CN104820945A - 基于社团结构挖掘算法的在线社会网络信息传播最大化方法 - Google Patents
基于社团结构挖掘算法的在线社会网络信息传播最大化方法 Download PDFInfo
- Publication number
- CN104820945A CN104820945A CN201510186252.2A CN201510186252A CN104820945A CN 104820945 A CN104820945 A CN 104820945A CN 201510186252 A CN201510186252 A CN 201510186252A CN 104820945 A CN104820945 A CN 104820945A
- Authority
- CN
- China
- Prior art keywords
- subgraph
- complex network
- seed node
- node
- community
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000005065 mining Methods 0.000 title abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000002474 experimental method Methods 0.000 claims abstract description 3
- 238000004891 communication Methods 0.000 claims description 26
- 230000009471 action Effects 0.000 claims description 17
- 238000013459 approach Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 241000201976 Polycarpon Species 0.000 claims description 6
- 238000009412 basement excavation Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 230000000644 propagated effect Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 10
- 230000007246 mechanism Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 241001632427 Radiola Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 241000270322 Lepidosauria Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
基于复杂网络社团发现算法的信息传播最大化方法,包括如下步骤:1)复杂网络生成阶段:预处理从在线社会网络上爬取到的数据变为有向带权图;模型训练阶段:a)利用社团发现算法对复杂网络进行社团发现。b)为每一个社团,输出对应的子图。c)为每一个子图进行不同种子节点选取实验。d)利用所产生数据进行训练模型,并把得到的模型保存到指定区域以待使用。2)种子节点选取阶段:a)要进行挖掘的原始复杂网络分割为不同的社团,并生成对应子图。b)导入模型训练阶段训练好的预测。c)利用预测模型计算出每个子图应分配到几个种子节点进行挖掘。复杂网络数据中选取最具传播能力节点时的时间效率。具有选取结果优,数据处理速度快等优点。
Description
技术领域
本发明涉及一种在线社会网络中信息传播最大化方法,在基于社团结构的传播最大化算法基础上引入学习机制。
背景技术
随着在线社会网络的普及与变的日益庞大,人们开始关注怎样在在线社会网络中进行有效的信息传播这个问题。并且提出了相关的算法。但这些算法的效率不能满足实际的需要。为了实现效率高的算法本方法在传统的基于社团结构挖掘的信息传播最大化算法中引入了学习机制,从而提高了原有算法的效率。在传统的基于社团结构的信息传播最大化算法的原理如下,利用社团发现算法把原有的网络分割为不同的社团,并分别在这些社团对应的子图里寻找种子节点,并最终形成种子节点集合,从而进行传播活动。这样的做法能够大大提高信息传播最大化方法的效率。但所挖掘出的社团的大小往往不一样,因此对于一个社团对应的子图应分配多少个种子节点指标进行挖掘便成为了一个难题。本方法引入学习机制,把有限的种子节点指标合理分配给诸多不同社团结构,从而解决了上面问题。根据社团对应子图的模块度,大小,种子节点数与覆盖度的关系中建立出预测模型,使得这种模型遇到某个特定子图时能够迅速运算出应分配几个种子节点指标。这样便可合理分配种子节点到各个不同的社团,并进行挖掘。这种方法在保证结果的合理性的基础上提高了系统的运算速度,提高了该方法的可行性。
发明内容
本发明所要解决的技术问题是,实现基于社团结构挖掘的在线社会网络信息传播最大化方法,并在该系统中采用学习机制,以提高选取信息传播种子节点的效率。
为解决上述问题,本发明技术方案是:一种基于复杂网络社团发现算法的信息传播最大化方法,包括如下步骤:
1)复杂网络生成阶段:
a)从在线社交网站爬取用户之间的链接关系(即一种无向图)与用户的操作日志;
b)建立静态模型(static model),并从日志文件学习出节点之间的影响关系与影响度值;
c)把学习到的节点之间的传播关系与用户链接关系结合并得到一个有向带权图;
2)模型训练阶段:
a)利用社团发现算法Walktrap对复杂网络进行社团发现;
b)为每一个社团,输出对应的子图;
c)为每一个子图进行不同种子节点选取实验,并保存覆盖度等实验数据;
d)利用所产生数据进行训练模型,并把得到的模型保存到指定区域以待使用;
3)种子节点选取阶段:
a)要进行挖掘的原始复杂网络分割为不同的社团,并生成对应子图;
b)导入模型训练阶段训练好的预测;
c)利用预测模型计算出每个子图应分配到几个种子节点进行挖掘;
d)利用种子节点选取算法为每一个子图选取种子节点。最终集聚所有子图的种子节点形成最终结果;
4)结束。
进一步,其中步骤1)-a中连接关系指一个用户与另一个用户在在线社交网络中具有朋友关系。
进一步,其中步骤1)-a的用户的操作日志指代表某个用户的节点的动作记录。如,用户u分享了用户v分享过的内容。则日志文件中会产生一个记录(分享,u,分享时的时间)。
进一步,其中步骤1)-b中的静态模型是为了学习节点之间的影响关系以及传播值(一种概率值)。
进一步,其中步骤1)-c中生成的有向带权图即为后续步骤要分析的复杂网络。其中节点代表在线社会网络中的用户,有向边表示某个用户影响另一个用户,边上的权值表示影响值(即某个用户成功影响另一个用户的概率)。
进一步,其中步骤2)-a中Walktrap为一种社团发现算法。它的原理是从某个节点开始随机游走的情况下,游走者通常都会长时间逗留在一个联系密集的节点区域(即一个社团)。从这种原理可判定出社团。Walktrap是考虑节点之间边上权值的一种算法,所以非常适合本文场景。
进一步,其中阶段2)的具体过程如下:
a)利用walktrap算法挖掘步骤1)-a生成的复杂网络(实际上为有向带权图)的社团结构。
b)根据产生的社团结构把原复杂网络分割为多个子图,每一个子图对应一个社团。并为每一个子图标上子图大小,模块度等信息。
c)为每一个子图进行实验,根据子图大小和模块度,分别利用贪心算法选择出1,2,……,n个种子节点进行传播(n为图中节点数)。然后分别记录这些种子节点的覆盖度。这里覆盖度为种子节点集成功激活的节点数在全部节点中占得比例。并把覆盖度、子图大小、模块度、所选种子节点数记录到实验结果里。
d)利用c)产生的数据对预测模型进行训练。本系统采用支持向量机(support vectormachine,简称SVM)作为学习模型。该模型的功能是计算出指定的子图应分配多少个种子节点进行挖掘。该模型一旦训练完毕,可反复使用。这样可以较高效率的计算出各个子图应分配多少个种子节点进行挖掘。
进一步,其中步骤3)的具体过程如下:
a)要进行挖掘的原始复杂网络分割为不同的社团,并生成对应子图;其中该复杂网络为步骤1)生成的复杂网络。
b)导入模型训练阶段训练好的预测;不必每次都训练预测模型。训练一次可反复使用。
c)利用预测模型计算出每个子图应分配到几个种子节点进行挖掘;
d)利用种子节点选取算法为每一个子图选取种子节点。种子节点选取时选取当今效率最高的贪心算法。最终集聚所有子图的种子节点形成最终结果;
进一步,其中步骤3)-d产生的种子节点集合是在线社会网络中初始传播的节点。这些节点会得到一定优惠以后把要传播的信息传播给他的朋友,他的朋友传播给朋友的朋友,如此实现传播范围的扩大。
本发明有益效果:解决对于一个社团对应的子图应分配多少个种子节点指标进行挖掘,通过引入学习机制,把有限的种子节点指标合理分配给诸多不同社团结构,从而解决了现有问题。根据社团对应子图的模块度,大小,种子节点数与覆盖度的关系中建立出预测模型,使得这种模型遇到某个特定子图时能够迅速运算出应分配几个种子节点指标。这样便可合理分配种子节点到各个不同的社团,并进行挖掘。这种方法在保证结果的合理性的基础上提高了系统的运算速度,提高了该方法的可行性。从而实现基于社团结构挖掘的在线社会网络信息传播最大化方法,并在该系统中采用学习机制,以提高选取信息传播种子节点的效率。
附图说明
图1展现社会网络信息传播最大化方法总体流程。
图2展现复杂网络生成阶段。
图3展现预测模型训练的过程。
图4展现种子节点数目分配给子图的细节。
具体实施方式
为了更具体的了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
如图1所示,本方法经过三个阶段,即复杂网络生成阶段(步骤1)、模型训练阶段(步骤2)与种子节点挖掘阶段(步骤3)。其中模型训练阶段中的模型一旦训练完成,可被种子节点挖掘阶段反复使用。该模回答这样的问题,一个大图分成若干个不同子图后,分别从每个子图挖掘多少个种子节点。
基于社团结构挖掘的在线社会网络信息传播最大化方法,包括如下步骤:
1)复杂网络生成阶段:
a)从在线社交网站爬取用户之间的链接关系(即一种无向图)与用户的操作日志;用户操作日志是由(动作,节点,动作发生时刻)组成的记录。
b)从用户操作日志里提炼出传递数据。这里传递指当节点v,u有链接关系,v在ti时刻执行了动作a,并且成功的激活了节点u使得让节点u在tj时刻做了同样的动作a。记为prop(a,v,u,tj-ti)。
c)从上述过程产生的传递数据中提炼出传递图。对于某种动作a(如分享)传递图PG(a)=(V(a),E(a))为如下:
V(a):为执行过动作a的节点集合。
E(a):为动作a的传递(v激活u做某个动作)发生过的有向边的集合。这里有向边的方向为传递的方向。这种传递图为有向无环图DAG。
(注意,这里面的传递图PG(a)为动作a的传递图)。在传递图的所有节点里存储节点相关的信息。如,节点v执行的动作集合Av。
d)建立模型来获取节点之间的传播值pv,u(某种概率).其中pv,u的计算如下:
Av&u为节点v和u都执行过的动作数目。Av为节点v执行的动作。
(注意,由于Av&u、Av为从同一个动作a的关系图PG(a)而来,因此它们是针对某一个动作而言的)。所以pv,u即为节点v成功影响u执行某个动作的次数在v节点做的全部激活尝试的比重。
e)把学习到的pv,u(节点之间的影响关系)与用户链接关系结合并得到一个有向带权图。
2)模型训练阶段:
a)利用walktrap社团发现算法对步骤1)产生的复杂网络进行社团发现。该社团为不重叠的社团,在结果里写了每个社团的成员以及相应的模块度。
b)遍历每一个社团,并结合原复杂网络拓扑结构,输出每一个社团对应的子图(即,该子图成员为社团成员,链接关系便是原图中成员间的链接关系),同时为标上子图大小,模块度等信息。
c)按着子图大小和模块度将生成的诸多子图分类,去除重复的子图。
d)为每一个子图进行如下实验,记录相应实验数据。
最后汇总所有子图的试验结果数据,形成最终的训练数据。
其中覆盖度的计算公式为
在这里传播值的计算是通过10000次运行monto carlo模拟过程来获得的。
e)利用c)产生的数据对预测模型进行训练。本系统采用支持向量机(supportvector machine,简称SVM)作为训练模型。训练数据格式为:
覆盖度 | 子图大小 | 模块度 | 种子节点数 |
其中覆盖度为类标,其余的为属性。
3)种子节点选取阶段:
a)利用walktrap算法挖掘步骤1)-a生成的复杂网络(实际上为有向带权图)的社团结构。
b)根据产生的社团结构把原复杂网络分割为多个子图,每一个子图对应一个社团。
并为每一个子图标上子图大小,模块度等信息。
c)导入模型训练阶段训练好的预测模型;不必每次都训练预测模型。训练一次可反复使用。
d)利用预测模型计算出每个子图应分配到几个种子节点进行挖掘;
具体的分配算法如下:
e)利用种子节点选取算法为每一个子图选取指定数量的种子节点。种子节点选取时选取当今效率最高的贪心算法。本系统拟应用simpath算法进行为每一个子图进行种子节点选择,所选取种子节点数为在步骤3)-d所分配到的种子节点数目。最终集聚所有子图的种子节点形成最终结果;
最终根据得到的种子节点集合选取在线社会网络中的初始传播节点(即社会网络里的传播能力比较大的用户)。这些节点会得到一定优惠以后把要传播的信息传播给他的朋友,他的朋友传播给朋友的朋友,如此实现传播范围的扩大。
4)结束;
如图2所示为图1中步骤1的详细描述。
步骤11利用现有的爬虫工具从在线社交网站爬取用户之间的链接关系(即一种无向图)与用户的操作日志;
步骤12:从爬取的数据中提炼出传递数据
步骤13:从上述过程产生的传递数据中提炼出传递图。
步骤14:建立模型来获取节点之间的影响值(某种概率).
步骤15:把学习到的节点之间的影响关系与用户链接关系结合并得到一个有向带权图。
如图3所示为图1中步骤2的详细描述。主要训练预测模型并保存到指定文件。
步骤21:利用walktrap社团发现算法对步骤1产生的复杂网络进行社团发现。在结果里写每个社团的成员以及相应的模块度。
步骤22:遍历每一个社团,并结合原复杂网络拓扑结构,输出每一个社团对应的子图,同时为标上子图大小,模块度等信息。
步骤23:按着子图大小和模块度将生成的诸多子图分类,去除重复的子图。
步骤24:设i指第i个子图,max_size为全部子图数目。i初始值为0.这样迭代每一个子图。
步骤25:如果i小于max_size说明还有一些子图未进行试验,继续进行迭代。否则结束整个过程。
步骤26:设k指要选取的种子节点数目,k从1到子图大小graph_size依次迭代。
步骤27:如果k小于graph_size说明在此子图上的试验还未结束,继续在此子图上进行试验。否则,结束此子图上的试验,跳到步骤33,继续进行外轮的迭代。
步骤28:利用贪心算法从子图中寻找k个种子节点。
步骤29:利用monto carlo算法计算所选出k个节点的影响值。
步骤30:结合这k个节点影响值与子图大小计算出覆盖度;
步骤31:保存如下的元祖(覆盖度、子图大小、模块度、所选种子节点数)到训练数据文件中。
步骤32:对种子节点数k进行加一操作。并回到步骤27。
步骤33:对i进行加一操作.
步骤34:把要训练的支持向量机(support vector machine,简称SVM)为预测模型进行初始化。
步骤35:导入训练数据。训练数据格式为:
覆盖度 | 子图大小 | 模块度 | 种子节点数 |
其中覆盖度为类标,其余的为属性。
由很多个上述格式的数据元祖组成训练数据。
步骤36:利用导入的数据对预测模型进行训练。
步骤37:保存训练好的模型参数。
如图4所示为图1中步骤3的详细描述。该部分中主要确定给定的budget(从原来的复杂网络中寻找的种子节点总数)如何分配给各个子图。
步骤41:导入在步骤37中保存好的预测模型。
步骤42:利用walktrap算法对复杂网络进行社团发现。
步骤43:遍历每一个社团,并结合原复杂网络拓扑结构,输出每一个社团对应的子图,同时为标上子图大小,模块度等信息。每一个子图附带如下属性组(分配到的种子节点指标,当前的传播值)。这是后续的计算所需的。
步骤44:初始化budget。budget为要寻找的种子节点总数。
步骤45:设k=0,k的范围从1到budget。
步骤46:如果k小于budget,说明种子节点数没有分配完,继续进行分配操作。如果k大于budget,则说明种子节点指标已经分配完毕,此阶段的工作结束.
步骤47:设i代表第i个子图,max_size为全部子图数目。i初始值为1.每次i从1迭代到max_size,即遍历所有子图,从而给合适的子图分配一个种子节点指标。如此分配完所有的种子节点。p_i指示本次迭代中最合适的子图。max_delta本次迭代中能够得到的最大的边际效益值。delta为暂存边际效益计算结果的变量。
步骤48:如果i小于maxsize,说明此次未遍历完所有子图,继续遍历。
否则,说明此次已经分配完该指标,跳到步骤54,为合适的子图分配一个种子节点指标。然后在步骤55对k进行加1操作。并准备分配下一个种子节点。
步骤49:输入第i个子图的参数。
步骤50:利用事先训练好的预测模型svm_predict,计算出该子图增加一个种子节点指标时的覆盖度,从覆盖度与子图大小可计算出当前的传播值。从而可计算出该子图增加一个种子节点时的边际效益delta=当前传播值-之前传播值。
步骤51~52:如果,边际效益delta大于max_delta,则p_i指向该子图,delta值赋给max_delta。如果,边际效益delta小于max_delta,则跳转到53步。
步骤53:对i进行加1操作。
步骤54:当i大于max_size时,说明此次以考察所有子图。应给p_i指向的子图赋予一个种子节点指标。
步骤55:对k进行加1操作。说明分配完一个种子节点指标。
当在46步k大于budget时说明所有的种子节点指标已分配完毕。
通过上述步骤可为诸多子图分配完所有种子节点的指标。从而利用现有种子节点选取的贪心算法便可从每个子图中选出指定的种子节点。最终汇聚这些零散的种子节点,组成最终的结果。然后根据得到的种子节点集合选取在线社会网络中的初始传播节点(即社会网络里的传播能力比较大的用户)。这些节点会得到一定优惠以后把要传播的信息传播给他的朋友,他的朋友传播给朋友的朋友,如此实现传播范围的扩大。
Claims (9)
1.一种基于复杂网络社团发现算法的信息传播最大化方法,其特征在于,包括如下步骤:
1)复杂网络生成阶段:
a)从在线社交网站爬取用户之间的链接关系与用户的操作日志;
b)建立静态模型(static model),并从日志文件学习出节点之间的影响关系与影响度值;
c)把学习到的节点之间的传播关系与用户链接关系结合并得到一个有向带权图;
2)模型训练阶段:
a)利用社团发现算法Walktrap对复杂网络进行社团发现;
b)为每一个社团,输出对应的子图;
c)为每一个子图进行不同种子节点选取实验,并保存覆盖度等实验数据;
d)利用所产生数据进行训练模型,并把得到的模型保存到指定区域以待使用;
3)种子节点选取阶段:
a)要进行挖掘的原始复杂网络分割为不同的社团,并生成对应子图;
b)导入模型训练阶段训练好的预测;
c)利用预测模型计算出每个子图应分配到几个种子节点进行挖掘;
d)利用种子节点选取算法为每一个子图选取种子节点;最终集聚所有子图的种子节点形成最终结果;
4)结束。
2.根据权利要求1所述的基于复杂网络社团发现算法的信息传播最大化方法,其特征在于,其中步骤1)-a中连接关系指一个用户与另一个用户在在线社交网络中具有朋友关系。
3.根据权利要求1所述的基于复杂网络社团发现算法的信息传播最大化方法,其特征在于,其中步骤1)-a的用户的操作日志指代表某个用户的节点的动作记录。
4.根据权利要求1所述的基于复杂网络社团发现算法的信息传播最大化方法,其特征在于,其中步骤1)-b中的静态模型是为了学习节点之间的影响关系以及传播值即一种概率值。
5.根据权利要求1所述的基于复杂网络社团发现算法的信息传播最大化方法,其特征在于,其中步骤1)-c中生成的有向带权图即为后续步骤要分析的复杂网络。其中节点代表在线社会网络中的用户,有向边表示某个用户影响另一个用户,边上的权值表示影响值即某个用户成功影响另一个用户的概率。
6.根据权利要求1所述的基于复杂网络社团发现算法的信息传播最大化方法,其特征在于,其中步骤2)-a中Walktrap为一种社团发现算法。
7.根据权利要求6所述的基于复杂网络社团发现算法的信息传播最大化方法,其特征在于,其中阶段2)的具体过程如下:
a)利用walktrap算法挖掘步骤1)-a生成的复杂网络的社团结构;
b)根据产生的社团结构把原复杂网络分割为多个子图,每一个子图对应一个社团;并为每一个子图标上子图大小,模块度等信息;
c)为每一个子图进行实验,根据子图大小和模块度,分别利用贪心算法选择出1,2,……,n个种子节点进行传播,n为图中节点数;然后分别记录这些种子节点的覆盖度;这里覆盖度为种子节点集成功激活的节点数在全部节点中占得比例;并把覆盖度、子图大小、模块度、所选种子节点数记录到实验结果里;
d)利用c)产生的数据对预测模型进行训练;本系统采用支持向量机作为学习模型:该模型计算出指定的子图应分配多少个种子节点进行挖掘;该模型一旦训练完毕,能反复使用。
8.根据权利要求1所述的基于复杂网络社团发现算法的信息传播最大化方法,其特征在于,其中步骤3)的具体过程如下:
a)要进行挖掘的原始复杂网络分割为不同的社团,并生成对应子图;其中该复杂网络为步骤1)生成的复杂网络;
b)导入模型训练阶段训练好的预测;训练一次能反复使用;
c)利用预测模型计算出每个子图应分配到几个种子节点进行挖掘;
d)利用种子节点选取算法为每一个子图选取种子节点;种子节点选取时选取当今效率最高的贪心算法;最终集聚所有子图的种子节点形成最终结果。
9.根据权利要求1所述的基于复杂网络社团发现算法的信息传播最大化方法,其特征在于,其中步骤3)-d产生的种子节点集合是在线社会网络中初始传播的节点;这些节点会获得某新产品的免费使用权或现金奖励以后把要传播的信息传播给他的朋友,他的朋友传播给朋友的朋友,如此实现传播范围的扩大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510186252.2A CN104820945B (zh) | 2015-04-17 | 2015-04-17 | 基于社团结构挖掘算法的在线社会网络信息传播最大化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510186252.2A CN104820945B (zh) | 2015-04-17 | 2015-04-17 | 基于社团结构挖掘算法的在线社会网络信息传播最大化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104820945A true CN104820945A (zh) | 2015-08-05 |
CN104820945B CN104820945B (zh) | 2018-06-22 |
Family
ID=53731230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510186252.2A Active CN104820945B (zh) | 2015-04-17 | 2015-04-17 | 基于社团结构挖掘算法的在线社会网络信息传播最大化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104820945B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022936A (zh) * | 2016-05-25 | 2016-10-12 | 南京大学 | 适用论文合作网络的基于社团结构的影响最大化算法 |
CN106991496A (zh) * | 2017-03-29 | 2017-07-28 | 南京邮电大学 | 一种面向移动社交环境的用户行为分层关联预测方法 |
CN108292241A (zh) * | 2015-10-28 | 2018-07-17 | 谷歌有限责任公司 | 处理计算图 |
CN109254844A (zh) * | 2018-07-26 | 2019-01-22 | 华中科技大学 | 一种大规模图的三角形计算方法 |
CN109492131A (zh) * | 2018-09-18 | 2019-03-19 | 华为技术有限公司 | 一种图数据存储方法及装置 |
CN109859054A (zh) * | 2018-12-13 | 2019-06-07 | 平安科技(深圳)有限公司 | 网络社团挖掘方法、装置、计算机设备及存储介质 |
CN110019981A (zh) * | 2017-11-27 | 2019-07-16 | 中国科学院声学研究所 | 一种融合无监督学习与网络出度的有向超边传播方法 |
CN111951021A (zh) * | 2019-05-15 | 2020-11-17 | 财付通支付科技有限公司 | 一种可疑社团的发现方法和装置、存储介质及计算机设备 |
CN112288195A (zh) * | 2020-11-24 | 2021-01-29 | 北京智源人工智能研究院 | 基于好友行为预测中心用户行为的方法、装置和电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325061A (zh) * | 2012-11-02 | 2013-09-25 | 中国人民解放军国防科学技术大学 | 一种社区发现方法和系统 |
-
2015
- 2015-04-17 CN CN201510186252.2A patent/CN104820945B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325061A (zh) * | 2012-11-02 | 2013-09-25 | 中国人民解放军国防科学技术大学 | 一种社区发现方法和系统 |
Non-Patent Citations (4)
Title |
---|
刘晓东: "大规模社会网络中影响最大化问题高效处理技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
殷希红 等: "基于复杂网络的知识组织系统概念社区发现", 《数字图书馆论坛》 * |
田家堂 等: "一种新型的社会网络影响最大化算法", 《计算机学报》 * |
胡云 等: "微博网络上的重叠社群发现与全局表示", 《软件学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108292241A (zh) * | 2015-10-28 | 2018-07-17 | 谷歌有限责任公司 | 处理计算图 |
US11769061B2 (en) | 2015-10-28 | 2023-09-26 | Google Llc | Processing computational graphs |
CN108292241B (zh) * | 2015-10-28 | 2022-05-24 | 谷歌有限责任公司 | 处理计算图 |
CN106022936B (zh) * | 2016-05-25 | 2020-03-20 | 南京大学 | 适用论文合作网络的基于社团结构的影响最大化算法 |
CN106022936A (zh) * | 2016-05-25 | 2016-10-12 | 南京大学 | 适用论文合作网络的基于社团结构的影响最大化算法 |
CN106991496A (zh) * | 2017-03-29 | 2017-07-28 | 南京邮电大学 | 一种面向移动社交环境的用户行为分层关联预测方法 |
CN106991496B (zh) * | 2017-03-29 | 2020-06-30 | 南京邮电大学 | 一种面向移动社交环境的用户行为分层关联预测方法 |
CN110019981B (zh) * | 2017-11-27 | 2021-05-04 | 中国科学院声学研究所 | 一种融合无监督学习与网络出度的有向超边传播方法 |
CN110019981A (zh) * | 2017-11-27 | 2019-07-16 | 中国科学院声学研究所 | 一种融合无监督学习与网络出度的有向超边传播方法 |
CN109254844A (zh) * | 2018-07-26 | 2019-01-22 | 华中科技大学 | 一种大规模图的三角形计算方法 |
CN109492131B (zh) * | 2018-09-18 | 2021-01-08 | 华为技术有限公司 | 一种图数据存储方法及装置 |
CN109492131A (zh) * | 2018-09-18 | 2019-03-19 | 华为技术有限公司 | 一种图数据存储方法及装置 |
CN109859054A (zh) * | 2018-12-13 | 2019-06-07 | 平安科技(深圳)有限公司 | 网络社团挖掘方法、装置、计算机设备及存储介质 |
CN109859054B (zh) * | 2018-12-13 | 2024-03-05 | 平安科技(深圳)有限公司 | 网络社团挖掘方法、装置、计算机设备及存储介质 |
CN111951021A (zh) * | 2019-05-15 | 2020-11-17 | 财付通支付科技有限公司 | 一种可疑社团的发现方法和装置、存储介质及计算机设备 |
CN112288195A (zh) * | 2020-11-24 | 2021-01-29 | 北京智源人工智能研究院 | 基于好友行为预测中心用户行为的方法、装置和电子设备 |
CN112288195B (zh) * | 2020-11-24 | 2021-08-31 | 北京智谱华章科技有限公司 | 基于好友行为预测中心用户行为的方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN104820945B (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104820945A (zh) | 基于社团结构挖掘算法的在线社会网络信息传播最大化方法 | |
CN110490738A (zh) | 一种混合联邦学习方法及架构 | |
Truong et al. | Chemical reaction optimization with greedy strategy for the 0–1 knapsack problem | |
WO2020259502A1 (zh) | 神经网络模型的生成方法及装置、计算机可读存储介质 | |
Rodriguez et al. | An artificial bee colony algorithm for the maximally diverse grouping problem | |
CN108648095A (zh) | 一种基于图卷积网络梯度的节点信息隐藏方法 | |
CN102594909B (zh) | 基于共邻矩阵谱信息的多目标社区检测方法 | |
Song et al. | Learning-guided nondominated sorting genetic algorithm II for multi-objective satellite range scheduling problem | |
CN110390548A (zh) | 优惠券派发策略的选择方法及装置 | |
CN103905246B (zh) | 基于分组遗传算法的链路预测方法 | |
Ji et al. | Ant colony clustering with fitness perception and pheromone diffusion for community detection in complex networks | |
Zheng et al. | Improving the efficiency of multi-objective evolutionary algorithms through decomposition: An application to water distribution network design | |
CN105630800A (zh) | 一种节点重要性排序的方法和系统 | |
Jiang et al. | Automatic calibration a hydrological model using a master–slave swarms shuffling evolution algorithm based on self-adaptive particle swarm optimization | |
CN104361462B (zh) | 基于文化基因算法的社交网络影响最大化方法 | |
Jiang et al. | Dynamic community detection based on game theory in social networks | |
CN104657442A (zh) | 基于局部搜索的多目标社区发现方法 | |
Yan et al. | Policy evaluation and seeking for multiagent reinforcement learning via best response | |
Falanti et al. | Popnasv3: a pareto-optimal neural architecture search solution for image and time series classification | |
Zhen et al. | Neighborhood evolutionary sampling with dynamic repulsion for expensive multimodal optimization | |
Li et al. | Improved shuffled frog leaping algorithm on system reliability analysis | |
Salcedo-Sanz et al. | A novel grouping coral reefs optimization algorithm for optimal mobile network deployment problems under electromagnetic pollution and capacity control criteria | |
Meng et al. | Heterogeneous ant colony optimization based on adaptive interactive learning and non-zero-sum game | |
CN109410078A (zh) | 一种适用于面向文件共享的移动社交网络的信息传播预测方法 | |
Chica et al. | Rewarding policies in an asymmetric game for sustainable tourism |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |