CN107993156A - 一种基于社交网络有向图的社区发现方法 - Google Patents
一种基于社交网络有向图的社区发现方法 Download PDFInfo
- Publication number
- CN107993156A CN107993156A CN201711214591.2A CN201711214591A CN107993156A CN 107993156 A CN107993156 A CN 107993156A CN 201711214591 A CN201711214591 A CN 201711214591A CN 107993156 A CN107993156 A CN 107993156A
- Authority
- CN
- China
- Prior art keywords
- label
- community
- node
- nodes
- importance
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000002457 bidirectional effect Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (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)
Abstract
本发明涉及一种基于社交网络有向图的社区发现方法,根据三角形的不同类型,提取出其特征,并将其量化作为点与点之间的边权值;然后直接将有向无权图转化为无向有权图,再用改进的标签传播算法来进行社区发现。本发明不仅能解决社交网络中传统社区发现算法不适用于有向图的问题,并且通过算法改进,能极大地提高社区划分的准确性。
Description
技术领域
本发明涉及社区发现的技术领域,尤其涉及到一种基于社交网络有向图的社区发现方法。
背景技术
随着微博、微信、Facebook等社交网络的普及,社交网络在用户互联网生活中占的比重越来越大。对社交网络产品运营者而言,通过用户画像提取用户特征,为用户提供个性化服务,是当前的热门话题。社区发现是目前用户画像中的一种重要特征提取方法。对用户的社交网络进行社区发现,划分出不同好友圈子,就可以知道用户的社交圈子。对用户所属圈子进行特征画像,又可以反过来反映出用户的社交属性,为用户画像提供特征支持。比如某个信息不全的用户,我们为其划分出同事、亲人、大学同学等圈子,其大学同学圈子全是名校毕业生,我们同样也可以推断出其是名校毕业生,而其同事圈子里的用户都是高收入的领域精英,我们可以推断出该用户也是高收入群体。而在微博这种靠相互关注形成的社交网络则更为复杂。如果我们把A关注B定义成A有一条指向B的有向边,按这种定义方式,A与B之间就可以形成三种可能的边,分别是A->B(A关注B)、A<-B(B关注A)以及A<->B(A、B互相关注)。这种方式形成的社交网络是一个有向网络,分析的难度会更大。
目前常用的社区发现算法有派系过滤算法、CNM算法、标签传播算法等,但是这些算法都是基于无向图的,并不能完美适用于有向图的社区发现。
发明内容
本发明的目的在于克服现有技术的不足,提供一种能解决社交网络中传统社区发现算法不适用于有向图的问题且能极大地提高社区划分准确性的社区发现方法。
为实现上述目的,本发明所提供的技术方案为:
其基于社交网络中最重要的结构—三角形。若A与B认识,且A、B有共同好友C,则这三人可够成一个三角形,也代表他们关系较为密切。根据有向图的有向特性,三角形如图1所示共7种,社交网络中最为重要的三角形为T2,T3,T4、T5及T6。然后,根据双向边的数目,分为三种类型,分别为一条双向边的T4、T5、T6,两条双向边的T3,及三条双向边的T2。
根据三角形的不同类型,本方案提取出其特征,并将其量化作为点与点之间的边权值;然后直接将有向无权图转化为无向有权图,再用改进的标签传播算法来进行社区发现。
具体步骤如下:
S1、统计网络中的三角形;
S2、计算边权值;
S3、进行加权的标签传播算法。
进一步地,步骤S1统计网络中的三角形的具体步骤为:
遍历每条边ei,j,统计包含该边的三角形总数ti,j;然后分别统计包含该边的T2,T3,T4、T5及T6三角形分别的数目
进一步地,步骤S2计算边权值的具体步骤如下:
S21、根据三角形含双向边的数目,对三角形进行分类;
S22、对三角形类型重要性进行排序;
S23、根据三角形总数,求出重要三角形的占比:
S24、采用sigmoid函数对占比进行归一化,公式如下:
S25、将全部有向边变成无向边,s(ei,j)作为边ei,j的权值,若s(ei,j)为0则取消该边。
进一步地,步骤S22对三角形类型重要性进行排序中,重要性通过多项式对三角形进行非线性求和得到,重要性越高的类,次数越高;公式如下:
其中,α,β,γ为可调节参数。
进一步地,步骤S3包括社区标签预分配和标签传播;
其中,社区标签预分配具体步骤如下:
S31、计算节点重要性;
S32、分配每个节点标签;
标签传播具体步骤如下:
S33、遍历每个节点v,统计其相邻节点所属社区并求出其属于各个社区的从属系数;
S34、更新标签:取从属系数最大的社区标签作为节点v新的社区标签;
S35、遍历迭代,直到没有节点需要再更新标签;
S36、最后拥有同一社区标签的节点属于同一社区。
进一步地,步骤S31节点重要性计算分两步,首先计算每对节点之间的Jaccard相似度,然后计算每个节点的Jaccard相似度之和作为其重要性;
Jaccard相似度公式分别如下:
其中,neighbor(i)表示i的所有邻居结点;
节点重要性公式:
core(i)=∑j∈neighbor(i)Jaccard(ei,j)。
进一步地,步骤S32的具体步骤为:按节点重要性从大到小的顺序将节点排列得到序列S;按序遍历S中每个节点,对于任一还没被访问过节点v,为v及其未被访问的邻居结点赋予一个新的标签L,标记L中所有节点为已访问;进行此遍历直到所有节点均标记为已访问,则迭代结束;每个节点均分配得到一个标签。
进一步地,步骤S33中,从属系数公式如下:
其中,C为其中的候选社区,wu,v为边ev,u的权值。
与现有技术相比,本方案的原理及优点如下:
本方案根据三角形的不同类型,提取出其特征,并将其量化作为点与点之间的边权值;然后直接将有向无权图转化为无向有权图,再用改进的标签传播算法来进行社区发现。不仅能解决社交网络中传统社区发现算法不适用于有向图的问题,并且通过算法改进,能极大地提高社区划分的准确性。
附图说明
图1为社交网络中三角形的结构示意图;
图2为本发明一种基于社交网络有向图的社区发现方法的流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
参见附图1-2所示,本实施例所述的一种基于社交网络有向图的社区发现方法,具体步骤如下:
S1、统计网络中的三角形;
遍历每条边ei,j,统计包含该边的三角形总数ti,j;然后分别统计包含该边的T2,T3,T4、T5及T6三角形分别的数目
S2、计算边权值,具体步骤为;
S21、根据三角形含双向边的数目,对三角形进行分类;即T2有三条双向边,代表三者之间两两互相认识,归为一类;T3有两条双向边,代表三者之间有一人与其余两人互相认识,归为第二类;T4、T5、T6有一条双向边,代表三者之间有两人互相认识,与其余一人有认识或被认识关系,归为第三类;
S22、对三角形类型重要性进行排序;
重要性通过多项式对三角形进行非线性求和得到,重要性越高的类,次数越高;公式如下:
其中,α,β,γ为可调节参数。
S23、根据三角形总数,求出重要三角形的占比:
S24、采用sigmoid函数对占比进行归一化,公式如下:
S25、将全部有向边变成无向边,s(ei,j)作为边ei,j的权值,若s(ei,j)为0则取消该边。
S3、进行加权的标签传播算法,算法包括社区标签预分配和标签传播;其中,社区标签预分配具体步骤如下:
S31、计算节点重要性;
节点重要性计算分两步,首先计算每对节点之间的Jaccard相似度,然后计算每个节点的Jaccard相似度之和作为其重要性;
Jaccard相似度公式分别如下:
其中,neighbor(i)表示i的所有邻居结点;
节点重要性公式:
core(i)=Σj∈neighbor(i)Jaccard(ei,j);
S32、分配每个节点标签;
按节点重要性从大到小的顺序将节点排列得到序列S;按序遍历S中每个节点,对于任一还没被访问过节点v,为v及其未被访问的邻居结点赋予一个新的标签L,标记L中所有节点为已访问;进行此遍历直到所有节点均标记为已访问,则迭代结束;每个节点均分配得到一个标签。
标签传播具体步骤如下:
S33、遍历每个节点v,统计其相邻节点所属社区并求出其属于各个社区的从属系数;从属系数公式如下:
其中,C为其中的候选社区,wu,v为边ev,u的权值;
S34、更新标签:取从属系数最大的社区标签作为节点v新的社区标签;
S35、遍历迭代,直到没有节点需要再更新标签;
S36、最后拥有同一社区标签的节点属于同一社区。
本实施例不仅能解决社交网络中传统社区发现算法不适用于有向图的问题,并且通过算法改进,能极大地提高社区划分的准确性。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (9)
1.一种基于社交网络有向图的社区发现方法,其特征在于:根据三角形的不同类型,提取出其特征,并将其量化作为点与点之间的边权值;然后直接将有向无权图转化为无向有权图,再用改进的标签传播算法来进行社区发现。
2.根据权利要求1所述的一种基于社交网络有向图的社区发现方法,其特征在于:具体步骤如下:
S1、统计网络中的三角形;
S2、计算边权值;
S3、进行加权的标签传播算法。
3.根据权利要求2所述的一种基于社交网络有向图的社区发现方法,其特征在于:所述步骤S1统计网络中的三角形的具体步骤为:
遍历每条边ei,j,统计包含该边的三角形总数ti,j;然后分别统计包含该边的T2,T3,T4、T5及T6三角形分别的数目
4.根据权利要求2所述的一种基于社交网络有向图的社区发现方法,其特征在于:所述步骤S2计算边权值的具体步骤如下:
S21、根据三角形含双向边的数目,对三角形进行分类;
S22、对三角形类型重要性进行排序;
S23、根据三角形总数,求出重要三角形的占比:
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>e</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>e</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<msup>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mn>3</mn>
</msup>
</mrow>
</mfrac>
</mrow>
S24、采用sigmoid函数对占比进行归一化,公式如下:
<mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>e</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>e</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
S25、将全部有向边变成无向边,s(ei,j)作为边ei,j的权值,若s(ei,j)为0则取消该边。
5.根据权利要求4所述的一种基于社交网络有向图的社区发现方法,其特征在于:所述步骤S22对三角形类型重要性进行排序中,重要性通过多项式对三角形进行非线性求和得到,重要性越高的类,次数越高;公式如下:
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>e</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mn>3</mn>
</msup>
<mo>+</mo>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mn>3</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>&gamma;</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msubsup>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mn>4</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mn>5</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mn>6</mn>
</msubsup>
</mrow>
<mn>3</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,α,β,γ为可调节参数。
6.根据权利要求2所述的一种基于社交网络有向图的社区发现方法,其特征在于:所述步骤S3包括社区标签预分配和标签传播;
其中,社区标签预分配具体步骤如下:
S31、计算节点重要性;
S32、分配每个节点标签;
标签传播具体步骤如下:
S33、遍历每个节点v,统计其相邻节点所属社区并求出其属于各个社区的从属系数;
S34、更新标签:取从属系数最大的社区标签作为节点v新的社区标签;
S35、遍历迭代,直到没有节点需要再更新标签;
S36、最后拥有同一社区标签的节点属于同一社区。
7.根据权利要求6所述的一种基于社交网络有向图的社区发现方法,其特征在于:所述步骤S31节点重要性计算分两步,首先计算每对节点之间的Jaccard相似度,然后计算每个节点的Jaccard相似度之和作为其重要性;
Jaccard相似度公式分别如下:
<mrow>
<mi>J</mi>
<mi>a</mi>
<mi>c</mi>
<mi>c</mi>
<mi>a</mi>
<mi>r</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>e</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>n</mi>
<mi>e</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mi>b</mi>
<mi>o</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>&cap;</mo>
<mi>n</mi>
<mi>e</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mi>b</mi>
<mi>o</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<mi>n</mi>
<mi>e</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mi>b</mi>
<mi>o</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>&cup;</mo>
<mi>n</mi>
<mi>e</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mi>b</mi>
<mi>o</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
其中,neighbor(i)表示i的所有邻居结点;
节点重要性公式:
core(i)=∑j∈neighbor(i)Jaccard(ei,j)。
8.根据权利要求6所述的一种基于社交网络有向图的社区发现方法,其特征在于:所述步骤S32的具体步骤为:按节点重要性从大到小的顺序将节点排列得到序列S;按序遍历S中每个节点,对于任一还没被访问过节点v,为v及其未被访问的邻居结点赋予一个新的标签L,标记L中所有节点为已访问;进行此遍历直到所有节点均标记为已访问,则迭代结束;每个节点均分配得到一个标签。
9.根据权利要求6所述的一种基于社交网络有向图的社区发现方法,其特征在于:所述步骤S33中,从属系数公式如下:
<mrow>
<msub>
<mi>belong</mi>
<mi>C</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<mi>C</mi>
<mo>,</mo>
<mi>u</mi>
<mo>&Element;</mo>
<mi>n</mi>
<mi>e</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
<mi>b</mi>
<mi>o</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<msub>
<mi>w</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</msub>
</mrow>
其中,C为其中的候选社区,wu,v为边ev,u的权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711214591.2A CN107993156B (zh) | 2017-11-28 | 2017-11-28 | 一种基于社交网络有向图的社区发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711214591.2A CN107993156B (zh) | 2017-11-28 | 2017-11-28 | 一种基于社交网络有向图的社区发现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107993156A true CN107993156A (zh) | 2018-05-04 |
CN107993156B CN107993156B (zh) | 2021-06-22 |
Family
ID=62033623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711214591.2A Active CN107993156B (zh) | 2017-11-28 | 2017-11-28 | 一种基于社交网络有向图的社区发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107993156B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959370A (zh) * | 2018-05-23 | 2018-12-07 | 哈尔滨工业大学 | 一种基于知识图谱中实体相似度的社区发现方法及装置 |
CN109558518A (zh) * | 2018-10-30 | 2019-04-02 | 深圳先进技术研究院 | 一种确定社交网络中社区发现的方法、装置及存储介质 |
CN110716533A (zh) * | 2019-10-29 | 2020-01-21 | 山东师范大学 | 影响数控装备可靠性的关键子系统识别方法及系统 |
CN112015954A (zh) * | 2020-08-28 | 2020-12-01 | 平顶山学院 | 基于马太效应的社团检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729467A (zh) * | 2014-01-16 | 2014-04-16 | 重庆邮电大学 | 一种社交网络中的社区结构发现方法 |
CN103902690A (zh) * | 2014-03-27 | 2014-07-02 | 北京邮电大学 | 一种提高社交网络用户产生内容信息影响力准确性的方法 |
CN104391889A (zh) * | 2014-11-11 | 2015-03-04 | 西安交通大学 | 一种面向有向-加权网络的社区结构发现方法 |
CN106067139A (zh) * | 2016-05-31 | 2016-11-02 | 北京红马传媒文化发展有限公司 | 一种构建特征数据库的方法、系统和装置 |
CN106411572A (zh) * | 2016-09-06 | 2017-02-15 | 山东大学 | 一种结合节点信息和网络结构的社区发现方法 |
JP6216929B2 (ja) * | 2014-03-27 | 2017-10-25 | 株式会社Kddi総合研究所 | 検出装置、検出方法及び検出プログラム |
-
2017
- 2017-11-28 CN CN201711214591.2A patent/CN107993156B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729467A (zh) * | 2014-01-16 | 2014-04-16 | 重庆邮电大学 | 一种社交网络中的社区结构发现方法 |
CN103902690A (zh) * | 2014-03-27 | 2014-07-02 | 北京邮电大学 | 一种提高社交网络用户产生内容信息影响力准确性的方法 |
JP6216929B2 (ja) * | 2014-03-27 | 2017-10-25 | 株式会社Kddi総合研究所 | 検出装置、検出方法及び検出プログラム |
CN104391889A (zh) * | 2014-11-11 | 2015-03-04 | 西安交通大学 | 一种面向有向-加权网络的社区结构发现方法 |
CN106067139A (zh) * | 2016-05-31 | 2016-11-02 | 北京红马传媒文化发展有限公司 | 一种构建特征数据库的方法、系统和装置 |
CN106411572A (zh) * | 2016-09-06 | 2017-02-15 | 山东大学 | 一种结合节点信息和网络结构的社区发现方法 |
Non-Patent Citations (4)
Title |
---|
JIAHAO LIU: ""Community Detection in Location-based Social Networks:An Entropy-based Approach"", 《2016 IEEE INTERNATIONAL CONFERENCE ON COMPUTER AND INFORMATION TECHNOLOGY》 * |
信楠: ""基于标签传播的实时社区发现算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
康旭彬: ""一种改进的标签传播快速社区发现方法"", 《合肥工业大学学报》 * |
张海燕: ""针对有向图的局部扩展的重叠社区发现算法"", 《数据采集与处理》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959370A (zh) * | 2018-05-23 | 2018-12-07 | 哈尔滨工业大学 | 一种基于知识图谱中实体相似度的社区发现方法及装置 |
CN108959370B (zh) * | 2018-05-23 | 2021-04-06 | 哈尔滨工业大学 | 一种基于知识图谱中实体相似度的社区发现方法及装置 |
CN109558518A (zh) * | 2018-10-30 | 2019-04-02 | 深圳先进技术研究院 | 一种确定社交网络中社区发现的方法、装置及存储介质 |
CN110716533A (zh) * | 2019-10-29 | 2020-01-21 | 山东师范大学 | 影响数控装备可靠性的关键子系统识别方法及系统 |
CN112015954A (zh) * | 2020-08-28 | 2020-12-01 | 平顶山学院 | 基于马太效应的社团检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107993156B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107993156B (zh) | 一种基于社交网络有向图的社区发现方法 | |
CN111309824B (zh) | 实体关系图谱显示方法及系统 | |
Boy et al. | How to study the city on Instagram | |
Leskovec et al. | Learning to discover social circles in ego networks | |
CN105468742B (zh) | 恶意订单识别方法及装置 | |
CN106817251B (zh) | 一种基于节点相似度的链路预测方法及装置 | |
CN108492200A (zh) | 一种基于卷积神经网络的用户属性推断方法和装置 | |
CN110825883A (zh) | 一种基于知识图谱的混合式团伙发现方法 | |
Troia et al. | Identification of tidal-traffic patterns in metro-area mobile networks via matrix factorization based model | |
Rintyarna et al. | Mapping acceptance of Indonesian organic food consumption under Covid-19 pandemic using Sentiment Analysis of Twitter dataset | |
Yildirim et al. | Using random walks to generate associations between objects | |
CN110263236A (zh) | 基于动态多视图学习模型的社交网络用户多标签分类方法 | |
CN109960755B (zh) | 一种基于动态迭代快速梯度的用户隐私保护方法 | |
CN115775026B (zh) | 一种基于组织相似度的联邦学习方法 | |
Iswandhani et al. | K-means cluster analysis of tourist destination in special region of Yogyakarta using spatial approach and social network analysis (a case study: post of@ explorejogja instagram account in 2016) | |
CN108898244A (zh) | 一种耦合多源要素的数字标牌位置推荐方法 | |
Shafiq et al. | Effective feature selection for 5G IM applications traffic classification | |
CN110489660B (zh) | 一种社交媒体公开数据的用户经济状况画像方法 | |
Evans | Robust Spatial Network Analysis | |
Liu et al. | Identification of multi-attribute functional urban areas under a perspective of community detection: A case study | |
Krishnan et al. | Detection of communities in dynamic social networks | |
CN107402984B (zh) | 一种基于主题的分类方法及装置 | |
CN106101839A (zh) | 一种识别电视端用户集合的方法 | |
Ghnemat et al. | Classification of Mobile Customers Behavior and Usage Patterns using Self-Organizing Neural Networks. | |
CN115600642A (zh) | 一种面向流媒体基于邻居信任聚合的去中心化联邦学习方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |