CN106446143B - 基于图结构匹配的智能推荐系统及方法 - Google Patents

基于图结构匹配的智能推荐系统及方法 Download PDF

Info

Publication number
CN106446143B
CN106446143B CN201610836961.5A CN201610836961A CN106446143B CN 106446143 B CN106446143 B CN 106446143B CN 201610836961 A CN201610836961 A CN 201610836961A CN 106446143 B CN106446143 B CN 106446143B
Authority
CN
China
Prior art keywords
query
graph
coordinator
calculation
results
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
Application number
CN201610836961.5A
Other languages
English (en)
Other versions
CN106446143A (zh
Inventor
王欣
贾建民
于成业
张恩阳
杜彤
谭斌
钟吉英
赵亮
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.)
Sichuan Changhong Electric Co Ltd
Original Assignee
Sichuan Changhong Electric Co Ltd
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 Sichuan Changhong Electric Co Ltd filed Critical Sichuan Changhong Electric Co Ltd
Priority to CN201610836961.5A priority Critical patent/CN106446143B/zh
Publication of CN106446143A publication Critical patent/CN106446143A/zh
Application granted granted Critical
Publication of CN106446143B publication Critical patent/CN106446143B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明公开了一种基于图结构匹配的智能推荐系统及方法，该系统包括：图形用户界面，用于用户构建查询模式图，管理图数据以及浏览推荐结果；协调器和运行装置，一个所述协调器协调至少两个所述运行装置；所述协调器将从所述图形用户界面接收到的用户请求发送至所述运行装置，各个运行装置通过异步通信获取信息，结合本地数据，进行查询计算，并将计算结果返回给协调器；所述协调器将从所述运行装置收到的结果按优次进行排序，并返回最优的K个结果作为推荐信息返回给用户。本发明可以在分布式环境下管理图数据，同时支持图结构匹配的并行计算。不仅可以应用于影视节目推荐应用场景，还可以应用在职位推荐，广告推送等领域中。

Description

基于图结构匹配的智能推荐系统及方法
技术领域
本发明涉及社交网络分析及智能推荐技术领域，具体涉及一种基于图结构匹配的智能推荐系统及方法。
背景技术
近年来，社交网络得到了飞速的发展，已成为重要的商业活动平台。为了在社交网络上成功地实现商业目标，如何进行智能推荐是关键问题之一，引起了人们的广泛关注。为此，人们发明了众多技术来解决此问题，其中，基于子图同构语义的结构匹配技术是一项被广泛使用，且十分有效的技术。
然而，在社交网络上进行高效的图结构匹配计算并不容易，主要原因包括以下几点：(1)基于子图同构语义的图结构匹配计算量很大，因为，子图同构是一个NP完全问题，对其求解所需的算法复杂度为指数级别；(2)现实世界中的社交网络图数据往往十分巨大，例如：Facebook有9.01亿用户和1250亿用户间的联系，对这种数量级别的超大规模图数据进行查询计算往往非常耗费资源；(3)社交网络数据通常采用分布式存储，这就导致了在分布式环境下进行图结构匹配难度更大，有时甚至难以实现；(4)社交网络处于不断变化的过程中，当社交网络有一小部分发生变化时，重新进行结构匹配计算往往代价非常巨大。
发明内容
本发明克服了现有技术的不足，提供一种基于图结构匹配的智能推荐系统及方法。
本发明所要解决的技术问题是：(1)如何将用户的复杂查询需求转换为模式图；(2)如何基于子图同构语义在分布式环境下快速进行结构匹配计算；(3)如何利用优化技术提高本地计算效率。
本发明所提供的技术包括：可视化技术，分布式子图同构查询，基于视图的子图同构查询。其中，
可视化技术：提供了一个图形化的界面帮助用户构建查询模式图，管理图数据以及浏览推荐结果。
分布式子图同构查询：利用一个协调器协调多个运行装置并行地完成查询计算。具体而言，(i)协调器发送从图形界面接收到的各种需求给运行装置；(ii)各个运行装置通过异步通信获取必要信息，结合本地数据，完成计算，并将结果返回给协调器；(iii)协调器将从运行装置收到的结果进行排序，并返回最优的k个结果作为推荐信息返回给用户。
基于视图的子图同构查询：各运行装置采用基于物化视图的技术进行子图同构计算，从而加快本地化计算。
为解决上述的技术问题，本发明采用以下技术方案：
一种基于图结构匹配的智能推荐系统，包括：
图形用户界面，用于用户构建查询模式图，管理图数据以及浏览推荐结果；
协调器和运行装置，一个所述协调器协调至少两个所述运行装置；所述协调器将从所述图形用户界面接收到的用户请求发送至所述运行装置，各个运行装置通过异步通信获取信息，结合本地数据，进行查询计算，并将计算结果返回给协调器；所述协调器将从所述运行装置收到的结果按优次进行排序，并返回最优的K个结果作为推荐信息返回给用户，K为自然数，且K不小于1。
更进一步的技术方案是所述运行装置包括：
查询执行器，用于本地站点的查询计算；
以及优化计算模块，用于将查询模式图在各站点的查询结果保存成物化视图，并利用基于物化视图的算法进行子图同构计算。
更进一步的技术方案是所述推荐信息包括：影视节目、职位信息和/或广告信息。
更进一步的技术方案是提供一种基于图结构匹配的智能推荐方法，所述的方法包括以下步骤：
步骤一、用户通过图形用户界面构建查询模式图，发送用户请求信息；
步骤二、协调器将从图形用户界面接收到的用户请求发送至运行装置，运行装置通过异步通信获取信息，结合本地数据，进行查询计算，并将计算结果返回给协调器；
步骤三、所述协调器将从所述运行装置收到的结果按优次进行排序，并返回最优的K个结果作为推荐信息返回给用户，K为自然数，且K不小于1。
更进一步的技术方案是还包括运行装置将查询模式图在各站点的查询结果保存成物化视图，并利用基于物化视图的算法进行子图同构计算步骤，用于加快本地化计算。
更进一步的技术方案是所述步骤二包括：查询执行器通过多线程通信的方式获取其他站点的信息，同时结合本地数据进行查询计算。
与现有技术相比，本发明实施例的有益效果之一是：本发明支持子图同构语义下的图结构匹配计算，同时将结果排序与匹配计算进行了整合；可以在分布式环境下管理图数据，同时支持图结构匹配的并行计算；利用视图技术优化本地计算。本发明不仅可以应用于影视节目推荐应用场景，还可以应用在职位推荐，广告推送等领域中。
附图说明
图1为本发明一个实施例的系统结构框图。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
下面结合附图及实施例对本发明的具体实施方式进行详细描述。
实施例1
如图1所示，根据本发明的一个实施例，本实施例公开一种基于图结构匹配的智能推荐系统，它包括：图形用户界面，用于用户构建查询模式图，管理图数据以及浏览推荐结果；图形用户界面(Graphical User Interface，简称GUI)
GUI提供了图形化的方式实现系统与用户的交互。交互的内容主要包括：图数据的操纵，查询模式图的构建，推荐结果的可视化等。具体而言，GUI(1)提供了一个以任务为导向的面板，帮助用户管理图数据。(2)提供查询面板(Pattern Graph,简称PB)，使得用户可以(a)通过画“点”和“边”构建查询模式图Q；(b)在模式图Q的基础上，指定节点的搜索条件，例如：明确影片题材、评分、发行时间等；(c)明确输出节点；(d)从一系列图数据中指定查询目标图G。(3)通过布局算法将结果以可视化的方式呈现出来，使得用户可以更加直观的浏览推荐结果。
本实施例基于图结构匹配的智能推荐系统还包括协调器和运行装置，优选的，所述运行装置包括：查询执行器，用于本地站点的查询计算；以及优化计算模块，用于将查询模式图在各站点的查询结果保存成物化视图，并利用基于物化视图的算法进行子图同构计算。
一个所述协调器协调至少两个所述运行装置；所述协调器将从所述图形用户界面接收到的用户请求发送至所述运行装置，各个运行装置通过异步通信获取信息，结合本地数据，进行查询计算，并将计算结果返回给协调器；所述协调器将从所述运行装置收到的结果按优次进行排序，并返回最优的K个结果作为推荐信息返回给用户，K为自然数，且K不小于1。
本实施例可以应用于影视节目推荐应用场景，还可以应用在职位推荐，广告推送等领域中。
当应用于影视节目推荐领域中，为了更加清晰的理解图结构匹配在社交网络中如何进行影视节目推荐，以及进行图结构匹配所面临的困难，通过一个实例来详细说明。
假设图G是IMDb社交网络中的一个片段，图G中的每个节点，如果表示演员(用p标识)或者导演(用d标识)，则具有属性id,name(姓名)，如果表示电影(用m标识)，则带有属性title(影片标题),genres(影片类型),rating(影片评分，缩写为r),release time(影片上映日期，缩写为t)。从演员(或导演)指向电影的有向边表示，该演员(或导演)出演(或执导)了该部影片，其中“执导”关系所表示的有向边用红色表示。此外，图G被分布式地存储在三个站点S1，S2，S3，每个站点保存了图G的一部分。
假如某人想要搜索他感兴趣的电影，他的搜索条件可以被描述为一个查询模式图Q，而所表述的查询条件是：(1)影片M应该有较高的评分，例如r>7.0，且属于“动作”和“冒险”类题材；(2)参演M的演员中应该有至少两位经验丰富的演员P1和P2，且要求：P1(或P2)出演过r>7.0的“动作”(或“冒险”)类的影片M1(或M2)，且M1(或M2)的发行时间t1(或t2)早于M的发行时间t。此外，由于用户仅对电影M感兴趣，因此，有必要将M用“*”标识，表示输出节点，意为只需要将与M相匹配的结果返回给用户。
不难发现，由于G是分布式存储的，因此在单一站点无法找到与Q相匹配的结构，从而也就无法找到合适的影片推荐给用户。因此，需要利用分布式算法，通过将数据在站点间传递来进行计算。此外，由于Q的查询焦点是M，因此，电影“At World’sEnd”和“Skyfall”可以返回给用户作为推荐。然而实际上，用户可能仅对最优的匹配结果感兴趣，因此，仍需要一个评价函数对影片进行排序。例如，如果我们利用影片的属性“rating”作为评价函数并据此进行排序，那么相比“At World’sEnd”，“Skyfall”凭借更高的评价值成为最好的推荐结果。
本实施例在社交网络中利用图结构匹配技术来搜索电影的推荐系统MovieRS。和已有的图搜索系统相比，MovieRS(1)支持子图同构语义下的图结构匹配计算，同时将结果排序与匹配计算进行了整合；(2)可以在分布式环境下管理图数据，同时支持图结构匹配的并行计算；(3)利用视图技术优化本地计算。
实施例2
根据本发明的另一个实施例，本实施例公开一种基于图结构匹配的智能推荐方法，该方法包括以下步骤：
步骤一、用户通过图形用户界面构建查询模式图，发送用户请求信息；
步骤二、协调器将从图形用户界面接收到的用户请求发送至运行装置，运行装置通过异步通信获取信息，结合本地数据，进行查询计算，并将计算结果返回给协调器。
具体的，协调器和GUI及运行装置之间的交互如下所述。(1)它将从GUI接收到的用户请求分发给所有的运行装置，同时将推荐结果提交给GUI进行可视化；(2)它收集各个运行装置返回的部分计算结果，按照评分函数进行排序，然后返回最优的k个结果。本实施例中，MovieRS对影片采用rating作为评分函数，需要指出的是MovieRS对其他指标也有很好的支持。
步骤三、所述协调器将从所述运行装置收到的结果按优次进行排序，并返回最优的K个结果作为推荐信息返回给用户，K为自然数，且K不小于1。
进一步的，该基于图结构匹配的智能推荐方法还包括运行装置将查询模式图在各站点的查询结果保存成物化视图，并利用基于物化视图的算法进行子图同构计算步骤，用于加快本地化计算。
具体的，本实施例中每一个运行装置都有两个模块：查询执行器(QueryExecutor，简称QE)和优化计算模块(Optimization Module，简称OM)。
查询执行器负责本地站点的查询计算。由于本地信息可能不足以发现匹配结果，因此，QE通过多线程通信的方式获取其他站点的必要信息，同时结合本地数据进行查询计算。
本地计算：对于接收到的查询模式图Q，QE首先启动一个线程T来(a)检查当前片段Fi里的每个虚拟节点v，并确定v是否是某个查询节点u的候选匹配节点，即：v是否满足u的查询条件；(b)对于满足查询条件的候选匹配节点v，QE将节点对<u,v>发送给节点v所在的站点Sj，并请求v的后代信息D(v)；(c)当所有请求的D(v)都返回后，QE将其与当前片段Fi进行合并，同时利用算法VF2进行子图同构计算，并将本地的计算结果返回给Coordinator。
为了更好地支持并行计算，MovieRS支持异步消息传递，即：QE始终等待其他Workers发送的消息。一旦接收到包含<u,v>的消息，QE即创建新线程T'来执行算法GenDescent计算D(v)。以下为算法GenDescent的伪代码。
算法GenDescent
输入:模式图Q，当前站点图数据Fi，点对<u,v>
输出:D(v)
1.初始化空队列q，空图D(v)；
2.将点对<u,v>加入q的队尾；将v加入D(v)；
3.当队列q不为空时
4.将队首点对<u0,v0>出队；
5.对于u0和v0各自未访问过的子节点u0'和v0'
6.如果v0'满足u0'的查询条件
将<u0',v0'>加入q的队尾；将节点v0'和边(v0,v0')加入D(v)；
7.返回D(v)；
优化本地化计算方法包括：由于本地计算涉及到NP完全问题——子图同构的计算，因此计算开销巨大。为此MovieRS针对部分频繁使用的查询模式图，通过将其在各站点的查询结果保存成物化视图，并利用基于视图的算法来加快本地计算。
OM所调用的基于视图的算法Match如下所示：
算法Match
输入:一组视图V＝{V1,V2,...,Vn}及其在当前站点的查询结果M(V,Fi)＝{M(V1,Fi),...,M(Vn,Fi)}，模式图Q
输出:模式图Q在Fi的匹配结果
1.对于每一个视图
2.如果∪i∈[1,n]Q[M(Vi,Q)]≠Q，则返回空集；//因为这组视图无法用于回答Q。
3.初始化空模式图Qs，空集S；
4.当Qs≠Q时
5.选择Vi，并将Vi与Qs按各自在Q中的映射λ进行合并，生成新的模式图Qs'；
6.如果Qs'是Q的子图
7.对于Vi的每一个匹配子图m1以及Qs的每一个匹配子图m2
8.如果m1与m2可以按照λ进行合并，则用合并后的子图m0替换集合S中的子图m1；
9.返回S作为Q在Fi中的匹配结果；
算法Match中，Q[M(Vi,Q)]表示视图Vi在Q中所有匹配结果经合并后得到的Q的子图。
在本说明书中所谈到的“一个实施例”、“另一个实施例”、“实施例”等，指的是结合该实施例描述的具体特征、结构或者特点包括在本申请概括性描述的至少一个实施例中。在说明书中多个地方出现同种表述不是一定指的是同一个实施例。进一步来说，结合任一个实施例描述一个具体特征、结构或者特点时，所要主张的是结合其他实施例来实现这种特征、结构或者特点也落在本发明的范围内。
尽管这里参照发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变型和改进外，对于本领域技术人员来说，其他的用途也将是明显的。

Claims (3)

1.一种基于图结构匹配的智能推荐系统，其特征在于：包括：
图形用户界面，用于用户构建查询模式图，管理图数据以及浏览推荐结果；
协调器和运行装置，一个所述协调器协调至少两个所述运行装置；所述协调器将从所述图形用户界面接收到的用户请求发送至所述运行装置，各个运行装置通过异步通信获取信息，结合本地数据，进行查询计算，并将计算结果返回给协调器；所述协调器将从所述运行装置收到的结果按优次进行排序，并返回最优的K个结果作为推荐信息返回给用户，K为自然数，且K不小于1；
所述的运行装置包括：
查询执行器，用于通过多线程通信的方式进行本地站点的查询计算，对于接收到的查询模式图Q，查询执行器首先启动一个线程T来检查当前片段Fi里的每个虚拟节点v，并确定v是否是某个查询节点u的候选匹配节点；对于满足查询条件的候选匹配节点v，查询执行器将节点对<u,v>发送给节点v所在的站点，并请求v的后代信息D(v)；当所有请求的D(v)都返回后，查询执行器将其与当前片段Fi进行合并，同时利用算法VF2进行子图同构计算，并将本地的计算结果返回给协调器；
以及优化计算模块，用于将查询模式图在各站点的查询结果保存成物化视图，并利用基于物化视图的算法进行子图同构计算。
2.根据权利要求1所述的基于图结构匹配的智能推荐系统，其特征在于所述的推荐信息包括：影视节目、职位信息和/或广告信息。
3.一种基于图结构匹配的智能推荐方法，其特征在于所述的方法包括以下步骤：
步骤一、用户通过图形用户界面构建查询模式图，发送用户请求信息；
步骤二、协调器将从图形用户界面接收到的用户请求发送至运行装置，运行装置通过异步通信获取信息，结合本地数据，进行查询计算，并将计算结果返回给协调器，对于接收到的查询模式图Q，查询执行器首先启动一个线程T来检查当前片段Fi里的每个虚拟节点v，并确定v是否是某个查询节点u的候选匹配节点；对于满足查询条件的候选匹配节点v，查询执行器将节点对<u,v>发送给节点v所在的站点，并请求v的后代信息D(v)；当所有请求的D(v)都返回后，查询执行器将其与当前片段Fi进行合并，同时利用算法VF2进行子图同构计算，并将本地的计算结果返回给协调器；查询执行器通过多线程通信的方式获取其他站点的信息，同时结合本地数据进行查询计算；
步骤三、所述协调器将从所述运行装置收到的结果按优次进行排序，并返回最优的K个结果作为推荐信息返回给用户，K为自然数，且K不小于1；还包括运行装置将查询模式图在各站点的查询结果保存成物化视图，并利用基于物化视图的算法进行子图同构计算步骤，用于加快本地化计算。
CN201610836961.5A 2016-09-21 2016-09-21 基于图结构匹配的智能推荐系统及方法 Active CN106446143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610836961.5A CN106446143B (zh) 2016-09-21 2016-09-21 基于图结构匹配的智能推荐系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610836961.5A CN106446143B (zh) 2016-09-21 2016-09-21 基于图结构匹配的智能推荐系统及方法

Publications (2)

Publication Number Publication Date
CN106446143A CN106446143A (zh) 2017-02-22
CN106446143B true CN106446143B (zh) 2019-12-24

Family

ID=58166683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610836961.5A Active CN106446143B (zh) 2016-09-21 2016-09-21 基于图结构匹配的智能推荐系统及方法

Country Status (1)

Country Link
CN (1) CN106446143B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109814855A (zh) * 2017-11-21 2019-05-28 南京大学 一种基于对象分类和自适应子图匹配的api推荐方法
CN108959584B (zh) * 2018-07-09 2023-02-10 清华大学 一种基于社区结构的处理图数据的方法及装置
CN110059073B (zh) * 2019-03-18 2021-04-06 浙江工业大学 基于子图同构的web数据自动可视化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104699698A (zh) * 2013-12-05 2015-06-10 深圳先进技术研究院 基于海量数据的图查询处理方法
CN105117421A (zh) * 2015-07-31 2015-12-02 四川长虹电器股份有限公司 基于图结构匹配的社交网络分析方法
CN105138600A (zh) * 2015-08-06 2015-12-09 四川长虹电器股份有限公司 基于图结构匹配的社交网络分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104699698A (zh) * 2013-12-05 2015-06-10 深圳先进技术研究院 基于海量数据的图查询处理方法
CN105117421A (zh) * 2015-07-31 2015-12-02 四川长虹电器股份有限公司 基于图结构匹配的社交网络分析方法
CN105138600A (zh) * 2015-08-06 2015-12-09 四川长虹电器股份有限公司 基于图结构匹配的社交网络分析方法

Also Published As

Publication number Publication date
CN106446143A (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
Liu et al. Keywords-driven and popularity-aware paper recommendation based on undirected paper citation graph
Patil Building data science teams
Khalid et al. OmniSuggest: A ubiquitous cloud-based context-aware recommendation system for mobile social networks
CN107609152B (zh) 用于扩展查询式的方法和装置
Wu et al. A multilevel index model to expedite web service discovery and composition in large-scale service repositories
CN108959595B (zh) 基于虚拟与现实的网站构建和体验方法及其装置
Shen et al. Knowledge sharing in the online social network of yahoo! answers and its implications
CN106446143B (zh) 基于图结构匹配的智能推荐系统及方法
CN112000763B (zh) 兴趣点竞争关系确定方法、装置、设备和介质
Li et al. Enhancing team composition in professional networks: Problem definitions and fast solutions
Azaouzi et al. An efficient two-phase model for computing influential nodes in social networks using social actions
Zhao et al. A generative model approach for geo-social group recommendation
CN103412883B (zh) 基于p2p技术的语义智能信息发布订阅方法
Liu et al. Strong social graph based trust-oriented graph pattern matching with multiple constraints
Wang et al. Estimating the relative importance of nodes in social networks
WO2014123929A1 (en) System and method for classifying a contagious phenomenon propagating on a network
Johny et al. Towards a social graph approach for modeling risks in big data and Internet of Things (IoT)
Arya et al. Mining frequent spatial-textual sequence patterns
Liu et al. Context-aware graph pattern based top-k designated nodes finding in social graphs
Huanyu et al. Towards efficient collaborative filtering using parallel graph model and improved similarity measure
Lyu et al. Predicting missing links via structural similarity
CN117112640B (zh) 一种内容排序方法以及相关设备
Cai et al. Select the potential brand spokesperson on social network based on the smart link prediction
Chen et al. SR-HetGNN: Session-based Recommendation with Heterogeneous Graph Neural Network
Lazaridou et al. Identifying Converging Pairs of Nodes on a Budget.

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