CN105095403A - 基于混合近邻消息传播的并行社区发现算法 - Google Patents

基于混合近邻消息传播的并行社区发现算法 Download PDF

Info

Publication number
CN105095403A
CN105095403A CN201510396173.4A CN201510396173A CN105095403A CN 105095403 A CN105095403 A CN 105095403A CN 201510396173 A CN201510396173 A CN 201510396173A CN 105095403 A CN105095403 A CN 105095403A
Authority
CN
China
Prior art keywords
value
key
node
neighbour
input key
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.)
Pending
Application number
CN201510396173.4A
Other languages
English (en)
Inventor
郭昆
郭文忠
陈羽中
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201510396173.4A priority Critical patent/CN105095403A/zh
Publication of CN105095403A publication Critical patent/CN105095403A/zh
Pending legal-status Critical Current

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
    • G06F16/951—Indexing; Web crawling techniques
    • 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)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于混合了局部与全局近邻消息传播和并行计算技术的社区发现算法。主要步骤：步骤S1：读取原始数据，获取网络节点及节点近邻信息；步骤S2：根据节点及近邻相似度信息进行并行相似度计算；步骤S3：初始化迭代次数<i>iter</i>=1，代表点集<i>Sete</i>=Φ；步骤S4：支持度消息的并行计算及更新；步骤S5：适选度消息的并行计算更新；步骤S6：代表点的并行计算，及<i>Sete</i>的更新；步骤S7：判断迭代停止条件，若条件不满足，则<i>iter</i>=<i>iter</i>+1，返回步骤S4；步骤S8：根据代表点信息输出社区结构。该算法应用于大规模社交网络中的社区发现，为Web2.0为特征的社交网络应用提供极具商业价值的社区、兴趣团体等信息。

Description

基于混合近邻消息传播的并行社区发现算法
技术领域
本发明涉及社交网络上的社区发现领域，特别是一种基于近邻传播和并行计算的大规模社区发现算法。
背景技术
随着以微博、QQ空间、豆瓣网、时光网等为代表的Web2.0社交网络(SocialNetwork)在国内外的飞速发展，人们已经越来越习惯于通过在线互动方式、虚拟交流方式实现社会关系的创建和维护，主要的形式包括在线聊天、团购、评论、购物等。在虚拟交流过程中，人们逐渐根据不同的兴趣爱好、生活习惯、成长背景等聚集成不同的社区。对这些社交网络上的社区的识别与跟踪，在理论上是对复杂网络聚类研究的发展与丰富，在实践上对目前大量基于社交网络的商业应用(如在线点评、团购网、智慧公交等)也有很高的价值。
现有的社区发现方法在静态社交网络中的社区发现方面已经取得一定成果，但仍存在以下几个问题：首先，算法的时间与空间复杂度通常比较高，在处理大规模社交网络时的时间开销和空间开销过高；其次，算法通常需要一次性读取整个网络，当网络规模较大时，往往无法在单机上完成；最后，算法设计时通常只考虑串行步骤的执行，未引入并行计算机制，可扩展性不强。
MapReduce是一种编程模型，用于大规模数据集(大于1TB)的并行运算。它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。当前的软件实现是指定一个Map(映射)函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce(归约)函数，用来保证所有映射的键值对中的每一个共享相同的键组。
发明内容
有鉴于此，我们提出了一种同时复用网络中的近邻和全局信息的近邻传播算法。在设计算法时就考虑到算法步骤的可并行性，采用MapReduce模型中的map算子和reduce算子实现算法的所有步骤，从而使算法具备良好的扩展性、并发性。此外，借助多机集群，我们设计的算法能够有效地对大规模社交网络进行处理。
本发明采用以下算法实现：该算法主要包括以下步骤：步骤S1：读取原始数据，获取网络节点及节点近邻信息；步骤S2：根据节点及近邻相似度信息进行并行相似度计算；步骤S3：初始化迭代次数iter＝1，代表点集Sete＝Φ；步骤S4：支持度消息的并行计算及更新；步骤S5：适选度消息的并行计算更新；步骤S6：代表点的并行计算，及Sete的更新；步骤S7：若Sete不是空集且相邻两次迭代的Sete包含的元素完全相同，则迭代停止条件满足；否则，判断迭代次数iter是否到达最大迭代次数maxIter，若是，则迭代停止条件满足，其它情况表示迭代停止条件不满足，若迭代停止条件不满足，则iter＝iter+1，返回步骤S4；步骤S8：根据代表点信息输出社区结构。
在本发明一实施例中，所述步骤S2包括以下具体步骤：步骤S20：将原始数据组织成(i,NB(i))的形式，其中i表示节点，NB(i)节点的近邻集合；步骤S21：map运算：输入KEY＝i，VALUE＝NB(i)，输出KEY＝(i,k)，VALUE＝NB(i)，k为i的近邻；步骤S22：reduce运算：输入KEY＝(i,k)，VALUE＝(NB(i),NB(k))，根据公式：计算i和k的相似度s(i,k)，输出KEY＝i，VALUE＝(k,s(i,k))，以及KEY＝k，VALUE＝(i,s(i,k))；步骤S23：map运算：输入KEY＝i，VALUE＝(k,s(i,k))，输出KEY＝i，VALUE＝(k,s(i,k))；步骤S24：reduce运算：输入KEY＝i，VALUE＝(k,s(i,k))集合，输出KEY＝i，VALUE＝(k,s(i,k))集合。
在本发明一实施例中，步骤S4包括以下步骤：步骤S40：支持度消息的格式为(i,r(i,k))，r(i,k)为节点i对其近邻k的支持度，将所述r(i,k)初始化为0；步骤S41：map运算：输入KEY＝i，VALUE＝(k,s(i,k))，以及(k,a(i,k))，a(i,k)为适选度，根据公式：r(i,k)←s(i,k)-maxk′s.t.k′≠k∩k′∈NB(i){a(i,k′)+s(i,k′)}计算r(i,k)，输出KEY＝i，VALUE＝(k,r(i,k))；步骤S42：reduce运算：输入KEY＝i，VALUE＝(k,r(i,k))集合，输出KEY＝i，VALUE＝(k,r(i,k))集合。
在本发明一实施例中，步骤S5包括以下步骤：步骤S50：适选度消息的格式为(i,a(i,k))，a(i,k)表示节点k适合作为其近邻i代表的程度，将a(i,k)初始化为0；步骤S51：map运算：输入KEY＝i，VALUE＝(k,r(i,k))集合，输出KEY＝k，VALUE＝(i,r(i,k))；步骤S52：reduce运算：输入KEY＝k，VALUE＝(i,r(i,k))集合，输出KEY＝k，VALUE＝(i,r(i,k))集合；步骤S53：map运算：输入KEY＝k，VALUE＝(i,r(i,k))集合，根据公式 a ( i , k ) &LeftArrow; min 0 , r ( k , k ) + &Sigma; i &prime; s . t . i &prime; &NotEqual; { i , k } &cap; i &Element; N B ( k ) max { 0 , r ( i &prime; , k ) } i &NotEqual; k &Sigma; i &prime; s . t . i &prime; &NotEqual; { i , k } &cap; i &Element; N B ( k ) max { 0 , r ( i &prime; , k ) } i = k 计算a(i,k)，输出KEY＝i，VALUE＝(k,a(i,k))；步骤S54：reduce运算：输入KEY＝i，VALUE＝(k,a(i,k))集合，输出KEY＝i，VALUE＝(k,a(i,k))集合。
在本发明一实施例中，步骤S6包括以下步骤：步骤S61：map运算：输入KEY＝i，VALUE＝(k,r(i,k))集合及(k,a(i,k))集合，输出KEY＝i，VALUE＝(r(i,k),a(i,k))；步骤S62：reduce运算：输入KEY＝i，VALUE＝(r(i,k),a(i,k))集合，根据公式e(i)＝argmaxks.t.k∈NB(i){r(i,k)+a(i,k)|r(i,k)+a(i,k)>0}计算k＝e(i)，同时将k加入集合Sete,，输出KEY＝i，VALUE＝k。
在本发明一实施例中，步骤S8中的根据代表点信息输出社区结构的过程为：根据代表点信息输出社区结构根据代表点集Sete及e(i)＝argmaxks.t.k∈NB(i){r(i,k)+a(i,k)|r(i,k)+a(i,k)>0}得到的每个节点i的代表点e(i)，将代表点相同的节点划分到同一个社区Ck，使从属于同一个社区Ck的成员的代表点均指向同一个代表点k，再输出生成的社区集合。
本发明的有益效果是将混合了局部与全局消息传播的近邻传播方法与基于MapReduce模型的并行计算方法相结合，应用于大规模社交网络中的社区发现，从而能够为当前日益蓬勃发展的Web2.0为特征的社交网络应用提供极具商业价值的社区、兴趣团体等信息，同时也为复杂网络聚类在社交网络分析方向的发展提供有益补充。
附图说明
图1是本发明的流程图。
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说明。
本发明提供了一种基于近邻传播和并行计算的大规模社区发现算法，其主要流程图参见图1。该算法主要包括以下步骤：
步骤S1：读取原始数据，获取网络节点及节点近邻信息；
步骤S2：根据节点及近邻相似度信息进行并行相似度计算；
步骤S3：初始化迭代次数iter＝1，代表点集Sete＝Φ；
步骤S4：支持度消息的并行计算及更新；
步骤S5：适选度消息的并行计算更新；
步骤S6：代表点的并行计算，及Sete的更新；
步骤S7：若Sete不是空集且相邻两次迭代的Sete包含的元素完全相同，则
迭代停止条件满足；否则，判断迭代次数iter是否到达最大迭代次数maxIter，
若是，则迭代停止条件满足，其它情况表示迭代停止条件不满足，若迭代停
止条件不满足，则iter＝iter+1，返回步骤S4；
步骤S8：根据代表点信息输出社区结构。
所述步骤S2包括以下具体步骤：
步骤S20：将原始数据组织成(i,NB(i))的形式，其中i表示节点，NB(i)节点的近邻集合；
步骤S21：map运算：输入KEY＝i，VALUE＝NB(i)，输出KEY＝(i,k)，VALUE＝NB(i)，k为i的近邻；
步骤S22：reduce运算：输入KEY＝(i,k)，VALUE＝(NB(i),NB(k))，根据公式：计算i和k的相似度s(i,k)，输出KEY＝i，VALUE＝(k,s(i,k))，以及KEY＝k，VALUE＝(i,s(i,k))；
步骤S23：map运算：输入KEY＝i，VALUE＝(k,s(i,k))，输出KEY＝i，VALUE＝(k,s(i,k))；
步骤S24：reduce运算：输入KEY＝i，VALUE＝(k,s(i,k))集合，输出KEY＝i，VALUE＝(k,s(i,k))集合。
步骤S4包括以下步骤：
步骤S40：支持度消息的格式为(i,r(i,k))，r(i,k)为节点i对其近邻k的支持度，所述r(i,k)初始化为0；
步骤S41：map运算：输入KEY＝i，VALUE＝(k,s(i,k))，以及(k,a(i,k))，a(i,k)为适选度，根据公式：r(i,k)←s(i,k)-maxk′s.t.k′≠k∩k′∈NB(i){a(i,k′)+s(i,k′)}计算r(i,k)，输出KEY＝i，VALUE＝(k,r(i,k))；
步骤S42：reduce运算：输入KEY＝i，VALUE＝(k,r(i,k))集合，输出KEY＝i，VALUE＝(k,r(i,k))集合。
步骤S5包括以下步骤：
步骤S50：适选度消息的格式为(i,a(i,k))，a(i,k)表示节点k适合作为其近邻i代表的程度，a(i,k)初始化为0；
步骤S51：map运算：输入KEY＝i，VALUE＝(k,r(i,k))集合，输出KEY＝k，VALUE＝(i,r(i,k))；
步骤S52：reduce运算：输入KEY＝k，VALUE＝(i,r(i,k))集合，输出KEY＝k，VALUE＝(i,r(i,k))集合；
步骤S53：map运算：输入KEY＝k，VALUE＝(i,r(i,k))集合，根据公式
a ( i , k ) &LeftArrow; min 0 , r ( k , k ) + &Sigma; i &prime; s . t . i &prime; &NotEqual; { i , k } &cap; i &Element; N B ( k ) max { 0 , r ( i &prime; , k ) } i &NotEqual; k &Sigma; i &prime; s . t . i &prime; &NotEqual; { i , k } &cap; i &Element; N B ( k ) max { 0 , r ( i &prime; , k ) } i = k 计算a(i,k)，输出KEY＝i，VALUE＝(k,a(i,k))；
步骤S54：reduce运算：输入KEY＝i，VALUE＝(k,a(i,k))集合，输出KEY＝i，VALUE＝(k,a(i,k))集合。
步骤S6包括以下步骤：
步骤S61：map运算：输入KEY＝i，VALUE＝(k,r(i,k))集合及(k,a(i,k))集合，输出KEY＝i，VALUE＝(r(i,k),a(i,k))；
步骤S62：reduce运算：输入KEY＝i，VALUE＝(r(i,k),a(i,k))集合，根据公式e(i)＝argmaxks.t.k∈NB(i){r(i,k)+a(i,k)|r(i,k)+a(i,k)>0}计算k＝e(i)，同时将k加入集合Sete,，输出KEY＝i，VALUE＝k。
步骤S8中根据代表点信息输出社区结构的主要过程：为根据代表点集Sete及e(i)＝argmaxks.t.k∈NB(i){r(i,k)+a(i,k)|r(i,k)+a(i,k)>0}得到的每个节点i的代表点e(i)，将代表点相同的节点划分到同一个社区Ck，使从属于同一个社区Ck的成员的代表点均指向同一个代表点k，再输出生成的社区集合。
该算法应用于大规模社交网络中的社区发现，从而能够为当前日益蓬勃发展的Web2.0为特征的社交网络应用提供极具商业价值的社区、兴趣团体等信息，同时也为复杂网络聚类在社交网络分析方向的发展提供有益补充。
上列较佳实施例，对本发明的目的、技术方案和优点进行了进一步详细说明，所应理解的是，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于混合近邻消息传播的并行社区发现算法，其特征在于，包括以下步骤：
步骤S1：读取原始数据，获取网络节点及节点近邻信息；
步骤S2：根据节点及近邻相似度信息进行并行相似度计算；
步骤S3：初始化迭代次数iter＝1，代表点集Sete＝Φ；
步骤S4：支持度消息的并行计算及更新；
步骤S5：适选度消息的并行计算更新；
步骤S6：代表点的并行计算，及Sete的更新；
步骤S7：若Sete不是空集且相邻两次迭代的Sete包含的元素完全相同，则迭代停止条件满足；否则，判断迭代次数iter是否到达最大迭代次数maxIter，若是，则迭代停止条件满足，其它情况表示迭代停止条件不满足，若迭代停止条件不满足，则iter＝iter+1，返回步骤S4；
步骤S8：根据代表点信息输出社区结构。
2.根据权利要求1所述的基于混合近邻消息传播的并行社区发现算法，其特征在于：所述步骤S2包括以下具体步骤：
步骤S20：将原始数据组织成(i,NB(i))的形式，其中i表示节点，NB(i)节点的近邻集合；
步骤S21：map运算：输入KEY＝i，VALUE＝NB(i)，输出KEY＝(i,k)，VALUE＝NB(i)，k为i的近邻；
步骤S22：reduce运算：输入KEY＝(i,k)，VALUE＝(NB(i),NB(k))，根据公式：计算i和k的相似度s(i,k)，输出KEY＝i，VALUE＝(k,s(i,k))，以及KEY＝k，VALUE＝(i,s(i,k))；
步骤S23：map运算：输入KEY＝i，VALUE＝(k,s(i,k))，输出KEY＝i，VALUE＝(k,s(i,k))；
步骤S24：reduce运算：输入KEY＝i，VALUE＝(k,s(i,k))集合，输出KEY＝i，VALUE＝(k,s(i,k))集合。
3.根据权利要求1所述的基于混合近邻消息传播的并行社区发现算法，其特征在于：步骤S4包括以下步骤：
步骤S40：支持度消息的格式为(i,r(i,k))，r(i,k)为节点i对其近邻k的支持度，将所述r(i,k)初始化为0；
步骤S41：map运算：输入KEY＝i，VALUE＝(k,s(i,k))，以及(k,a(i,k))，a(i,k)为适选度，根据公式：r(i,k)←s(i,k)-maxk′s.t.k′≠k∩k′∈NB(i){a(i,k′)+s(i,k′)}计算r(i,k)，输出KEY＝i，VALUE＝(k,r(i,k))；
步骤S42：reduce运算：输入KEY＝i，VALUE＝(k,r(i,k))集合，输出KEY＝i，VALUE＝(k,r(i,k))集合。
4.根据权利要求1所述的基于混合近邻消息传播的并行社区发现算法，其特征在于：步骤S5包括以下步骤：
步骤S50：适选度消息的格式为(i,a(i,k))，a(i,k)表示节点k适合作为其近邻i代表的程度，将a(i,k)初始化为0；
步骤S51：map运算：输入KEY＝i，VALUE＝(k,r(i,k))集合，输出KEY＝k，VALUE＝(i,r(i,k))；
步骤S52：reduce运算：输入KEY＝k，VALUE＝(i,r(i,k))集合，输出KEY＝k，VALUE＝(i,r(i,k))集合；
步骤S53：map运算：输入KEY＝k，VALUE＝(i,r(i,k))集合，根据公式
计算a(i,k)，输出KEY＝i，VALUE＝(k,a(i,k))；
步骤S54：reduce运算：输入KEY＝i，VALUE＝(k,a(i,k))集合，输出KEY＝i，VALUE＝(k,a(i,k))集合。
5.根据权利要求1所述的基于混合近邻消息传播的并行社区发现算法，其特征在于：步骤S6包括以下步骤：
步骤S61：map运算：输入KEY＝i，VALUE＝(k,r(i,k))集合及(k,a(i,k))集合，输出KEY＝i，VALUE＝(r(i,k),a(i,k))；
步骤S62：reduce运算：输入KEY＝i，VALUE＝(r(i,k),a(i,k))集合，根据公式e(i)＝argmaxks.t.k∈NB(i){r(i,k)+a(i,k)|r(i,k)+a(i,k)>0}计算k＝e(i)，同时将k加入集合Sete,，输出KEY＝i，VALUE＝k。
6.根据权利要求1所述的一种基于混合近邻消息传播的并行社区发现算法，其特征在于：步骤S8中的根据代表点信息输出社区结构的过程为：根据代表点集Sete及e(i)＝argmaxks.t.k∈NB(i){r(i,k)+a(i,k)|r(i,k)+a(i,k)>0}得到的每个节点i的代表点e(i)，将代表点相同的节点划分到同一个社区Ck，使从属于同一个社区Ck的成员的代表点均指向同一个代表点k，再输出生成的社区集合。
CN201510396173.4A 2015-07-08 2015-07-08 基于混合近邻消息传播的并行社区发现算法 Pending CN105095403A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510396173.4A CN105095403A (zh) 2015-07-08 2015-07-08 基于混合近邻消息传播的并行社区发现算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510396173.4A CN105095403A (zh) 2015-07-08 2015-07-08 基于混合近邻消息传播的并行社区发现算法

Publications (1)

Publication Number Publication Date
CN105095403A true CN105095403A (zh) 2015-11-25

Family

ID=54575840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510396173.4A Pending CN105095403A (zh) 2015-07-08 2015-07-08 基于混合近邻消息传播的并行社区发现算法

Country Status (1)

Country Link
CN (1) CN105095403A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596778A (zh) * 2018-05-08 2018-09-28 南京邮电大学 一种基于兴趣空间的社区划分方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916256A (zh) * 2010-07-13 2010-12-15 北京大学 综合行动者兴趣与网络拓扑的社区发现方法
CN102779142A (zh) * 2011-06-28 2012-11-14 安徽大学 基于社区紧密度的快速社区发现方法
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
CN103729467A (zh) * 2014-01-16 2014-04-16 重庆邮电大学 一种社交网络中的社区结构发现方法
CN103747033A (zh) * 2013-12-17 2014-04-23 西安交通大学 一种社区发现的方法
CN103942308A (zh) * 2014-04-18 2014-07-23 中国科学院信息工程研究所 大规模社交网络社区的检测方法及装置
CN104077280A (zh) * 2013-03-25 2014-10-01 中兴通讯股份有限公司 社区发现并行化方法和系统、主节点和运算节点设备
CN104391889A (zh) * 2014-11-11 2015-03-04 西安交通大学 一种面向有向-加权网络的社区结构发现方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916256A (zh) * 2010-07-13 2010-12-15 北京大学 综合行动者兴趣与网络拓扑的社区发现方法
CN102779142A (zh) * 2011-06-28 2012-11-14 安徽大学 基于社区紧密度的快速社区发现方法
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
CN104077280A (zh) * 2013-03-25 2014-10-01 中兴通讯股份有限公司 社区发现并行化方法和系统、主节点和运算节点设备
CN103747033A (zh) * 2013-12-17 2014-04-23 西安交通大学 一种社区发现的方法
CN103729467A (zh) * 2014-01-16 2014-04-16 重庆邮电大学 一种社交网络中的社区结构发现方法
CN103942308A (zh) * 2014-04-18 2014-07-23 中国科学院信息工程研究所 大规模社交网络社区的检测方法及装置
CN104391889A (zh) * 2014-11-11 2015-03-04 西安交通大学 一种面向有向-加权网络的社区结构发现方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
郭昆等: ""基于局部近邻传播及用户特征的社区识别算法"", 《通信学报》 *
黄建华等: ""具有社区结构和子核的快速网络优化方法"", 《系统工程理论与实践》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596778A (zh) * 2018-05-08 2018-09-28 南京邮电大学 一种基于兴趣空间的社区划分方法
CN108596778B (zh) * 2018-05-08 2022-01-28 南京邮电大学 一种基于兴趣空间的社区划分方法

Similar Documents

Publication Publication Date Title
He et al. A novel binary artificial bee colony algorithm for the set-union knapsack problem
Javaid et al. Day ahead real time pricing and critical peak pricing based power scheduling for smart homes with different duty cycles
Liu et al. Multiple attribute decision-making method based on some normal neutrosophic Bonferroni mean operators
CN105608219B (zh) 一种基于聚类的流式推荐引擎、推荐系统以及推荐方法
Truong et al. Chemical reaction optimization with greedy strategy for the 0–1 knapsack problem
Song et al. Community detection using discrete bat algorithm
Londhe et al. Platforms for big data analytics: Trend towards hybrid era
CN105373517A (zh) 基于Spark的分布式稠密矩阵求逆并行化运算方法
Xu et al. Generic dynamic graph convolutional network for traffic flow forecasting
Li et al. Research on QoS service composition based on coevolutionary genetic algorithm
Wang et al. Parallel k-pso based on mapreduce
CN107133279A (zh) 一种基于云计算的智能推荐方法及系统
CN108536844A (zh) 一种文本增强的网络表示学习方法
Park et al. On the power of gradual network alignment using dual-perception similarities
Li et al. Application of human learning optimization algorithm for production scheduling optimization
CN105095403A (zh) 基于混合近邻消息传播的并行社区发现算法
Ding et al. Edge computing for terminal query based on iot
Liu et al. DynaPro: dynamic wireless sensor network data protection algorithm in IoT via differential privacy
He et al. Discovering model structure for partially linear models
Liu et al. A privacy-preserving distributed optimal scheduling for interconnected microgrids
Manjunath et al. IoT driven with big data analytics and block chain application scenarios
CN110019252A (zh) 信息处理的方法、装置及电子设备
Bian et al. $\mathcal {AFCS}: $ AFCS: Aggregation-Free Spatial-Temporal Mobile Community Sensing
CN105159922A (zh) 基于标签传播算法面向寄递数据的并行化社团发现方法
Wang et al. Secondary voltage collaborative control of distributed energy system via multi-agent reinforcement learning

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20151125

RJ01 Rejection of invention patent application after publication