作者ak所发表的其它任一篇论文pj去寻找潜在合作者的概率,计算公式为其中论文pi与其作者ak发表的其它任何一篇论文pj的未来关注度的接近程度,计算公式为
3)作者a1通过共同期刊/会议关系R3(A-P-V-P-A)寻找到作者a2并与a2合作的意愿度计算如下:
其中K(pi,pj)vk表示作者a1在选定通过其撰写的一篇论文pi去寻找潜在合作者之后,通过与pi所在的期刊/会议vk发表的其它任一篇论文pj去寻找潜在合作者的概率,计算公式为其中表示一篇论文pi与其所在期刊会议vk发表的其它任何一篇论文pj的未来关注度的接近程度,计算公式为
4)作者a1通过间接作者引用关系R4(A-P→P→P-A)寻找到作者a2并与a2合作的意愿度计算如下:
C.计算候选集中每对作者基于合作意愿的拓扑特征属性,以拓扑特征属性作为逻辑回归模型的自变量,通过历史数据集训练得到合作者预测模型,用于为每个作者推荐其合适的合作作者,其中基于合作意愿的拓扑特征属性的计算公式如下:
表示节点对<a1,a2>基于元路径Ri的拓扑特征属性,表示a1和a2两个作者因其间的Ri关系在未来合作的可能性,表示节点a1因元路径Ri与a2合作的意愿度。
本发明方法通过计算两个作者未来合作的可能性来为作者推荐合作作者。该方法首先根据节点未来影响力增幅大小、增幅快慢和节点年龄定义了节点的关注度,然后基于关注度设计了两作者因为不同关系而产生的合作意愿度,之后基于不同关系的意愿度设计不同关系下的拓扑特征属性,最后将拓扑特征属性作为逻辑回归模型的自变量,利用现实数据训练模型的参数,用得到的函数模型计算一对作者在未来合作的概率。此方法考虑两作者与彼此合作的意愿度,同时意愿度是基于节点影响力和年龄的,从而提高合作者关系的预测结果,提高作者的合作作者的推荐质量。
附图说明
图1是本发明一种科技文献异构网络下合作作者推荐方法的一个实施例的流程图
图2是科技文献异构网络的网络模式。
图3是科技文献异构网络的一个实例。
具体实施方式
下面通过实例对本发明做进一步的说明,但是需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附的权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
参见图1,为本发明一种科技文献异构网络下合作作者推荐方法的流程图,该方法包括如下步骤:
A.从网址(http://arnetminer.org/DBLP_Citation)获取DBLP科技文献,处理文献数据,提取2001年到2014年所有科技文献实体,包括作者(A),论文(P),会议(V)三种实体,此数据中的这些实体间存在关系有:作者‐论文间撰写和被撰写关系、论文间的引用关系、会议‐论文间的发表和被发表关系、作者间的合作关系。
根据论文的发表时间将数据集划分为两个时间段T0=[2001,2007],T1=[2008,2014]。假设一对作者〈ai,aj〉,我们称ai为源作者,aj为目标作者。在本实施例中,我们分别取T0和T1时间阶段形成的异构科技文献网络中至少发表16篇论文的高产作者作为T0和T1时间阶段的源作者集,目标作者为源作者集中所有作者的3跳合作者,这里称之T0和T1时间阶段的3跳合作者候选集。T0时间阶段所有未合作的作者对〈ai,aj〉构成T0时刻未合作的作者对候选集,其中ai属于源作者集,aj属于合作者候选集,若〈ai,aj〉在T1时间阶段建立合作关系则它们是一个正例,数据中被标为1,否则它们是一个负例,数据中的标签为‐1,所有的正例组合成正例集合,所有的负例组成负例集合。
计算T0和T1阶段形成的异构科技文献网络中所有学术节点的未来关注度计算公式如下:
Ct+1,j=I′t+1,j*I″t+1,j*Tt+1,j
其中I′t+1,j代表节点j的未来影响力,它的一阶导数表示未来时刻影响力的增益大小,一个节点的影响力增加很多,说明其被很多人关注;而它的二阶导数表示未来时刻影响力增益快慢,一个节点的影响力增加得快,同样说明其越来越被关注;Tt+1,j表示节点的j的时间因素,因为科研工作者都希望跟踪学科领域前沿,计算公式为其中agej表示节点j的“年龄”,不同类型的节点的年龄定义有所不同。
论文的年龄为其发表时间至今经过的时间,计算公式如下:
agep=currentt-pt
其中currentt表示当前的时刻,pt表示论文p的发表时间;
作者的年龄为其撰写的论文的平均年龄,计算公式如下:
其中P(a)表示作者a撰写的论文集合;
期刊/会议的年龄为其发表的论文的平均年龄,计算公式为
B.计算T0和T1时间阶段源作者集中所有作者和其3跳合作者候选集中每个作者间基于作者引用关系、间接合作者关系、共同期刊/会议关系、间接作者引用关系的合作意愿度,计算公式分别如下:
1)作者a1通过作者引用关系R1(A-P→P-A)寻找到作者a2并与a2合作的意愿度计算公式如下:
其中INS(R1)表示文献网络中作者a1和a2间表示R1关系的所有路径,其中Ka1,pi表示作者a1通过其撰写的一篇论文pi的寻找潜在合作者的概率,计算公式为其中Ct+1,pi表示论文pi的未来时刻t+1的关注度,P(a1)表示作者a1撰写的论文集合;Kpi,pj表示作者a1在选定通过其撰写的一篇论文pi去寻找潜在合作者之后,通过pj的引用论文pj去寻找潜在合作的概率,计算公式为其中Lpi,pj表示一篇论文pi与其引用的任何一篇论文pj的未来关注度的接近程度,计算公式为Ka1,a2表示a1与其可能合作的候选作者a2之间因他们的未来关注度接近而产生合作意愿度,计算公式为其中La1,a2表示作者a1与其可能合作的作者a2的未来关注度的接近程,计算公式为中Candiadate(a)表示作者a1可能合作的作者候选集合;
2)作者a1通过间接合作者关系R2(A-P-A-P-A)寻找到作者a2并与a2合作的意愿度计算如下:
其中作者a1在选定通过其撰写的一篇论文pi去寻找潜在合作者之后,通过pi的另一作者ak所发表的其它任一篇论文pj去寻找潜在合作者的概率,计算公式为其中论文pi与其作者ak发表的其它任何一篇论文pj的未来关注度的接近程度,计算公式为
3)作者a1通过共同期刊/会议关系R3(A-P-V-P-A)寻找到作者a2并与a2合作的意愿度计算如下:
其中K(pi,pj)vk表示作者a1在选定通过其撰写的一篇论文pi去寻找潜在合作者之后,通过与pi所在的期刊/会议vk发表的其它任一篇论文pj去寻找潜在合作者的概率,计算公式为其中表示一篇论文pi与其所在期刊会议vk发表的其它任何一篇论文pj的未来关注度的接近程度,计算公式为
4)作者a1通过间接作者引用关系R4(A-P→P→P-A)寻找到作者a2并与a2合作的意愿度计算如下:
C.计算T0和T1时间阶段源作者集中所有作者和其3跳合作者候选集中每对作者间基于合作意愿的拓扑特征属性,计算公式如下:
表示节点对<a1,a2>基于元路径Ri的拓扑特征属性。
利用T0时间阶段正例和负例集合中的每一对作者的拓扑特征属性和标签训练逻辑回归模型的参数,得到合作者预测模型。
对于T1时间阶段生成的科技文献异构网络,给定其中一个作者a,选取其当前时刻为合作的3跳合作者作为可能推荐给作者a的合作作者候选集,然后计算该作者与其合作作者候选集中每一个作者间的拓扑特征属性,利用训练得到的合作者预测模型预测该作者与这些作者在未来是否合作,将预测会合作的作者推荐给作者a。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (1)
1.一种科技文献异构网络下合作作者推荐方法,其特征在于:步骤包括如下:
A.获取科技文献异构网络,计算网络中每个节点的未来关注度,所述未来关注度为文献网络中节点于未来时刻受到领域专家的关注程度;
B.获取当前时刻未合作的作者对候选集,计算候选集中每对作者因作者引用关系、间接合作者关系、共同期刊/会议关系、间接作者引用关系而产生的合作意愿度;
C.计算候选集中每对作者基于合作意愿的拓扑特征属性,以拓扑特征属性作为逻辑回归模型的自变量,通过历史数据集训练得到合作者预测模型,用于为每个作者推荐其合适的合作作者;
所述步骤A中,所述节点的未来关注度计算公式为Ct+1,j=I′t+1,j*I″t+1,j*Tt+1,j,其中It+1,j代表节点j于未来时刻t+1在学术圈内的影响力,它的一阶导数表示未来时刻t+1影响力的增益大小,而它的二阶导数表示未来时刻t+1影响力增益快慢,Tt+1,j表示节点j的时间因素,计算公式为其中agej表示节点j的“年龄”,不同类型的节点的年龄定义有所不同,论文的年龄为其发表时间至今经过的时间,作者的年龄为其撰写的论文的平均年龄,期刊/会议的年龄为其发表的论文的平均年龄;
所述步骤B中,基于作者引用关系、间接合作者关系、共同期刊/会议关系、间接作者引用关系的合作意愿度的计算公式分别如下:
1)作者a1通过作者引用关系R1(A-P→P-A)寻找到作者a2并与a2合作的意愿度计算公式如下:
其中INS(R1)表示文献网络中作者a1和a2间表示R1关系的所有路径,其中Ka1,pi表示作者a1通过其撰写的一篇论文pi寻找潜在合作者的概率,计算公式为其中Ct+1,pi表示论文pi的未来时刻t+1的关注度,P(a1)表示作者a1撰写的论文集合;Kpi,pj表示作者a1在选定通过其撰写的一篇论文pi去寻找潜在合作者之后,通过pi的引用论文pj去寻找潜在合作的概率,计算公式为其中Lpi,pj表示一篇论文pi与其引用的任何一篇论文pj的未来关注度的接近程度,计算公式为Ka1,a2表示a1与其可能合作的候选作者a2之间因他们的未来关注度接近而产生合作意愿度,计算公式为其中La1,a2表示作者a1与其可能合作的作者a2的未来关注度的接近程度,计算公式为其中Candiadate(a1 )表示作者a1可能合作的作者候选集合;
2)作者a1通过间接合作者关系R2(A-P-A-P-A)寻找到作者a2并与a2合作的意愿度计算如下:
其中作者a1在选定通过其撰写的一篇论文pi去寻找潜在合作者之后,通过pi的另一作者ak所发表的其它任一篇论文pj去寻找潜在合作者的概率,计算公式为其中表示一篇论文pi与其作者ak发表的其它任何一篇论文pj的未来关注度的接近程度,计算公式为
3)作者a1通过共同期刊/会议关系R3(A-P-V-P-A)寻找到作者a2并与a2合作的意愿度计算如下:
其中表示作者a1在选定通过其撰写的一篇论文pi去寻找潜在合作者之后,通过与pi所在的期刊/会议vk发表的其它任一篇论文pj去寻找潜在合作者的概率,计算公式为其中表示一篇论文pi与其所在期刊会议vk发表的其它任何一篇论文pj的未来关注度的接近程度,计算公式为
4)作者a1通过间接作者引用关系R4(A-P→P→P-A)寻找到作者a2并与a2合作的意愿度计算如下:
所述步骤C中,基于合作意愿的拓扑特征属性计算公式如下:
表示节点对<a1,a2>基于元路径Ri的拓扑特征属性即a1和a2两个作者因其间的Ri关系在未来合作的可能性,表示节点a1因元路径Ri与a2合作的意愿度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510049947.6A CN104573103B (zh) | 2015-01-30 | 2015-01-30 | 一种科技文献异构网络下合作作者推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510049947.6A CN104573103B (zh) | 2015-01-30 | 2015-01-30 | 一种科技文献异构网络下合作作者推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104573103A CN104573103A (zh) | 2015-04-29 |
CN104573103B true CN104573103B (zh) | 2017-11-17 |
Family
ID=53089165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510049947.6A Expired - Fee Related CN104573103B (zh) | 2015-01-30 | 2015-01-30 | 一种科技文献异构网络下合作作者推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104573103B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740387B (zh) * | 2016-01-27 | 2019-04-05 | 北京工业大学 | 一种基于作者频繁模式的科技文献推荐方法 |
CN105824964A (zh) * | 2016-03-31 | 2016-08-03 | 比美特医护在线(北京)科技有限公司 | 信息处理方法及装置 |
CN106126732B (zh) * | 2016-07-04 | 2020-03-10 | 中南大学 | 基于兴趣相似模型的作者影响力传播能力预测方法 |
CN106778894A (zh) * | 2016-12-29 | 2017-05-31 | 大连理工大学 | 一种学术异构信息网络中作者合作关系预测的方法 |
CN107833142A (zh) * | 2017-11-08 | 2018-03-23 | 广西师范大学 | 学术社交网络科研合作者推荐方法 |
CN108416535B (zh) * | 2018-03-27 | 2021-08-13 | 中国科学技术大学 | 基于深度学习的专利价值评估的方法 |
CN109145087B (zh) * | 2018-07-30 | 2020-12-11 | 大连理工大学 | 一种基于表示学习和竞争理论的学者推荐及合作预测方法 |
CN110083696B (zh) * | 2019-04-23 | 2022-11-25 | 安徽大学 | 基于元结构技术的全局引文推荐方法、推荐系统 |
CN110955749A (zh) * | 2019-10-24 | 2020-04-03 | 浙江工业大学 | 一种论文关注度的预测方法 |
CN111553583A (zh) * | 2020-04-24 | 2020-08-18 | 广东电网有限责任公司 | 一种审计任务的协同作业人员匹配方法和装置 |
CN116508107A (zh) | 2020-12-03 | 2023-07-28 | 诺华股份有限公司 | 用于实现跨多个不同数据库的数据分析协作的协作平台 |
CN112686736B (zh) * | 2021-01-09 | 2022-07-05 | 青岛科技大学 | 一种系统推荐方法 |
CN113282612A (zh) * | 2021-07-21 | 2021-08-20 | 中国人民解放军国防科技大学 | 一种基于科学合作异质网络分析的作者会议推荐方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298579A (zh) * | 2010-06-22 | 2011-12-28 | 北京大学 | 面向科技文献的论文、作者和期刊排序模型及排序方法 |
CN101321190B (zh) * | 2008-07-04 | 2013-01-30 | 清华大学 | 一种异构网络中的推荐方法及推荐系统 |
CN104133843A (zh) * | 2014-06-25 | 2014-11-05 | 福州大学 | 科技文献异构网络中节点的学术影响力协同排序方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2856704B1 (en) * | 2012-06-04 | 2019-03-20 | Marvell World Trade Ltd. | Relaying messages in a heterogeneous network |
-
2015
- 2015-01-30 CN CN201510049947.6A patent/CN104573103B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101321190B (zh) * | 2008-07-04 | 2013-01-30 | 清华大学 | 一种异构网络中的推荐方法及推荐系统 |
CN102298579A (zh) * | 2010-06-22 | 2011-12-28 | 北京大学 | 面向科技文献的论文、作者和期刊排序模型及排序方法 |
CN104133843A (zh) * | 2014-06-25 | 2014-11-05 | 福州大学 | 科技文献异构网络中节点的学术影响力协同排序方法 |
Non-Patent Citations (3)
Title |
---|
"基于多重关系异构网络的学术实体权威度评估方法研究";王平 等;《情报学报》;20140831;第33卷(第8期);第872-882页 * |
"基于社会网络分析的学术合作关系研究";康文杰 等;《计算机技术与发展》;20140531;第24卷(第5期);第1-5页 * |
"异质社交网络中协同排序的好友推荐算法";陈珂 等;《小型微型计算机系统》;20140630;第35卷(第9期);第1270-1274页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104573103A (zh) | 2015-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104573103B (zh) | 一种科技文献异构网络下合作作者推荐方法 | |
CN101408883B (zh) | 一种网络舆情观点收集方法 | |
CN104156436B (zh) | 一种社交云媒体协同过滤推荐方法 | |
CN103577549A (zh) | 一种基于微博标签的人群画像系统和方法 | |
WO2021128158A1 (zh) | 一种基于网络表征和语义表征的同名作者消歧方法 | |
CN104268230B (zh) | 一种基于异质图随机游走的中文微博客观点探测方法 | |
CN108665064A (zh) | 神经网络模型训练、对象推荐方法及装置 | |
KR20140073717A (ko) | 시맨틱 토픽 추출 장치 및 방법 | |
CN105095419A (zh) | 一种面向微博特定类型用户的信息影响力最大化方法 | |
Dey et al. | Emtagger: a word embedding based novel method for hashtag recommendation on twitter | |
CN105183748A (zh) | 一种基于内容和评分的组合预测方法 | |
Kim et al. | Prediction of a movie’s success from plot summaries using deep learning models | |
Wang et al. | A multidimensional network link prediction algorithm and its application for predicting social relationships | |
Li et al. | SENTI2POP: sentiment-aware topic popularity prediction on social media | |
Wu et al. | Estimating fund-raising performance for start-up projects from a market graph perspective | |
Arif et al. | A machine learning based approach for opinion mining on social network data | |
Boppana et al. | Web crawling based context aware recommender system using optimized deep recurrent neural network | |
Yang et al. | User recommendation in online health communities using adapted matrix factorization | |
CN107330562A (zh) | 基于个体用户特征的信息传播方法 | |
Xiong et al. | An estimation model for social relationship strength based on users' profiles, co-occurrence and interaction activities | |
Tanaka et al. | Comparison of centrality indexes in network Japanese text analysis | |
Beber et al. | Towards activity recognition in moving object trajectories from Twitter data. | |
Ali et al. | Applications of Soft Computing for the Web | |
Rahman et al. | Bayesian approach to classification of football match outcome | |
Chen et al. | Information cascades prediction with graph attention |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171117 Termination date: 20210130 |
|
CF01 | Termination of patent right due to non-payment of annual fee |