CN106933949B - 一种控制社交网络中影响力爆发的规划方法 - Google Patents

一种控制社交网络中影响力爆发的规划方法 Download PDF

Info

Publication number
CN106933949B
CN106933949B CN201710045529.9A CN201710045529A CN106933949B CN 106933949 B CN106933949 B CN 106933949B CN 201710045529 A CN201710045529 A CN 201710045529A CN 106933949 B CN106933949 B CN 106933949B
Authority
CN
China
Prior art keywords
samples
influence
time
node
budget
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
Application number
CN201710045529.9A
Other languages
English (en)
Other versions
CN106933949A (zh
Inventor
王灿
史麒豪
卜佳俊
陈纯
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201710045529.9A priority Critical patent/CN106933949B/zh
Publication of CN106933949A publication Critical patent/CN106933949A/zh
Application granted granted Critical
Publication of CN106933949B publication Critical patent/CN106933949B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一一种控制社交网络中影响力爆发的规划方法。包括以下步骤：(1)获取原始网络结构G的邻接信息，设定各个参数；(2)以逆向的广度优先搜索(BFS)随机生成指定数量的新样本加入到样本集中；(3)根据给定的预算以及爆发时间，依据最大覆盖(maximum coverage)算法估算出此时的影响力传播率，影响力传播率是被覆盖样本数与样本总数的比值；(4)根据马缰绳(martingale)原理，不断重复步骤(1)与(2)，直到影响力传播率以充分的概率保证逼近在给定预算和爆发时间下影响力传播的最优情况，此时得到最终采样结果。(5)根据最终采样结果，使用最大覆盖(maximum coverage)算法得到近似最优的预算配置作为结果。

Description

一种控制社交网络中影响力爆发的规划方法
技术领域
本发明涉及社交网络信息传播的领域，特别是影响力最大化问题，一种控制社交网络中影响力爆发的规划方法。
背景技术
社交网络中的影响力最大化是病毒式营销之中的一个最主流的问题。其目的在于在网络中选取一定量的种子节点(传播者)，从而使得在特定传播模型下，特定信息(影响力)能够被最广泛的传播。
传统的影响力最大化方法只是以最终的影响力传播的最大化作为优化目标，并且在营销过程的最初就投入了所有预算，也即在最初就激活所有种子节点。然而在实际的社交玩过场景中，用户对于信息的兴趣往往会很快消退，因此，预算的分批次有规划的进行投入，也就是种子节点的分时段激活应当被纳入考虑。另外，影响力通常需要在某个特定时间点内爆发才能取得最大收益，例如某公司准备发布一个新产品，那么一个成功的宣传策略应当逐渐地累积用户对于该产品的兴趣，并且在产品发布的前几天达到一个峰值。
传统的影响力最大化方法无法适用于以上实际场景，针对于此，本发明提出了一种高效快速的采样估算方法，能够估算出社交网络中的各个节点在不同时间被激活所带来的影响力传播收益。然后使用贪心算法合理地规划预算，即在哪几个时间点上激活那些节点，从而使得影响力能够在需求的特定时间点上最大化。
发明内容
本发明要克服现有技术的上述缺点，提出一种控制社交网络中影响力爆发的规划方法。本发明提出了一种高效快速的采样估算方法，从而能够估算出社交网络中的各个节点在不同时间被激活所带来的影响力传播收益。然后使用贪心算法合理地规划预算，即在哪几个时间点上激活那些节点，从而使得影响力能够在需求的特定时间点上最大化。
本发明提出的一种控制社交网络中影响力爆发的规划方法，包括以下步骤：
(1)获取原始网络结构G的邻接信息，设定各个参数。
(2)以逆向的广度优先搜索(BFS)随机生成指定数量的新样本加入到样本集中；
(3)根据给定的预算以及爆发时间，依据最大覆盖(maximum coverage)算法估算出此时的影响力传播率(被覆盖样本数与样本总数的比值)。
(4)根据马缰绳(martingale)原理，不断重复步骤(1)与(2)，直到影响力传播率以充分的概率保证逼近在给定预算和爆发时间下影响力传播的最优情况，此时得到最终采样结果。
(5)根据最终采样结果，使用最大覆盖(maximum coverage)算法得到近似最优的预算配置作为结果。
对于步骤(2)中所述的逆向的广度优先搜索(BFS)随机生成指定数量的新样本，具体步骤为：
(3.1.1)定义样本：带时限的逆向影响点集(TRI set)。对于每一条边，根据独立级联(IC)传播模型模拟一次影响力传播，而后得到一个影响力在整个网络上的传播路径图g。对于节点v，元素(u,t)表示节点u在g上经过长度为t的路径可以到达v。所有这样的元素构成关于v的一个带时限的逆向影响点集(TRI set)。
(3.1.2)随机选取一个节点v，将原始的网络G所有边取逆向得到G1。以节点v为初始节点，在G1上根据独立级联(IC)传播模型模拟一次影响力的传播。元素(u,t)表示v经过长度为t的路径可以到达节点u。所有这样的元素构成一个随机生成的样本，也就是一个随机的带时限的逆向影响点集(TRI set)。
(3.1.3)根据(2.2)所述过程，生成指定数量的样本。
对于步骤(3)与(5)中所述的使用最大覆盖(maximum coverage)算法进行估算，具体步骤为：
(3.2.1)定义覆盖(cover)：对于给定的样本R，也即带时限的逆向影响点集(TRIset)R以及爆发时间区间[ta,tb]。对于元素(u1,t1)，当R中存在另一组元素(u2,t2)满足u1＝u2并且min(tb-t2；ta)≥t1≥max(ta-t2；0)。我们称元素(u1,t1)覆盖样本R。
(3.2.2)根据(1)以及给定预算k，每次挑选出在未被覆盖的样本中，能够覆盖最多数量样本的元素，直到元素数量达到k。
对于步骤(2)中所述的生成指定数量的新样本，关于指定数量的取值，具体步骤为：
(3.3.1)当前样本集中样本总数应为
Figure BDA0001215316310000031
其中i表示第i次迭代，n为图中节点的总数量，并且
Figure BDA0001215316310000032
其中∈，l为预设的参数，k为预算上限，t为节点可激活时间点的数量
(3.3.2)新生成的样本数量应为θi-|R|，其中|R|为已生成的样本数量。
对于步骤(4)中所述的直到影响力传播率以充分的概率保证逼近在给定预算和爆发时间下影响力传播的最优情况，此时得到最终采样结果,具体步骤为：
(4.1)判断不等式
Figure BDA0001215316310000041
是否成立，其中∈′为预设的参数，i表示第i次迭代，n为图中节点的总数量,Ci表示一组有k个元素组成的预算配置，每个元素形如(u,t)，表示节点u在t时刻被激活，FR(Ci)表示被这组元素所覆盖的样本数量与样本总数量的比值。
(4.2)若(1)中不等式成立，则将最终样本采样数量设置为θ＝γ*·(1+∈′)/n·FR(Ci)，并得到最终的采样结果。其中
γ*＝2·n·((1-1/e)·α+β)2·∈-2
Figure BDA0001215316310000042
Figure BDA0001215316310000043
其中，其中l，∈，∈′为预设的参数，i表示第i次迭代，n为图中节点的总数量，t为节点可激活时间点的数量,Ci表示一组有k个元素组成的预算配置，每个元素形如(u,t)，表示节点u在t时刻被激活，FR(Ci)表示被这组元素所覆盖的样本数量与样本总数量的比值。
(4.3)若(1)中不等式不成立，则继续循环迭代。
本发明的优点是：为了应对传统影响力最大化的局限性并且适应实际场景，本发明提出了一种高效快速的采样估算方法，从而能够估算出社交网络中的各个节点在不同时间被激活所带来的影响力传播收益，然后使用贪心算法合理地规划预算，即在哪几个时间点上激活那些节点，从而使得影响力能够在需求的特定时间点上最大化。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面将结合附图对本发明的具体实施进行详细的描述，结合图示过程对发明进行详细说明。
本发明提供了一种社交网络中的影响力爆发规划方法，包括以下步骤：
(1)获取原始网络结构G的邻接信息，设定各个参数。
(2)以逆向的广度优先搜索(BFS)随机生成指定数量的新样本加入到样本集中；
(3)根据给定的预算以及爆发时间，依据最大覆盖(maximum coverage)算法估算出此时的影响力传播率(被覆盖样本数与样本总数的比值)。
(4)根据马缰绳(martingale)原理，不断重复步骤(1)与(2)，直到影响力传播率以充分的概率保证逼近在给定预算和爆发时间下影响力传播的最优情况，此时得到最终采样结果。
(5)根据最终采样结果，使用最大覆盖(maximum coverage)算法得到近似最优的预算配置作为结果。
步骤(2)所述的逆向的广度优先搜索(BFS)随机生成指定数量的新样本，具体步骤为：
(21)定义样本：带时限的逆向影响点集(TRI set)。对于每一条边，根据独立级联(IC)传播模型模拟一次影响力传播，而后得到一个影响力在整个网络上的传播路径图g。对于节点v，元素(u,t)表示节点u在g上经过长度为t的路径可以到达v。所有这样的元素构成关于v的一个带时限的逆向影响点集(TRI set)；
(22)在原始网络G所有边取逆向得到网络G1,而后随机选取一个节点v。以节点v为初始节点，在G1上根据独立级联(IC)传播模型模拟一次影响力的传播。元素(u,t)表示v经过长度为t的路径可以到达节点u。所有这样的元素构成一个随机生成的样本，也就是一个随机的带时限的逆向影响点集(TRI set)；
(23)根据(2)所述过程，生成指定数量的样本。
步骤(3)所述的中所述的使用最大覆盖(maximum coverage)算法进行估算，具体步骤为：
(31)定义覆盖(cover)：对于给定的样本R，也即带时限的逆向影响点集(TRI set)R以及爆发时间区间[ta,tb]；对于元素(u1,t1)，当R中存在另一组元素(u2,t2)满足u1＝u2并且min(tb-t2；ta)≥t1≥max(ta-t2；0)，元素(u1,t1)覆盖样本R；
(32)根据(1)以及给定预算k，每次挑选出在未被覆盖的样本中，能够覆盖最多数量样本的元素，直到元素数量达到k。
步骤(2)所述的中所述的生成指定数量的新样本，关于指定数量的取值，具体步骤为：
(21a)当前样本集中样本总数应为
Figure BDA0001215316310000061
其中i表示第i次迭代，n为图中节点的总数量，并且
Figure BDA0001215316310000062
其中∈，l为预设的参数，k为预算上限，t为节点可激活时间点的数量
(22b)新生成的样本数量应为θi-|R|，其中|R|为已生成的样本数量。
步骤(4)所述的中所述的直到影响力传播率以充分的概率保证逼近在给定预算和爆发时间下影响力传播的最优情况，此时得到最终采样结果,具体步骤为：
(41)判断不等式
Figure BDA0001215316310000073
是否成立，其中∈′为预设的参数，i表示第i次迭代，n为图中节点的总数量,Ci表示一组有k个元素组成的预算配置，每个元素形如(u,t)，表示节点u在t时刻被激活，FR(Ci)表示被这组元素所覆盖的样本数量与样本总数量的比值；
(42)若(1)中不等式成立，则将最终样本采样数量设置为θ＝γ*·(1+∈′)/n·FR(Ci)，并得到最终的采样结果；其中
γ*＝2·n·((1-1/e)·α+β)2·∈-2
Figure BDA0001215316310000071
Figure BDA0001215316310000072
其中，其中l，∈，∈′为预设的参数，i表示第i次迭代，n为图中节点的总数量，t为节点可激活时间点的数量,Ci表示一组有k个元素组成的预算配置，每个元素形如(u,t)，表示节点u在t时刻被激活，FR(Ci)表示被这组元素所覆盖的样本数量与样本总数量的比值。
(43)若(1)中不等式不成立，则继续循环迭代。
最后，应当指出，以上实施例仅是本发明较有代表性的例子。显然，本发明的技术方案并不限于上述实施例，权利中的步骤还可以有不同的解决方式。本领域的普通技术人员可在不脱离本发明的发明思想情况下，对于上述实施做出种种修改或变化，因而本发明的保护范围并不被上述实施例所限，而应该是符合权利要求书提到的创新性特征的最大范围。

Claims (1)

1.一种社交网络中的影响力爆发规划方法，该方法的特征在于，包括以下步骤：
(1)获取原始网络结构G的邻接信息，设定各个参数；
(2)以逆向的广度优先搜索(BFS)随机生成指定数量的新样本加入到样本集中，具体包括以下步骤：
(21)定义样本：带时限的逆向影响点集(TRI set)；对于每一条边，根据独立级联(IC)传播模型模拟一次影响力传播，而后得到一个影响力在整个网络上的传播路径图g；对于节点v，元素(u,t)表示节点u在g上经过长度为t的路径可以到达v，所有这样的元素构成关于v的一个带时限的逆向影响点集(TRI set)；
(22)在原始网络G所有边取逆向得到网络G1,而后随机选取一个节点v，以节点v为初始节点，在G1上根据独立级联(IC)传播模型模拟一次影响力的传播；元素(u,t)表示v经过长度为t的路径可以到达节点u，所有这样的元素构成一个随机生成的样本，也就是一个随机的带时限的逆向影响点集(TRI set)；
(23)生成指定数量的样本；
所述的生成指定数量的新样本，关于指定数量的取值，具体步骤为：
(21a)当前样本集中样本总数应为
Figure FDA0002453117370000011
其中i表示第i次迭代，n为图中节点的总数量，并且
Figure FDA0002453117370000012
其中∈，l为预设的参数，k为预算上限，t为节点可激活时间点的数量；
(22b)新生成的样本数量应为θi-|R|，其中|R|为已生成的样本数量；
(3)根据给定的预算以及爆发时间，依据最大覆盖(maximum coverage)算法估算出此时的影响力传播率，影响力传播率是被覆盖样本数与样本总数的比值，具体包括以下步骤：
(31)定义覆盖(cover)：对于给定的样本R，也即带时限的逆向影响点集(TRI set)R以及爆发时间区间[ta，tb]；对于元素(u1，t1)，当R中存在另一组元素(u2，t2)满足u1＝u2并且min(tb-t2；ta)≥t1≥max(ta-t2；0)，元素(u1，t1)覆盖样本R；
(32)根据(31)以及给定预算k，每次挑选出在未被覆盖的样本中，能够覆盖最多数量样本的元素，直到元素数量达到k；
(4)根据马缰绳(martingale)原理，不断重复步骤(1)与(2)，直到影响力传播率以充分的概率保证逼近在给定预算和爆发时间下影响力传播的最优情况，此时得到最终采样结果，具体步骤为：
(41)判断不等式
Figure FDA0002453117370000021
是否成立，其中∈′为预设的参数，i表示第i次迭代，n为图中节点的总数量，Ci表示一组有k个元素组成的预算配置，每个元素形如(u，t)，表示节点u在t时刻被激活，FR(Ci)表示被这组元素所覆盖的样本数量与样本总数量的比值；
(42)若(41)中不等式成立，则将最终样本采样数量设置为θ＋γ*·(1+∈′)/n·FR(Ci)，并得到最终的采样结果；其中
γ*＝2·n·((1-1/e)·α+β)2·∈-2
Figure FDA0002453117370000022
Figure FDA0002453117370000031
其中，其中l，∈，∈′为预设的参数，i表示第i次迭代，n为图中节点的总数量，t为节点可激活时间点的数量，Ci表示一组有k个元素组成的预算配置，每个元素形如(u,t)，表示节点u在t时刻被激活，FR(Ci)表示被这组元素所覆盖的样本数量与样本总数量的比值；
(43)若(41)中不等式不成立，则继续循环迭代；
(5)根据最终采样结果，使用最大覆盖(maximum coverage)算法得到近似最优的预算配置作为结果。
CN201710045529.9A 2017-01-20 2017-01-20 一种控制社交网络中影响力爆发的规划方法 Expired - Fee Related CN106933949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710045529.9A CN106933949B (zh) 2017-01-20 2017-01-20 一种控制社交网络中影响力爆发的规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710045529.9A CN106933949B (zh) 2017-01-20 2017-01-20 一种控制社交网络中影响力爆发的规划方法

Publications (2)

Publication Number Publication Date
CN106933949A CN106933949A (zh) 2017-07-07
CN106933949B true CN106933949B (zh) 2020-09-11

Family

ID=59423922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710045529.9A Expired - Fee Related CN106933949B (zh) 2017-01-20 2017-01-20 一种控制社交网络中影响力爆发的规划方法

Country Status (1)

Country Link
CN (1) CN106933949B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020244A (zh) * 2012-12-19 2013-04-03 中国科学院深圳先进技术研究院 区域影响分析系统及其分析方法
CN103455639A (zh) * 2013-09-27 2013-12-18 清华大学 一种识别微博突发热点事件的方法及装置
CN103678669A (zh) * 2013-12-25 2014-03-26 福州大学 一种社交网络中的社区影响力评估系统及方法
CN103823890A (zh) * 2014-03-10 2014-05-28 中国科学院信息工程研究所 一种针对特定群体的微博热点话题检测方法及装置
CN104050245A (zh) * 2014-06-04 2014-09-17 江苏大学 一种基于活跃度的社交网络影响力最大化方法
CN104615627A (zh) * 2014-09-23 2015-05-13 中国科学院计算技术研究所 一种基于微博平台的事件舆情信息提取方法及系统
CN105653518A (zh) * 2015-12-25 2016-06-08 北京理工大学 一种基于微博数据的特定群体发现及扩充方法
CN106021508A (zh) * 2016-05-23 2016-10-12 武汉大学 基于社交媒体的突发事件应急信息挖掘方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8392230B2 (en) * 2011-07-15 2013-03-05 Credibility Corp. Automated omnipresent real-time credibility management system and methods
CN102394798B (zh) * 2011-11-16 2014-12-31 北京交通大学 一种基于多元特征的微博信息传播行为预测方法及系统
CN104281669B (zh) * 2014-09-28 2017-09-22 西安电子科技大学 社交网络用户影响数值的评估方法和装置
CN104991956B (zh) * 2015-07-21 2018-07-31 中国人民解放军信息工程大学 基于主题概率模型的微博传播群体划分与账户活跃度评估方法
CN105205184A (zh) * 2015-10-30 2015-12-30 云南大学 基于隐变量模型的用户偏好提取方法
CN105608625A (zh) * 2016-01-04 2016-05-25 哈尔滨工程大学 一种基于微博用户质量的信息影响力评估方法
CN106021377A (zh) * 2016-05-11 2016-10-12 上海点荣金融信息服务有限责任公司 计算机实现的信息处理方法及装置
CN106327343B (zh) * 2016-08-24 2019-12-27 云南大学 社交网络影响传播中初始用户选取方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020244A (zh) * 2012-12-19 2013-04-03 中国科学院深圳先进技术研究院 区域影响分析系统及其分析方法
CN103455639A (zh) * 2013-09-27 2013-12-18 清华大学 一种识别微博突发热点事件的方法及装置
CN103678669A (zh) * 2013-12-25 2014-03-26 福州大学 一种社交网络中的社区影响力评估系统及方法
CN103823890A (zh) * 2014-03-10 2014-05-28 中国科学院信息工程研究所 一种针对特定群体的微博热点话题检测方法及装置
CN104050245A (zh) * 2014-06-04 2014-09-17 江苏大学 一种基于活跃度的社交网络影响力最大化方法
CN104615627A (zh) * 2014-09-23 2015-05-13 中国科学院计算技术研究所 一种基于微博平台的事件舆情信息提取方法及系统
CN105653518A (zh) * 2015-12-25 2016-06-08 北京理工大学 一种基于微博数据的特定群体发现及扩充方法
CN106021508A (zh) * 2016-05-23 2016-10-12 武汉大学 基于社交媒体的突发事件应急信息挖掘方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种改进的社交网络影响力最大化算法;周莲英 等;《信息技术》;20151231(第3期);第117-120页 *
基于@推荐的微博信息推广研究;王北斗 等;《科技创新导报》;20161231;第168页 *

Also Published As

Publication number Publication date
CN106933949A (zh) 2017-07-07

Similar Documents

Publication Publication Date Title
US11966844B2 (en) Method for training neural network model and apparatus
Beak et al. Adaptive coordination based on connected vehicle technology
US20170364531A1 (en) Image sharing method and apparatus, and terminal device
EP3117274A1 (en) Method, controller, and computer program product for controlling a target system by separately training a first and a second recurrent neural network models, which are initially trained using oparational data of source systems
CN105138667B (zh) 一种考虑时延约束的社会网络初始关键节点选取方法
CN106022937B (zh) 一种社交网络拓扑结构的推断方法
ATE410849T1 (de) Verfahren zur interpolation der qualität eines kanals
CN104469755A (zh) 对中继与干扰节点选择结果保密的物理层安全传输方法
CN106911589A (zh) 一种数据处理方法和设备
CN106933949B (zh) 一种控制社交网络中影响力爆发的规划方法
CN116957109A (zh) 基于联邦学习的模型构建方法、装置、设备及介质
CN109933809A (zh) 一种翻译方法及装置、翻译模型的训练方法及装置
Lima et al. Steady-state analysis of the set-membership affine projection algorithm
Abe The developmental state and educational advance in East Asia
ATE447813T1 (de) System und verfahren zur zeitgestützten planung
CN108614845A (zh) 基于媒体文件的行为预估方法和装置
CN115081014A (zh) 一种基于联邦学习的目标检测标签自动标注方法
CN114723068A (zh) 联邦模型训练方法及装置
CN106127666B (zh) 一种基于随机子图表示的云环境中物体图像隐秘检测方法
Segal et al. The cascade EM algorithm
CN101162482A (zh) 基于节点协作的高斯和半粒子滤波方法
WO2021072267A9 (en) Method and system for improvement profile generation in a skills management platform
Zhao et al. A simple model for nonsaturated IEEE 802.11 DCF networks
Xu et al. Performance analysis of delayed mobile data offloading with multi-level priority
Takahashi et al. Anomalously long passage through a rounded-off-step potential due to a new mechanism of multidimensional tunneling

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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: 20200911

Termination date: 20210120

CF01 Termination of patent right due to non-payment of annual fee