CN107025305B - 基于图核的社会网络链接预测方法 - Google Patents
基于图核的社会网络链接预测方法 Download PDFInfo
- Publication number
- CN107025305B CN107025305B CN201710290385.3A CN201710290385A CN107025305B CN 107025305 B CN107025305 B CN 107025305B CN 201710290385 A CN201710290385 A CN 201710290385A CN 107025305 B CN107025305 B CN 107025305B
- Authority
- CN
- China
- Prior art keywords
- network
- link
- sub
- nodes
- node
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 3
- 238000003012 network analysis Methods 0.000 abstract description 5
- 238000011160 research Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000004853 protein function Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于图核的社会网络链接预测方法,属于社会网络分析领域。本发明在已有社会网络基础上重构正链接网络、负链接网络、或整个网络,基于重构的网络为节点生成不同阈值下的子网络。在此基础上,本发明为节点生成三种重构网络在不同阈值下的子网络集合,利用图核的方法计算节点之间的相似性;最后基于节点之间的相似性利用机器学习算法进行链接预测。
Description
技术领域
本发明涉及一种基于图核的社会网络链接预测方法,属于社会网络分析领域。
背景技术
随着信息技术的发展,社会网络分析已经成了众多领域研究的热点,社会网络是由社会角色和角色与角色之间的联系(+/-)组成,社会网络可以当成一张图,社会角色可以看成图中的节点,而角色之间的联系则可以看成是与节点相连的边。在社会网络分析中,链接预测是研究的基础[1-4],因为任何复杂的网络都是有简单的网络增殖而来。链接预测主要是通过现有网络节点的属性以及它们之间的联系来预测评估节点之间可能存在的新链接或者未知的链接[1,4,5]。作为社会网络分析基础的研究,链接预测有很多重要的应用,首先,在信息检索和电子商务中,它可以用来为用户推荐新朋友、发觉潜在的客户或者为用户推荐感兴趣的商品等[1],其次,它可以基于观察的部分社会网络来补全完整的社会网络,以及帮助理解社会网络的演化机制[4,5],最后,它在生物信息方面也具有重要的作用,例如基因网络研究,蛋白质功能预测等[4-6]。
近年来,针对链接预测预测问题已经取得了一定的进展,学者们提出了基于共同邻节点的方法(common neighbors)[4,5]、资源分配(resource allocation)[5]以及三角形特征(triad features)[7]等方法。但是已有方法大多是基于节点的局部信息以及简单的拓扑结构信息分析,而忽略了节点所在网络的丰富的结构信息。文献[8]提出将社会网络结构映射到向量空间,并能最大限度的保持网络的拓扑结构信息,文献[9]提出了一种图核的方法来计算网络之间的相似性。基于此,为解决已有工作在链接预测方面对接点网络结构信息的利用不充分,我们提出了基于图核的社会网络链接预测方法。本方法利用多重阈值的子网络来描述节点,并利用图核来节点的相似性,最后利用节点之间的相似性来对节点的链接进行预测。本方法充分利用了节点子网络的结构信息,使得链接预测的准确率有很大的提高。
上文中提到的文献来源于如下期刊:
[1]Wang P,Xu B W,Wu Y R,et al.Link prediction in social networks:thestate-of-the-art[J].Science China Information Sciences,2015,58(1):1-38.
[2]He Y,Liu J N K,Hu Y,et al.OWA operator based link predictionensemble for social net-work[J].Expert Systems with Applications,2015,42(1):21-50.
[3]Tang J,Chang S,Aggarwal C,et al.Negative link prediction in socialmedia[C].Proceedings of the Eighth ACM International Conference on Web Searchand Data Mining.ACM,2015:87-96.
[4]Martínez V,Berzal F,Cubero J C.A Survey of Link Prediction inComplex Networks[J].ACM Computing Surveys(CSUR),2016,49(4):69.
[5]Si C,Jiao L,Wu J,et al.A group evolving-based framework withperturbations for link prediction[J].PhysicaA:Statistical Mechanics and itsApplications,2017,475:117-128.
[6]Jie B,Zhang D,Gao W,et al.Integration of network topological andconnectivity properties for neuroimaging classification[J].IEEE Transactionson Biomedical Engineering,2014,61(2):576-589.
[7]Leskovec J,Huttenlocher D,Kleinberg J.Predicting positive andnegative links in online so-cial networks[C].Proceedings of the 19thinternational conference on World Wide Web.ACM,2010:641-650.
[8]Shrivastava A,Li P.A new mathematical space for social networks[C].Frontiers of Net-work Analysis:Methods,Models,and Applications,NIPSWorkshop.2013:1-7.
[9]Kondor R,Pan H.The Multiscale Laplacian Graph Kernel[C].Advancesin Neural Information Processing Systems.2016:2982-2990.
发明内容
本发明为解决的技术问题:
本发明的目的是提出基于图核的社会网络链接预测模型,用已解决社会网络分析中的链接预测问题。针对已有的研究工作不能充分利用节点所在网络的结构信息,该方法能够为社会网络中的节点生成一系列用来描述该节点的子图集合,利用图核来计算子图之间的相似性以达到计算节点对之间相似性的目的。并利用节点之间对的相似性来对节点的链接类型(正或负)进行预测。该方法能充分挖掘节点网络的结构信息。
本发明为解决其技术问题采用如下技术方案:
基于图核的社会网络链接预测方法,包括如下步骤:
A.首先基于原始带符号的社会网络,生成三种网络,即正链接网络、负链接网络、链接网络,链接网络中包含所有的正负链接;
B.利用生成的三种网络为每个节点生成一系列阈值下的子网络集合,用子网络集合来描述节点的信息;
C.利用图核计算节点对的对应子网络之间的相似性,以达到计算节点相似性的目的;
D.依据节点之间的相似性对节点之间的链接进行预测。
其中基于原始网络重构网络,步骤A具体包括:
A1.记原始符号网络为E1 E,其中V表示节点集合,E表示边集合,W表示边的符号,边的符号有正(+),负(-)两种情况;
A2.生成正链接网络,将所有的正链接边全部加到正链接网络中,记正链接网络为pos_G<<(V1,E1),其中V1 V,E1 E并且E1中的每一条边在E中的符号为正(+);
A3.生成负链接网络,将所有的记负边全部加到负链接网络中,记负网络为neg_G<<(V2,E2),其中V2 V,E2 E并且E2中的每一条边在E中的符号为负(-);
A4.生成链接网络,将所有的边,包括正边和负边全部加入到链接网络品中,记链接网络为lin_G<<(V3,E3),其中V2<<V,E2<<E。
其中基于重构的网络为节点生成一系列的子网络集合,步骤B包括:
B1.为每个节点vi,(i<<1,2,3,…,|V|)在正链接网络pos_G中生成一系列阈值下的子网络,记为其中表示在网络pos_G中到节点vi的最短路径小于t的所有节点构成的网络,的边为对应在pos_G中出现的边;其中|V|表示G中所有节点的数量,T表示确定的阈值;
B2.为每个节点vi,(i<<1,2,3,…,|V|)在负链接网络neg_G中生成一系列阈值下的子网络,记为其中表示在网络neg_G中到节点vi的最短路径小于t的所有节点构成的网络,的边为对应在neg_G中出现的边;
B3.为每个节点vi,(i<<1,2,3,…,|V|)在链接网络lin_G中生成一系列阈值下的子网络,记为其中表示在网络lin_G中到节点vi的最短路径小于t的所有节点构成的网络,的边为对应在lin_G中出现的边;
其中利用图核来度量节点之间的相似性,步骤C包括:
C1.分析任意一对节点vi,vj之间的相似性,取子网络集合下对应的子网络, 其中生成G1,G2的链接网络和阈值均相同,即生成两个网络的链接必须来自步骤A中的三种网络中的一种,并且生成子网络对应的阈值t必须相等;
C4.基于子网络的相似性可以为每对节点vi,vj生成步骤A中三种链接网络的不同阈值下相似性组成的向量,记为xi,j<<[S(G1,1,G2,1),S(G1,2,G2,2),…,S(G1,3*T,G2,3*T)],其中S(·,·)为步骤C3中计算相似性的函数,G1,i,G2,i,(i<<1,2,…,3*T)表示三种链接网络T种阈值下节点对对应的子网络对;所有节点对的相似性向量以及对应的链接类型(+1或者-1)所构成的数据集记为D<<{(x1,y1),(x2,y2),…,(xn,yn)}其中xi,(i<<1,2,…,n)表示前面的计算的相似性向量,n表示边的总数。
其中基于图核计算的节点相似性向量为节点对的链接进行预测,步骤D包括:
D1.基于步骤C生成的数据集D,用机器学习的算法如,支持向量机,K-近邻,决策树等算法对链接进行训练和预测。
本发明采用以上技术方案与现有技术相比,具有以下有益效果:
(1)本发明利用子网络来描述节点,使得网络的结构信息得到充分利用。
(2)本发明在生成子网络时控制阈值变化,充分考虑了在不同阈值下子网络的差异性。
附图说明
图1是本发明的体系结构图。图中包括四个部分,网络重构、多重阈值子网络生成、基于图核度量节点之间的相似性、利用分类算法对节点链接进行预测。网络重构,基于原始的网络重构出正链接网络、负链接网络、链接网络;多重阈值子网络生成,以待处理的节点为中心,生成一系列阈值下的子网络集合用来描述节点;基于图核度量节点之间的相似性,利用图核计算节点对的子网络之间的相似性来达到计算节点相似性的目的;利用分类算法对节点链接进行预测,基于对应节点之间的相似性,利用机器学习的算法如,支持向量机,K-近邻,决策树等算法对链接进行训练和预测。
具体实施方式
下面结合附图对本发明创造做进一步详细说明。
在社会网络分析中,链接预测是通过现有的网络数据来评估预测可能存在或者未能显现的链接。它是社会网络数据挖掘以及社会网络演化机制研究的重要手段。已有的基于节点相似性度量的工作大部分是通过提取网络节点的局部信息来比较节点之间的相似性,并没有充分利用网络的结构信息。本发明从网络的结构信息出发,用节点所在的子网络来描述节点的信息,通过图核的方法度量网络之间的相似性来度量节点之间的相似性,并能保持网络拓扑结构信息。
基于原始网络重构出正链接网络、负链接网络、链接网络,三种网络如图1所示;如图1所示,基于不同的阈值在三种重构的网络下为不同的节点生成对应阈值下的子网络,然后利用图核计算对应子网络的相似性,最后利用机器学习的分类算法如,支持向量机,K-近邻,决策树等算法对链接进行训练和预测。
下面通过实施例对本发明进行说明。
1)实施例一
本发明的实施例一介绍了三种链接网络的重构方法,具体步骤包括:
A.生成正链接网络,将所有的正链接边全部加到正链接网络中,记正链接网络为为pos_G;
B.生成负链接网络,将所有的记负边全部加到负链接网络中,记负链接网络为neg_G;
C.生成链接网络,将所有的边,包括正边和负边全部加入到链接网络品中,记链接网络为lin_G;
2)实施例二
本发明的实施例二介绍了为节点生成子网络集合的方法,具体步骤包括:
A.在正链接网络pos_G中,以待处理的节点vi,(i<<1,2,3,…,|V|)为中心生成一组对应阈值下的子网络集合,记为其中表示在网络pos_G中到节点vi的最短路径小于t的所有节点构成的网络,的边为对应在pos_G中出现的边;其中|V|表示G中所有节点的数量,T表示确定的阈值;
B.在负链接网络neg_G中,以待处理的节点vi,(i<<1,2,3,…,|V|)为中心生成一组对应阈值下的子网络集合,记为其中表示在网络neg_G中到节点vi的最短路径小于t的所有节点构成的网络,的边为对应在neg_G中出现的边;
C.在链接网络lin_G中,以待处理的节点vi,(i<<1,2,3,…,|V|)为中心生成一组对应的阈值下的子网络集合,记为其中表示在网络lin_G中到节点vi的最短路径小于t的所有节点构成的网络,的边为对应在lin_G中出现的边;
3)实施例三
本发明的实施例三介绍了图核计算节点相似性的方法,具体步骤包括:
A.分析任意一对节点vi,vj之间的相似性,取子网络集合下对应的子网络, 其中生成G1,G2的链接网络和阈值均相同,即生成两个网络的链接必须来自步骤A中的三种网络中的一种,并且生成子网络对应的阈值t必须相等;
D.基于子网络的相似性可以为每对节点vi,vj生成三种链接网络的不同阈值下相似性组成的向量,记为xi,j<<[S(G1,1,G2,1),S(G1,2,G2,2),…,S(G1,3*T,G2,3*T)],其中S(·,·)为步骤C3中计算相似性的函数,G1,i,G2,i,(i<<1,2,…,3*T)表示三种链接网络T种阈值下节点对对应的子网络对;所有节点对的相似性向量以及对应的链接类型(+1或者-1)所构成的数据集记为D<<{(x1,y1),(x2,y2),…,(xn,yn)}其中xi,(i<<1,2,…,n)表示前面的计算的相似性向量,n表示边的总数。
Claims (2)
1.基于图核的社会网络链接预测方法,其特征在于包括如下步骤:
A.首先基于原始带符号的社会网络,网络重构生成三种网络,即正链接网络、负链接网络、链接网络,链接网络中包含所有的正负链接,具体包括:
A1.记原始符号网络为E1E,其中V表示节点集合,E表示边集合,W表示边的符号,边的符号有正(+),负(-)两种情况;
A2.生成正链接网络,将所有的正链接边全部加到正链接网络中,记正链接网络为pos_G<<(V1,E1),其中V1V,E1E并且E1中的每一条边在E中的符号为正(+);
A3.生成负链接网络,将所有的记负边全部加到负链接网络中,记负网络为neg_G<<(V2,E2),其中V2V,E2E并且E2中的每一条边在E中的符号为负(-);
A4.生成链接网络,将所有的边,包括正边和负边全部加入到链接网络中,记链接网络为lin_G<<(V3,E3),其中V2<<V,E2<<E;
B.利用生成的三种网络为每个节点生成一系列阈值下的子网络集合,用子网络集合来描述节点的信息,具体包括:
B1.为每个节点vi,(i<<1,2,3,...,|V|)在正链接网络pos_G中生成一系列阈值下的子网络,记为
B2.为每个节点vi,(i<<1,2,3,...,|V|)在负链接网络neg_G中生成一系列阈值下的子网络,记为
B3.为每个节点vi,(i<<1,2,3,...,|V|)在链接网络lin_G中生成一系列阈值下的子网络,记为
B4.对于原始网络G中的每一个节点vi,(i<<1,2,3,...,|V|)都可以生成一系列的网络集合来描述该节点,记为
其中,|V|表示G中所有节点的数量,T表示确定的阈值;
C.利用图核计算节点对的对应子网络之间的相似性,以达到计算节点相似性的目的,具体包括:
C1.分析任意一对节点vi,vj之间的相似性,取子网络集合下对应的子网络其中生成G1,G2的链接网络和阈值均相同,即生成两个网络的链接必须来自步骤A中的三种网络中的一种,并且生成子网络对应的阈值t必须相等;
C4.基于子网络的相似性可以为每对节点vi,vj生成步骤A中三种链接网络的不同阈值下相似性组成的向量,记为xi,j<<[S(G1,1,G2,1),S(G1,2,G2,2),...,S(G1,3*T,G2,3*T)],其中S(·,·)为步骤C3中计算相似性的函数,G1,i,G2,i,(i<<1,2,...,3*T)表示三种链接网络T种阈值下节点对对应的子网络对;所有节点对的相似性向量以及对应的链接类型(+1或者-1)所构成的数据集记为D<<{(x1,y1),(x2,y2),...,(xn,yn)}其中xi,(i<<1,2,...,n)表示前面的计算的相似性向量,n表示边的总数;
D.依据节点之间的相似性对节点之间的链接进行预测。
2.如权利要求1所述的基于图核的社会网络链接预测方法,其特征在于所述步骤D具体包括:
D1.基于步骤C生成的数据集D,用机器学习的算法如,支持向量机,K-近邻,决策树算法对链接进行训练和预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710290385.3A CN107025305B (zh) | 2017-04-20 | 2017-04-20 | 基于图核的社会网络链接预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710290385.3A CN107025305B (zh) | 2017-04-20 | 2017-04-20 | 基于图核的社会网络链接预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107025305A CN107025305A (zh) | 2017-08-08 |
CN107025305B true CN107025305B (zh) | 2020-05-05 |
Family
ID=59526677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710290385.3A Active CN107025305B (zh) | 2017-04-20 | 2017-04-20 | 基于图核的社会网络链接预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107025305B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086373B (zh) * | 2018-07-23 | 2021-01-12 | 东南大学 | 一种构建公平的链接预测评估系统的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140003927A (ko) * | 2012-07-02 | 2014-01-10 | 이흥수 | 실시간 교통 정보를 고려한 차량의 도착예정 시간 계산 방법과 교통신호 제어 방법 및 이를 적용한 시스템 |
CN103942614A (zh) * | 2014-04-09 | 2014-07-23 | 清华大学 | 一种异构网络链接关系的预测方法及系统 |
CN105141508A (zh) * | 2015-09-10 | 2015-12-09 | 天津师范大学 | 一种基于近邻关系的微博系统朋友推荐方法 |
-
2017
- 2017-04-20 CN CN201710290385.3A patent/CN107025305B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140003927A (ko) * | 2012-07-02 | 2014-01-10 | 이흥수 | 실시간 교통 정보를 고려한 차량의 도착예정 시간 계산 방법과 교통신호 제어 방법 및 이를 적용한 시스템 |
CN103942614A (zh) * | 2014-04-09 | 2014-07-23 | 清华大学 | 一种异构网络链接关系的预测方法及系统 |
CN105141508A (zh) * | 2015-09-10 | 2015-12-09 | 天津师范大学 | 一种基于近邻关系的微博系统朋友推荐方法 |
Non-Patent Citations (1)
Title |
---|
基于交互意见和地位理论的符号网络链接预测模型;王鑫等;《计算机研究与发展》;20160415;第764-775页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107025305A (zh) | 2017-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532436B (zh) | 基于社区结构的跨社交网络用户身份识别方法 | |
Liu et al. | A multiobjective evolutionary algorithm based on similarity for community detection from signed social networks | |
Ma et al. | Identifying and ranking influential spreaders in complex networks with consideration of spreading probability | |
Li et al. | A comparative analysis of evolutionary and memetic algorithms for community detection from signed social networks | |
CN109214599B (zh) | 一种对复杂网络进行链路预测的方法 | |
Hassanzadeh et al. | Analyzing the effectiveness of graph metrics for anomaly detection in online social networks | |
Tran et al. | Community detection in partially observable social networks | |
CN110321493B (zh) | 一种社交网络的异常检测与优化方法、系统及计算机设备 | |
CN109740106A (zh) | 基于图卷积神经网络的大规模网络介数逼近方法、存储装置及存储介质 | |
CN112381179A (zh) | 一种基于双层注意力机制的异质图分类方法 | |
Bong et al. | Multiobjective clustering with metaheuristic: current trends and methods in image segmentation | |
Liang et al. | Detecting community structure using label propagation with consensus weight in complex network | |
Wang et al. | Link prediction in multi-relational collaboration networks | |
Chen et al. | A method for local community detection by finding maximal-degree nodes | |
Nath et al. | InOvIn: A fuzzy-rough approach for detecting overlapping communities with intrinsic structures in evolving networks | |
CN107025305B (zh) | 基于图核的社会网络链接预测方法 | |
Xu et al. | A similarity index algorithm for link prediction | |
Choudhury et al. | An empirical study of community and sub-community detection in social networks applying Newman-Girvan algorithm | |
CN106778252B (zh) | 基于粗糙集理论与waode算法的入侵检测方法 | |
Ma et al. | Fuzzy nodes recognition based on spectral clustering in complex networks | |
Aktas et al. | Influential nodes detection in complex networks via diffusion Fréchet function | |
Amin et al. | Advanced community identification model for social networks | |
Liu et al. | Link prediction based on contribution of neighbors | |
Liu et al. | Similarity-based common neighbor and sign influence model for link prediction in signed social networks | |
Fritsche et al. | Capturing relationships in multi-objective optimization |
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 |