CN107577742A - 一种基于贝叶斯方法的多关系社交网络模式挖掘方法 - Google Patents
一种基于贝叶斯方法的多关系社交网络模式挖掘方法 Download PDFInfo
- Publication number
- CN107577742A CN107577742A CN201710751229.2A CN201710751229A CN107577742A CN 107577742 A CN107577742 A CN 107577742A CN 201710751229 A CN201710751229 A CN 201710751229A CN 107577742 A CN107577742 A CN 107577742A
- Authority
- CN
- China
- Prior art keywords
- subgraph
- network
- relationship
- fuzzy
- value
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于贝叶斯方法的多关系社交网络模式挖掘方法,首先基于n‑cell模糊数进行不确定关系建模,能够将社交网络间的多种交互关系聚合,同时在不精确、不完整采样环境下,尽可能保证到模糊子集的隶属精度;然后通过理论分析,来生成零模型及枚举子图,基于贝叶斯方法进行模体识别,能够加速算法收敛过程。本方法能够对真实的社交网络进行较普适的刻画,特别是对多关系、不确定关系的描述。在此基础上,扩展现有的一般性模体识别方法以挖掘其中的非平凡交互模式,能够在保证精度与可靠性的前提下,为面向社交网络的分析与挖掘,如舆情传播、推荐系统、精准营销等提供有力支持。
Description
技术领域
本发明涉及一种基于贝叶斯方法的多关系社交网络模式挖掘方法,面向多关系社交网络,旨在通过网络含权模体的识别来挖掘其中的交互模式,从而为分析社团中观结构、明确社团性质及社团细分提供更精准的支持,属于网络含权模体挖掘技术领域。
背景技术
针对多关系社交网络,现有的模体挖掘技术主要建立在简单网络,即无权模型基础上。
传统的多关系建模往往采用加权平均法,而此举是建立在信息完备的理想预设下的。现实中,由于数据集规模与采集技术的不完善,加权平均法无法全面地将多元连续的不确定性关系有效特征化。
传统的模体识别需要借助零模型来完成,即在保持微观尺度网络特征(如节点度)的前提下,面向原网络进行随机化,并在原网络与随机网络间同时进行子图枚举,并通过相互比较完成模体遴选。这种实地置乱重连的马尔可夫过程,会导致算法的收敛过程较慢。
对于模体挖掘算法本身来说,现有技术一般只关注子图的拓扑结构,而忽略了连接之间的差异,比如连接强度或权重,致使目标挖掘模式并不精确。
综上,现有的模体挖掘技术忽略了实体间连接的多样性与不确定性,对网络的刻画较为粗糙,致使对网络中观模式的挖掘不够精准,从而造成对宏观现象解释不利的现象。
发明内容
本发明要解决的技术问题是:针对现有的一般性模体识别方法在单一性与不确定性方面的不足,提供一种能够对真实的社交网络进行较普适地刻画,特别是对多关系、不确定关系能提供高精度、高可靠性的描述并挖掘的方法。
为了解决上述技术问题,本发明的技术方案是提供一种基于贝叶斯方法的多关系社交网络模式挖掘方法,其特征在于,步骤为:
步骤1:基于n-cell模糊数进行不确定关系建模;通过n-cell模糊数将社交个体间的多种交互关系聚合,同时在不精确、不完整采样环境下,尽可能保证到模糊子集的隶属精度;
步骤2:基于贝叶斯方法进行模体识别;利用贝叶斯方法完成零模型的模拟生成,并完成子图枚举,通过理论分析来生成零模型及枚举子图;在概要拓扑不变的情况下,目标网络中的多个特征均固定,因此以给定子图、枚举次数为输入,通过概率函数来计算相应的发生概率。
优选地,所述步骤1的具体过程为:首先抽取社交实体间的n种关系,n为正整数,作为连接初始特征,并用n-cell模糊数来建模;对于各属性特征,面向“亲密度高”模糊子集,通过采样区间推测其域,根据先验知识给出模糊隶属度函数走势,并构造一维三角模糊数,来计算给定属性对到“亲密度高”子集的隶属度;最后,从n元隶属度中选取最小值,并通过离散化方法实现到集合{强,弱}的映射;如此,就形成了含单调、离散权重的标签社交网;
优选地,所述步骤2的具体过程为:
步骤2.1:子图分类
在网络建模的基础上,将连接的离散特征纳入子图同构指标,从而形成含权子图;此举能够保证在最终的结果模式中,依然保留有连接的偏序关系;
步骤2.2:定义网络同构指标
为了突显网络中观结构的重要性,需要给出网络同构的基础指标;此处,为了有效避免零模型的实地生成,以含权网络的无权拓扑,即概要拓扑,也就是无差别连接构成的概要网络,作为网络的基础指标;
步骤2.3:子图枚举
将连接的单调离散特征融入拓扑结构中,建立新的子图同构指标,即含标签连接的子图,并在目标网络完成搜索与计数。
步骤2.4:模体遴选
子图是否是原网络的构建模式,取决于其重要程度,此处通过三个指标衡量:
1)P值:识别子图是否为原网络的重要特征,即它在原网络中的出现概率足够低,要求PM≤P,P=[0.1,0.01];
2)U值:要求子图在网络中的出现次数达到足够的量,如EM≥U,U=[2,4];
3)Z值:要求子图在网络中的出现次数在相应零模型子图中占比足够多方显重要,即EM≥βEMB,β=[0.1,1]。
更优选地,所述步骤1中,社交实体间的关系包括关注度、引用@、转发、评论。
更优选地,所述步骤1的详细过程如下:
分别针对n维实体关系O(A1,A2,...,An)中的Ai进行m次采样,从而形成值域Di;Ai表示第i维实体关系,1≤i≤n,m、n为正整数;接下来分步计算模糊隶属度:
步骤1.1:计算Di的算术平均值μi;
步骤1.2:计算Di的左分割度其中,N表示值域Di中小于μi的元素个数,dij表示第i维关系中的第j次采样值,j为正整数;
步骤1.3:根据Di的值域[0,+∞)与到“亲密度高”子集的语义逻辑,匹配三种不同的“双边”模型,即中间型、右边型与左边型;本发明所讨论的节点关系与权重正相关,Di属于右边型,即当关系值超过预设阈值时,就视为完全隶属于“亲密度高”子集;
根据“右边”模型,为各维关系构造三角模糊数,即给定x=dij,其隶属于“亲密度高”子集的程度ui(x)可定义为:
步骤1.4:通过取最小值来集成各维关系,从而转化为一维复合关系;
步骤1.5:通过阈值θ完成连续关系u到离散标签的转换。
更优选地,所述步骤1.4中,给定实体关系x,其在i维上的取值为xi,那么该实体关系隶属于“亲密度高”子集的程度u=u(x1,x2,…,xn)定义为各xi隶属于“亲密度高”子集程度的最小值min();
u(x1,x2,...,xn)=min{u1(x1),u2(x2),...,un(xn)},其中(x1,x2,...,xn)∈Rn;
更优选地,所述步骤2.3中,可从子图或网络两个角度来入手;在概要拓扑作为基础指标的前提下,目标网络与零模型间共享了概要子图的所有特征,包括概要子图总个数、特征连接规模,因此可以在不生成任何零模型的情况下,通过贝叶斯方法实现<子图,次数>随机事件发生概率的计算。
进一步地,所述在不生成任何零模型的情况下,通过贝叶斯方法实现<子图,次数>随机发生概率的计算的形式描述如下:
设标签网络中强、弱连接个数分别为ES、EW,那么可求得其中强连接比例为弱连接比例为PW=1-PS;给定某子图M,分别含强、弱连接SC、WC个,其在网络中的出现次数计为EM,相应地其概要子图的出现次数计为EMB,有EMB>EM;此时,随机事件<M,,EM>发生概率PW可由公式(1)计算而得。
相比现有技术,本发明提供的基于贝叶斯方法的多关系社交网络模式挖掘方法具有如下有益效果:
1、基于n-cell模糊数的不确定关系建模。n-cell模糊数能够将社交网络中的多种交互关系聚合,同时在不精确、不完整采样环境下,尽可能保证到模糊子集的隶属精度。综合各元素关系的n-cell模糊数理论能够更全面地将多元连续的不确定性关系有效特征化。
2、采用基于贝叶斯方法的模体识别。利用贝叶斯方法完成零模型的模拟生成,并完成子图枚举,通过理论分析,而不是实地置乱重连的马尔可夫过程,来生成零模型及枚举子图,能够加速算法收敛过程。基于贝叶斯方法的子图在零模型中的枚举,在概要拓扑不变的情况下,目标网络中的多个特征,如特征连接比例等均固定,因此给定<子图,次数>为输入,可以通过概率函数来计算相应的发生概率,从而大大压缩了算法的复杂度。
3、本方法从多关系社交网络的内在特征出发,将连接的多样性与不确定性纳入模型,并据此在中观尺度上建立了含权子图模型,实现了对社交网络群集特征,即中观模式的挖掘,增进了中观到涌现的因果联系。
4、本方法能够对真实的社交网络进行较普适的刻画,特别是对多关系、不确定关系的描述。在此基础上,扩展现有的一般性模体识别方法以挖掘其中的非平凡交互模式,能够在保证精度与可靠性的前提下,为面向社交网络的分析与挖掘,如舆情传播、推荐系统、精准营销等提供强力支持。
5、本方法以在线社交网络,如Facebook、Twitter、微信朋友圈等为直接应用对象,具有广泛的数据基础;同时,本发明对于企业细分市场、推广产品等有较大帮助,对于政府分析与跟踪舆情动态同样重要,具有很强的实用性。
附图说明
图1为“右边”型隶属函数示意图;
图2为双关系社交网络示意图;
图3为目标网络及其同构子图;
图4为网络同构子图;
图5为概要网络及其子图;
图6为目标网络及其模体。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
给定双关系社交网络如图2所示,相应的表格表示见表1。
表1 双关系网络连接情况
基于贝叶斯方法的多关系社交网络模式挖掘方法,具体包括如下步骤:
步骤1:网络建模
不确定关系建模依照图2,建立2维实体关系O(A1,A2),并对其中的Ai进行采样,形成值域D1={1,2,3,4,6,9,10,13,16,17,24,26,27},D2={0.1,0.2,0.3,0.5,0.6,0.8,0.9,1.0,1.2,1.5,1.6,1.8,2.4,2.5,3.2,3.5,4}。
步骤1.1:D1的算术平均值为μ1=158/13≈12,D2的算术平均值为μ2=26.1/17≈1.54;
步骤1.2:D1的左分割度D2的左分割度
步骤1.3:根据Di的值域[0,+∞)与到“亲密度高”子集的语义逻辑,匹配三种不同的“双边”模型,即中间型、右边型与左边型;本发明所讨论的节点关系与权重正相关,Di属于右边型,如图1所示,即当关系值超过给定阈值时,就视为完全隶属于“亲密度高”子集;
根据“右边”模型,通过三角模糊数,得出各属性值隶属于“亲密度高”子集的定量值,如下:u1(x|x>12)=1,u2(x|x>1.54)=1,
步骤1.4:取最小值来集成各维关系,从而转化为一维复合关系,如表2。
表2 双关系网络连接标签化
步骤1.1.5:设定阈值θ=0.75,将复合模糊数转化为强弱标签{S,W},如图3与表2所示。
步骤2:模体挖掘
步骤2.1:子图分类
在网络建模的基础上,将连接的离散特征纳入子图同构指标,从而形成含权子图,如图4所示。其中,子图编号采用<概要子图编号,强连接个数,弱连接个数>形式来命名,图4首图可通过#102来标识。
步骤2.2:定义无差别连接构成的概要网络及其概要子图,如图5所示。
步骤2.3:子图枚举:通过搜索,得出图3、图5网络中的子图分布,进一步地,得出各子图及其出现次数的概率,见表3与表4。
表3 子图分布
表4 概要子图分布
以子图#111(由节点6、9与10构成)为例说明。在该子图中,强弱连接各一条,因此SC=WC=1。该子图在原始网络中枚举EM=1次,概要网络中枚举EMB=1次,因此其发生概率为同时,该概要子图中所有连接均含弱标签的概率为(PS)SC·(PW)WC=PSPW,而此事件重复一次,因此总体概率为PSPW。由表2计算可知ES=6,EW=12,得出子图#111在网络中的发生概率P111=2/9。
步骤2.4:模体遴选
设定参数P=0.01、U=2、β=0.1,即同时满足PM≤0.01、EM≥2与EM≥0.1EMB的子图即为网络的模体,结果见表3、表4与图6中加底纹或实线部分。
Claims (8)
1.一种基于贝叶斯方法的多关系社交网络模式挖掘方法,其特征在于,步骤为:
步骤1:基于n-cell模糊数进行不确定关系建模;通过n-cell模糊数将社交个体间的多种交互关系聚合,同时在不精确、不完整采样环境下,尽可能保证到模糊子集的隶属精度;
步骤2:基于贝叶斯方法进行模体识别;利用贝叶斯方法完成零模型的模拟生成,并完成子图枚举,通过理论分析来生成零模型及枚举子图;在概要拓扑不变的情况下,目标网络中的多个特征均固定,因此以给定子图、次数枚举为输入,通过概率函数来计算相应的发生概率。
2.如权利要求1所述的一种基于贝叶斯方法的多关系社交网络模式挖掘方法,其特征在于:所述步骤1的具体过程为:首先抽取社交实体间的n种关系,n为正整数,作为连接初始特征,并用n-cell模糊数来建模;对于各属性特征,面向“亲密度高”模糊子集,通过采样区间推测其域,根据先验知识给出模糊隶属度函数走势,并构造一维三角模糊数,来计算给定属性对到“亲密度高”子集的隶属度;最后,从n元隶属度中选取最小值,并通过离散化方法实现到集合{强,弱}的映射;如此,就形成了含单调、离散权重的标签社交网。
3.如权利要求1所述的一种基于贝叶斯方法的多关系社交网络模式挖掘方法,其特征在于:所述步骤2的具体过程为:
步骤2.1:子图分类
在网络建模的基础上,将连接的离散特征纳入子图同构指标,从而形成含权子图;
步骤2.2:定义网络同构指标
以含权网络的无权拓扑,即概要拓扑,也就是无差别连接构成的概要网络,作为网络的基础指标;
步骤2.3:子图枚举
将连接的单调离散特征融入拓扑结构中,建立新的子图同构指标,即含标签连接的子图,并在目标网络完成搜索与计数;
步骤2.4模体遴选
子图是否是原网络的构建模式,取决于其重要程度,此处通过三个指标衡量:
1)P值:识别子图是否为原网络的重要特征,即它在原网络中的出现概率足够低,要求PM≤P,P=[0.1,0.01];
2)U值:要求子图在网络中的出现次数达到足够的量,如EM≥U,U=[2,4];
3)Z值:要求子图在网络中的出现次数在相应零模型子图中占比足够多方显重要,即EM≥βEMB,β=[0.1,1]。
4.如权利要求2所述的一种基于贝叶斯方法的多关系社交网络模式挖掘方法,其特征在于:所述步骤1中,社交实体间的关系包括关注度、引用、转发、评论。
5.如权利要求2所述的一种基于贝叶斯方法的多关系社交网络模式挖掘方法,其特征在于:所述步骤1的详细过程如下:
分别针对n维实体关系O(A1,A2,...,An)中的Ai进行m次采样,从而形成值域Di;Ai表示第i维实体关系,1≤i≤n,m、n为正整数;接下来分步计算模糊隶属度:
步骤1.1:计算Di的算术平均值μi;
步骤1.2:计算Di的左分割度其中,N表示值域Di中小于μi的元素个数,dij表示第i维关系中的第j次采样值,j为正整数;
步骤1.3:根据Di的值域[0,+∞)与到“亲密度高”子集的语义逻辑,匹配三种不同的“双边”模型,即中间型、右边型与左边型;本发明所讨论的节点关系与权重正相关,Di属于右边型,即当关系值超过给定阈值时,就视为完全隶属于“亲密度高”子集;
根据“右边”模型,为各维关系构造三角模糊数即给定x=dij,其隶属于“亲密度高”子集的程度ui(x)可定义为:
其中α=[2,4];
步骤1.4:通过取最小值来集成各维关系,从而转化为一维复合关系;
步骤1.5:通过阈值θ完成连续关系u到离散标签的转换。
6.如权利要求5所述的一种基于贝叶斯方法的多关系社交网络模式挖掘方法,其特征在于:所述步骤1.4中,给定实体关系x,其在i维上的取值为xi,那么该实体关系隶属于“亲密度高”子集的程度u=u(x1,x2,…,xn)定义为各xi隶属于“亲密度高”子集程度的最小值min();
u(x1,x2,...,xn)=min{u1(x1),u2(x2),...,un(xn)},其中(x1,x2,...,xn)∈Rn。
7.如权利要求3所述的一种基于贝叶斯方法的多关系社交网络模式挖掘方法,其特征在于:所述步骤2.3中,可从子图或网络两个角度来入手;在概要拓扑作为基础指标的前提下,目标网络与零模型间共享了概要子图的所有特征,包括概要子图总个数、特征连接规模,因此可以在不生成任何零模型的情况下,通过贝叶斯方法实现<子图,次数>随机发生概率的计算。
8.如权利要求7所述的一种基于贝叶斯方法的多关系社交网络模式挖掘方法,其特征在于:所述在不生成任何零模型的情况下,通过贝叶斯方法实现<子图,次数>随机发生概率的计算的形式描述如下:
设标签网络中强、弱连接个数分别为ES、EW,那么可求得其中强连接比例为弱连接比例为PW=1-PS;给定某子图M,分别含强、弱连接SC、WC个,其在网络中的出现次数计为EM,相应地其概要子图的出现次数计为EMB,有EMB>EM;此时,随机事件<M,EM>发生概率PM可由公式(1)计算而得:
<mrow>
<msub>
<mi>P</mi>
<mi>M</mi>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>S</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mi>S</mi>
<mi>C</mi>
</mrow>
</msup>
<mo>&CenterDot;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>W</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mi>W</mi>
<mi>C</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<msub>
<mi>E</mi>
<mi>M</mi>
</msub>
</msup>
<mo>&CenterDot;</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>S</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mi>S</mi>
<mi>C</mi>
</mrow>
</msup>
<mo>&CenterDot;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>W</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mi>W</mi>
<mi>C</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>M</mi>
<mi>B</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>E</mi>
<mi>M</mi>
</msub>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710751229.2A CN107577742A (zh) | 2017-08-28 | 2017-08-28 | 一种基于贝叶斯方法的多关系社交网络模式挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710751229.2A CN107577742A (zh) | 2017-08-28 | 2017-08-28 | 一种基于贝叶斯方法的多关系社交网络模式挖掘方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107577742A true CN107577742A (zh) | 2018-01-12 |
Family
ID=61029706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710751229.2A Pending CN107577742A (zh) | 2017-08-28 | 2017-08-28 | 一种基于贝叶斯方法的多关系社交网络模式挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107577742A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549633A (zh) * | 2018-04-04 | 2018-09-18 | 郑州大学 | 基于概率推理与情感认知的文本细粒度情感生成方法 |
CN109101570A (zh) * | 2018-07-17 | 2018-12-28 | 东南大学 | 一种基于图摘要的图模式挖掘方法 |
CN109543738A (zh) * | 2018-11-16 | 2019-03-29 | 大连理工大学 | 一种基于网络表征学习的师生关系识别方法 |
CN110224847A (zh) * | 2018-05-02 | 2019-09-10 | 腾讯科技(深圳)有限公司 | 基于社交网络的社团划分方法、装置、存储介质及设备 |
CN115205061A (zh) * | 2022-07-22 | 2022-10-18 | 福建师范大学 | 基于网络模体的社会网络重要用户识别方法 |
-
2017
- 2017-08-28 CN CN201710751229.2A patent/CN107577742A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549633A (zh) * | 2018-04-04 | 2018-09-18 | 郑州大学 | 基于概率推理与情感认知的文本细粒度情感生成方法 |
CN110224847A (zh) * | 2018-05-02 | 2019-09-10 | 腾讯科技(深圳)有限公司 | 基于社交网络的社团划分方法、装置、存储介质及设备 |
CN110224847B (zh) * | 2018-05-02 | 2021-12-14 | 腾讯科技(深圳)有限公司 | 基于社交网络的社团划分方法、装置、存储介质及设备 |
CN109101570A (zh) * | 2018-07-17 | 2018-12-28 | 东南大学 | 一种基于图摘要的图模式挖掘方法 |
CN109543738A (zh) * | 2018-11-16 | 2019-03-29 | 大连理工大学 | 一种基于网络表征学习的师生关系识别方法 |
CN115205061A (zh) * | 2022-07-22 | 2022-10-18 | 福建师范大学 | 基于网络模体的社会网络重要用户识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107577742A (zh) | 一种基于贝叶斯方法的多关系社交网络模式挖掘方法 | |
CN110532436B (zh) | 基于社区结构的跨社交网络用户身份识别方法 | |
CN106909643B (zh) | 基于知识图谱的社交媒体大数据主题发现方法 | |
Costa et al. | Characterization of complex networks: A survey of measurements | |
CN112256981A (zh) | 一种基于线性和非线性传播的谣言检测方法 | |
CN104346481A (zh) | 一种基于动态同步模型的社区检测方法 | |
Cheng et al. | Community detection in complex networks using link prediction | |
Shi et al. | Network embedding via community based variational autoencoder | |
Lee et al. | MPdist-based missing data imputation for supporting big data analyses in IoT-based applications | |
Ebden et al. | Network analysis on provenance graphs from a crowdsourcing application | |
Wu et al. | An Asymmetric Popularity‐Similarity Optimization Method for Embedding Directed Networks into Hyperbolic Space | |
CN112784118A (zh) | 一种对三角形结构敏感的图中的社区发现方法和装置 | |
CN109039721A (zh) | 基于误差重构的节点重要性评估方法 | |
Sun et al. | Overlapping community detection based on information dynamics | |
CN115114484A (zh) | 异常事件检测方法、装置、计算机设备和存储介质 | |
CN109885797B (zh) | 一种基于多身份空间映射的关系网络构建方法 | |
Zhou et al. | Learning to correlate accounts across online social networks: An embedding-based approach | |
CN110910235A (zh) | 一种基于用户关系网络的贷中异常行为检测方法 | |
Bhat et al. | OCMiner: a density-based overlapping community detection method for social networks | |
CN108090132B (zh) | 融合标签平均划分距离和结构关系的社区可重叠划分方法 | |
Bruno et al. | Community detection in the hyperbolic space | |
CN115081528A (zh) | 一种融合局部拓扑结构的图神经网络节点分类方法 | |
Wu et al. | EPAB: Early pattern aware Bayesian model for social content popularity prediction | |
Cao et al. | A network embedding-enhanced nmf method for finding communities in attributed networks | |
CN110599358A (zh) | 一种基于概率因子图模型的跨社交网络用户身份关联方法 |
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: 20180112 |