CN107392782A - 基于word2Vec的社团构建方法、装置及计算机处理设备 - Google Patents
基于word2Vec的社团构建方法、装置及计算机处理设备 Download PDFInfo
- Publication number
- CN107392782A CN107392782A CN201710515571.2A CN201710515571A CN107392782A CN 107392782 A CN107392782 A CN 107392782A CN 201710515571 A CN201710515571 A CN 201710515571A CN 107392782 A CN107392782 A CN 107392782A
- Authority
- CN
- China
- Prior art keywords
- user node
- node
- corporations
- matrix
- word2vec
- 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
Links
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—Systems or methods specially adapted for 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
Abstract
本发明公开了一种基于word2Vec的社团构建方法、装置及计算机处理设备,该方法的步骤包括:统计社交网络中的用户节点,及用户节点之间的关联关系;以社交网络的任一用户节点为起点,以设定的跳数进行随机游走,得到由用户节点组成的第一节点序列;设置一指定长度的滑动窗口,对每一第一节点序列进行截取操作,得到第二节点序列;将第二节点序列输入到word2Vec模型进行训练,得到社交网络中每一用户节点的矩阵表示;根据用户节点矩阵,计算每两个用户节点之间的相似度,以对用户节点划分社团。通过本发明,能够把社交网络中的用户节点映射到更稠密的向量空间中,从而表示节点与节点之间的潜在联系,能够更好的挖掘节点与节点之间的关系,划分出完善的社交社团。
Description
技术领域
本发明涉及社团划分领域,特别是涉及一种基于word2Vec的社团构建方法、装置及一种计算机处理设备。
背景技术
随着社交网络的快速发展,网友花费在社交网络的时间越来越多,同时也对社交网络的依赖也越来越强。社交网络在巨多用户支持的背景下,怎么留的住用户,怎么基于这些用户提供更好服务的同时发掘更多的商机,已经成为了现如今各大社交网络亟待解决并会一直面对的问题。其中社交网络中团体的划分俨然成为了学术界和工业界广泛关注的对象。所谓社交网络中的团体是指在社交网络中的多个个体两两之间存在关系的一个最大集合,也称其为社团(community),通过兴趣以及用户的关系将用户划分到指定的社团,然后根据相应社团的属性对该社团推荐该社团感兴趣的活动。
如今划分团体主流的方法是基于社交网络中的人物关系运用图论中的相关方法找到其中的密集的节点集合,然后基于该节点集合以及用户的兴趣标签发现他们中大多数人感兴趣的活动,将该节点集合命名为该活动兴趣小组。但该方法存在许多不足,比如对整个人物关系图,直接按照人物关系划分,由于人物关系图相对于这个社交网络关系图是一个极小的子集,因此在划分代价上较大,不利于分布式的解决方案;由于兴趣组的划分是基于tag而用户的兴趣各不相同,那么用户的兴趣向量会非常稀疏;由于初始是基于人物关系图划分,因此在考虑到团体划分时并没有较好的处理一个人基于兴趣可能存在于多个团体当中,也就是图论中的重叠问题处理较差等等。
发明内容
本发明主要解决的技术问题是提供一种基于word2Vec的社团构建方法、装置及一种计算机处理设备,能够把社交网络中的用户节点映射到更稠密的向量空间中,从而表示节点与节点之间的潜在联系,能够更好的挖掘节点与节点之间的关系,划分出完善的社交社团。
为解决技术问题,本发明采用的一个技术方案是:提供一种基于word2Vec的社团构建方法,该方法的步骤包括:统计社交网络中的所有用户节点,及不同用户节点之间的社交关联关系;以社交网络的任一用户节点为起点,根据不同用户节点间的社交关联关系,以设定的跳数进行随机游走,得到由用户节点组成的多个第一节点序列;设置一指定长度的滑动窗口,对每一第一节点序列进行截取操作,得到长度等于指定长度的多个第二节点序列;将第二节点序列输入到word2Vec模型进行训练,得到社交网络中每一用户节点的矩阵表示;根据用户节点矩阵,计算每两个用户节点之间的相似度,以对用户节点划分社团。
为解决技术问题,本发明采用的一个技术方案是:提供一种计算机处理设备,包括处理器及计算机可读存储介质,处理器获取计算机可读存储介质上的计算机程序,并执行前述技术方案的步骤。
为解决技术问题,本发明采用的一个技术方案是:提供一种基于word2Vec的社团构建装置,包括:统计模块,用于执行统计社交网络中的所有用户节点,及不同用户节点之间的社交关联关系的步骤;第一节点序列生成模块,用于执行以社交网络的任一用户节点为起点,根据不同用户节点间的社交关联关系,以设定的跳数进行随机游走,得到由用户节点组成的多个第一节点序列的步骤;第二节点序列生成模块,用于执行设置一指定长度的滑动窗口,对每一第一节点序列进行截取操作,得到长度等于指定长度的多个第二节点序列的步骤;训练模块,用于执行将第二节点序列输入到word2Vec模型进行训练,得到社交网络中每一用户节点的矩阵表示的步骤;社团划分模块,用于执行根据用户节点矩阵,计算每两个用户节点之间的相似度,以对用户节点划分社团的步骤。
区别于现有技术,本发明的基于word2Vec的社团构建方法的步骤包括:统计社交网络中的所有用户节点,及不同用户节点之间的社交关联关系;以社交网络的任一用户节点为起点,根据不同用户节点间的社交关联关系,以设定的跳数进行随机游走,得到由用户节点组成的多个第一节点序列;设置一指定长度的滑动窗口,对每一第一节点序列进行截取操作,得到长度等于指定长度的多个第二节点序列;将第二节点序列输入到word2Vec模型进行训练,得到社交网络中每一用户节点的矩阵表示;根据用户节点矩阵,计算每两个用户节点之间的相似度,以对用户节点划分社团。通过本发明,能够把社交网络中的用户节点映射到更稠密的向量空间中,从而表示节点与节点之间的潜在联系,能够更好的挖掘节点与节点之间的关系,划分出完善的社交社团。
附图说明
图1是本发明提供的一种基于word2Vec的社团构建方法中涉及的简单社交网络的示意图;
图2是本发明提供的一种基于word2Vec的社团构建方法的流程示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施的限制。
其次,本发明利用示意图进行详细描述,在详述本发明实施例时,为便于说明,所述示意图只是实例,其在此不应限制本发明保护的范围。
Word2Vec是Google在2013年年中开源的一款将词表征为实数值向量的高效工具,其利用深度学习的思想,可以通过训练,把对文本内容的处理简化为K维向量空间中的向量运算,而向量空间上的相似度可以用来表示文本语义上的相似度。Word2Vec输出的词向量可以被用来做很多NLP相关的工作,比如聚类、找同义词、词性分析等等。如果换个思路,把词当做特征,那么Word2Vec就可以把特征映射到K维向量空间,可以为文本数据寻求更加深层次的特征表示。
这里潜在的基本假设是:相似的单词拥有相似的语境。换言之,特定的语境只有确定的语义才能够与之匹配。通过最大化条件概率,使得单词和语境之间的对应关系最大化,进而满足了基本假设:相似的单词拥有相似的语境。而满足条件概率最大化的单词矢量,也就成为了单词语义的合理表示。
本发明基于Word2Vec模型的原理,提供了一种基于word2Vec的社团构建方法,该方法的步骤包括:
S110:统计社交网络中的所有用户节点,及不同用户节点之间的社交关联关系。
本发明的目的是对社交网络中的用户进行社团划分,即将社交网络中的全部用户按照不同的分类标准划分到不同的社团中。在获取到待划分的社交网络后,统计其中的所有用户节点,此外,还需统计社交网络中的具有关联关系的用户节点之间的社交关联关系,即若社交网络中的任意两个用户节点间具有关联关系时,需要对相应的用户节点及二者之间的关联关系进行统计。如图1所示,图1是本发明举例提供的一个简单社交网络,该社交网络具有ABCDEF六个用户节点,其中两两连接的用户节点之间具有关联关系,而为连接的用户节点之间不具有关联关系,如图1中的A和B,A和E之间直接相连,具有关联关系,而A和C,及B和C之间不具有关联关系。
S120:以社交网络的任一用户节点为起点,根据不同用户节点间的社交关联关系,以设定的跳数进行随机游走,得到由用户节点组成的多个第一节点序列。
步骤S110统计完成用户节点及用户节点间关联关系后,以社交网络中的任一用户节点为起点,根据用户节点间的关联关系,按照设定的随机游走的跳数进行随机游走,得到第一节点序列。在本步骤中,首先设定每个用户节点发放的随机游走个数,随机游走个数应小于等于与相应用户节点具有关联关系的节点的数量,在本实施方式中,以图1中的简单社交网络为例,设置A节点为起点,则A的随机游走个数可为1-3中的任一实数,举例取随机游走个数为1;其次,设定任一用户节点发放的随机游走的跳数,跳数为从起点的用户节点起,到达的用户节点的数量,在本实施方式中,跳数取为5。此时得到第一节点序列,根据图1,第一节点序列可为W:ABFDCF。
为得到尽可能准确的社团,此时可设定多个不同的随机游走个数及跳数,从而可得到多个不同的第一节点序列。得到的多个第一节点序列可为节点个数不同,或节点个数相同,节点排列顺序不同的节点序列。
S130:设置一指定长度的滑动窗口,对每一第一节点序列进行截取操作,得到长度等于指定长度的多个第一节点序列。
针对第一节点序列,设置指定长度的滑动窗口。该滑动窗口的长度至少取为大于等于2,小于等于最长的第一节点序列节点数量的数值,针对上述步骤中得到的第一节点序列W:ABFDCF,窗口长度取值为2-6中的整数。在本实施方式中,设定滑动窗口长度为3,则通过滑动窗口对第一节点序列W进行截取操作,可得四个第二节点序列,分别为W1=ABF,W2=BFD,W3=FDC,W4=DCF。在其他实施方式中,可对所有的第一节点序列通过不同长度的滑动窗口进行截取操作,得到所有的第二节点序列。
S140:将第二节点序列输入到word2Vec模型进行训练,得到社交网络中每一用户节点的矩阵表示。
汇总步骤S130中得到的全部第二节点序列,将第二节点序列输入到word2Vec模型中进行训练。通过训练,把输入的第二节点序列的划分归类操作简化为向量空间中的向量运算,而向量空间上的相似度可以用来表示用户节点的相似度。通过训练,可输出每一节点的矩阵表示形式。当社交网络中有N用户时,得到每一用户节点的矩阵均为1*N-1的N-1维矩阵。矩阵中的每一元素表示该用户节点与其他用户节点的相似度。仍然以图1中的社交网络为例,经过训练,输出ABCDEF六个用户节点的矩阵表示,且每个矩阵均为1*5的矩阵,其中A节点的矩阵表示中,每个元素表示A节点与BCDEF5个用户节点间的相似度。
S150:根据用户节点矩阵,计算每两个用户节点之间的相似度,以对用户节点划分社团。
用聚类算法对步骤S140得到的结果进行聚类,所得到的不同类别就代表不同的社团。具体的,首先设定用户节点的矩阵距离的阈值,通过计算不同用户节点的矩阵表示之间的矩阵距离,将计算得到的矩阵距离与预设的矩阵距离阈值进行对比,当计算得到的矩阵距离小于预设的矩阵距离阈值,可将该用户节点划分进入同一社团。以图1所示的社交网络为例,经过计算,若A用户节点与B用户节点的矩阵距离小于预设的阈值,则将A用户与B用户划分为同一社团,若经过计算,得到A用户与C用户的矩阵距离小于预设的矩阵距离,且B用户与C用户的矩阵距离小于预设的矩阵距离,则可将ABC三个用户均划分到同一社团;若经过计算,得到A用户与C用户的矩阵距离小于预设的矩阵距离,且B用户与C用户的矩阵距离大于预设的矩阵距离,则不可将ABC划分到同一社团内,而仅仅将AB划分到一个社团,将AC划分待一个社团,不可将BC划分到一个社团。通过社交网络中的用户节点两两比对,最终将社交网络中的全部用户进行社团划分。
区别于现有技术,本发明的基于word2Vec的社团构建方法的步骤包括:统计社交网络中的所有用户节点,及不同用户节点之间的社交关联关系;以社交网络的任一用户节点为起点,根据不同用户节点间的社交关联关系,以设定的跳数进行随机游走,得到由用户节点组成的多个第一节点序列;设置一指定长度的滑动窗口,对每一第一节点序列进行截取操作,得到长度等于指定长度的多个第二节点序列;将第二节点序列输入到word2Vec模型进行训练,得到社交网络中每一用户节点的矩阵表示;根据用户节点矩阵,计算每两个用户节点之间的相似度,以对用户节点划分社团。通过本发明,能够把社交网络中的用户节点映射到更稠密的向量空间中,从而表示节点与节点之间的潜在联系,能够更好的挖掘节点与节点之间的关系,划分出完善的社交社团。
本发明提供了一种计算机处理设备,包括处理器及存储有执行前述技术方案的方法步骤的计算机程序的计算机可读存储介质,处理器通过执行计算机可读存储介质上的计算机程序,实现前述技术方案方法的步骤。
具体来说,所述计算机处理设备包括一种基于word2Vec的社团构建装置,该装置包括:统计模块、第一节点序列生成模块、第二节点序列生成模块、训练模块及社团划分模块。
其中,统计模块用于执行统计社交网络中的所有用户节点,及不同用户节点之间的社交关联关系的步骤。
第一节点序列生成模块用于执行以社交网络的任一用户节点为起点,根据不同用户节点间的社交关联关系,以设定的跳数进行随机游走,得到由用户节点组成的多个第一节点序列的步骤。
第二节点序列生成模块用于执行设置一指定长度的滑动窗口,对每一第一节点序列进行截取操作,得到长度等于指定长度的多个第二节点序列的步骤。
训练模块用于执行将第二节点序列输入到word2Vec模型进行训练,得到社交网络中每一用户节点的矩阵表示的步骤。
社团划分模块用于执行根据用户节点矩阵,计算每两个用户节点之间的相似度,以对用户节点划分社团的步骤。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用所述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (10)
1.一种基于word2Vec的社团构建方法,其特征在于,包括:
统计社交网络中的所有用户节点,及不同用户节点之间的社交关联关系;
以所述社交网络的任一用户节点为起点,根据不同用户节点间的社交关联关系,以设定的跳数进行随机游走,得到由用户节点组成的多个第一节点序列;
设置一指定长度的滑动窗口,对每一所述第一节点序列进行截取操作,得到长度等于指定长度的多个第二节点序列;
将所述第二节点序列输入到word2Vec模型进行训练,得到所述社交网络中每一用户节点的矩阵表示;
根据用户节点矩阵,计算每两个用户节点之间的相似度,以对用户节点划分社团。
2.根据权利要求1所述的基于word2Vec的社团构建方法,其特征在于,在以设定的跳数进行随机游走的步骤中,包括步骤:
设定每个用户节点发放的随机游走个数;其中,所述随机游走个数与同所述用户节点具有社交关联关系的用户节点数量相关;
设定任一用户节点发放的随机游走的跳数;
按照设定的随机游走个数及随机游走的跳数,从任一用户节点开始,根据用户节点之间的社交关联关系,得到所述第一节点序列。
3.根据权利要求2所述的基于word2Vec的社团构建方法,其特征在于,在根据用户节点矩阵,计算每两个用户节点之间的相似度,以对用户节点划分社团的步骤中,包括步骤:
设定用户节点的矩阵表示的矩阵距离的阈值;
分别计算每两个用户节点的矩阵件的矩阵距离;
对比计算结果与设定的阈值,当所述计算结果小于设定阈值时,将对应的节点划分到同一社团。
4.根据权利要求3所述的基于word2Vec的社团构建方法,其特征在于,划分到同一社团内的用户节点,两两之间的矩阵距离的计算结果均小于设定的阈值。
5.根据权利要求1所述的基于word2Vec的社团构建方法,其特征在于,在设置一指定长度的滑动窗口时,所述滑动窗口的长度为大于等于2、小于等于设定的跳数的实数。
6.根据权利要求5所述的基于word2Vec的社团构建方法,其特征在于,在将所述第二节点序列输入到word2Vec模型进行训练的步骤中,是将按照不同长度的滑动窗口截取得到的所有第二节点序列输入到word2Vec模型进行训练,得到每一用户节点的矩阵表示。
7.根据权利要求6所述的基于word2Vec的社团构建方法,其特征在于,所述用户节点的矩阵表示为一1*n的矩阵。
8.根据权利要求7所述的基于word2Vec的社团构建方法,其特征在于,设定统计得到的全部用户节点个数为N,则所述矩阵的列数等于N-1。
9.一种计算机处理设备,包括处理器及计算机可读存储介质,其特征在于,所述处理器获取所述计算机可读存储介质上的计算机程序,并执行如权利要求1-8任一所述方法的步骤。
10.一种基于word2Vec的社团构建装置,其特征在于,包括:
统计模块,用于执行统计社交网络中的所有用户节点,及不同用户节点之间的社交关联关系的步骤;
第一节点序列生成模块,用于执行以所述社交网络的任一用户节点为起点,根据不同用户节点间的社交关联关系,以设定的跳数进行随机游走,得到由用户节点组成的多个第一节点序列的步骤;
第二节点序列生成模块,用于执行设置一指定长度的滑动窗口,对每一所述第一节点序列进行截取操作,得到长度等于指定长度的多个第二节点序列的步骤;
训练模块,用于执行将所述第二节点序列输入到word2Vec模型进行训练,得到所述社交网络中每一用户节点的矩阵表示的步骤;
社团划分模块,用于执行根据用户节点矩阵,计算每两个用户节点之间的相似度,以对用户节点划分社团的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710515571.2A CN107392782A (zh) | 2017-06-29 | 2017-06-29 | 基于word2Vec的社团构建方法、装置及计算机处理设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710515571.2A CN107392782A (zh) | 2017-06-29 | 2017-06-29 | 基于word2Vec的社团构建方法、装置及计算机处理设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107392782A true CN107392782A (zh) | 2017-11-24 |
Family
ID=60334362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710515571.2A Pending CN107392782A (zh) | 2017-06-29 | 2017-06-29 | 基于word2Vec的社团构建方法、装置及计算机处理设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392782A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875090A (zh) * | 2018-08-07 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种歌曲推荐方法、装置和存储介质 |
CN110377822A (zh) * | 2019-06-25 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 用于网络表征学习的方法、装置及电子设备 |
WO2020015464A1 (zh) * | 2018-07-17 | 2020-01-23 | 阿里巴巴集团控股有限公司 | 关系网络图嵌入的方法及装置 |
CN110851655A (zh) * | 2019-11-07 | 2020-02-28 | 中国银联股份有限公司 | 一种用于简化复杂网络的方法和系统 |
CN111476673A (zh) * | 2020-04-02 | 2020-07-31 | 中国人民解放军国防科技大学 | 基于神经网络的社交网络间用户对齐的方法、装置、介质 |
CN111782801A (zh) * | 2019-05-17 | 2020-10-16 | 北京京东尚科信息技术有限公司 | 一种对关键词进行分组的方法和装置 |
CN112651764A (zh) * | 2019-10-12 | 2021-04-13 | 武汉斗鱼网络科技有限公司 | 一种目标用户识别方法、装置、设备和存储介质 |
WO2022179384A1 (zh) * | 2021-02-26 | 2022-09-01 | 山东英信计算机技术有限公司 | 一种社交群体的划分方法、划分系统及相关装置 |
CN110851655B (zh) * | 2019-11-07 | 2024-05-17 | 中国银联股份有限公司 | 一种用于简化复杂网络的方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741175A (zh) * | 2016-01-27 | 2016-07-06 | 电子科技大学 | 一种对在线社交网络中账户进行关联的方法 |
CN106649659A (zh) * | 2016-12-13 | 2017-05-10 | 重庆邮电大学 | 一种面向社交网络的链接预测系统及方法 |
CN106815653A (zh) * | 2016-12-19 | 2017-06-09 | 烟台中科网络技术研究所 | 一种基于距离博弈的社交网络关系预测方法及系统 |
-
2017
- 2017-06-29 CN CN201710515571.2A patent/CN107392782A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741175A (zh) * | 2016-01-27 | 2016-07-06 | 电子科技大学 | 一种对在线社交网络中账户进行关联的方法 |
CN106649659A (zh) * | 2016-12-13 | 2017-05-10 | 重庆邮电大学 | 一种面向社交网络的链接预测系统及方法 |
CN106815653A (zh) * | 2016-12-19 | 2017-06-09 | 烟台中科网络技术研究所 | 一种基于距离博弈的社交网络关系预测方法及系统 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020015464A1 (zh) * | 2018-07-17 | 2020-01-23 | 阿里巴巴集团控股有限公司 | 关系网络图嵌入的方法及装置 |
CN108875090B (zh) * | 2018-08-07 | 2023-02-28 | 腾讯科技(深圳)有限公司 | 一种歌曲推荐方法、装置和存储介质 |
CN108875090A (zh) * | 2018-08-07 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种歌曲推荐方法、装置和存储介质 |
CN111782801B (zh) * | 2019-05-17 | 2024-02-06 | 北京京东尚科信息技术有限公司 | 一种对关键词进行分组的方法和装置 |
CN111782801A (zh) * | 2019-05-17 | 2020-10-16 | 北京京东尚科信息技术有限公司 | 一种对关键词进行分组的方法和装置 |
CN110377822A (zh) * | 2019-06-25 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 用于网络表征学习的方法、装置及电子设备 |
CN110377822B (zh) * | 2019-06-25 | 2024-04-16 | 腾讯科技(深圳)有限公司 | 用于网络表征学习的方法、装置及电子设备 |
CN112651764B (zh) * | 2019-10-12 | 2023-03-31 | 武汉斗鱼网络科技有限公司 | 一种目标用户识别方法、装置、设备和存储介质 |
CN112651764A (zh) * | 2019-10-12 | 2021-04-13 | 武汉斗鱼网络科技有限公司 | 一种目标用户识别方法、装置、设备和存储介质 |
CN110851655A (zh) * | 2019-11-07 | 2020-02-28 | 中国银联股份有限公司 | 一种用于简化复杂网络的方法和系统 |
CN110851655B (zh) * | 2019-11-07 | 2024-05-17 | 中国银联股份有限公司 | 一种用于简化复杂网络的方法和系统 |
CN111476673A (zh) * | 2020-04-02 | 2020-07-31 | 中国人民解放军国防科技大学 | 基于神经网络的社交网络间用户对齐的方法、装置、介质 |
WO2022179384A1 (zh) * | 2021-02-26 | 2022-09-01 | 山东英信计算机技术有限公司 | 一种社交群体的划分方法、划分系统及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392782A (zh) | 基于word2Vec的社团构建方法、装置及计算机处理设备 | |
CN108492201B (zh) | 一种基于社区结构的社交网络影响力最大化方法 | |
CN108985309B (zh) | 一种数据处理方法以及装置 | |
Kimura et al. | Extracting influential nodes on a social network for information diffusion | |
Alvari et al. | Community detection in dynamic social networks: A game-theoretic approach | |
Pham et al. | S3g2: A scalable structure-correlated social graph generator | |
CN104077417B (zh) | 社交网络中的人物标签推荐方法和系统 | |
KR101543780B1 (ko) | 동적 사용자 프로필 및 소셜 네트워크 신뢰성을 이용한 전문가 검색 시스템 및 방법 | |
CN110457672B (zh) | 关键词确定方法、装置、电子设备及存储介质 | |
CN103678431A (zh) | 一种基于标准标签和项目评分的推荐方法 | |
US20070288460A1 (en) | Method of analyzing and searching personal connections and system for the same | |
CN105787662A (zh) | 基于属性的移动应用软件性能预测方法 | |
CN111611801B (zh) | 一种识别文本地域属性的方法、装置、服务器及存储介质 | |
CN112632239A (zh) | 基于人工智能技术的类脑问答系统 | |
Liao et al. | Coronavirus pandemic analysis through tripartite graph clustering in online social networks | |
Zhang et al. | Combining explicit entity graph with implicit text information for news recommendation | |
CN108846043A (zh) | 基于互联网大数据的网络痕迹挖掘分析方法及系统 | |
CN106097113B (zh) | 一种社交网络用户动静兴趣挖掘方法 | |
KR20180035633A (ko) | 인간 의사결정 프로세스의 기계학습에 기초한 의사 결정을 위한 인공지능 | |
CN108595515A (zh) | 一种结合微博弱关系的微博情感分析方法 | |
Freitas et al. | Local partition in rich graphs | |
CN103051476B (zh) | 基于拓扑分析的网络社区发现方法 | |
CN105608183A (zh) | 一种提供聚合类型回答的方法和装置 | |
CN110941638A (zh) | 应用分类规则库构建方法、应用分类方法及装置 | |
CN111310066B (zh) | 一种基于主题模型和关联规则算法的好友推荐方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171124 |