CN108090197B - 一种多维社交网络的社区发现方法 - Google Patents
一种多维社交网络的社区发现方法 Download PDFInfo
- Publication number
- CN108090197B CN108090197B CN201711407331.7A CN201711407331A CN108090197B CN 108090197 B CN108090197 B CN 108090197B CN 201711407331 A CN201711407331 A CN 201711407331A CN 108090197 B CN108090197 B CN 108090197B
- Authority
- CN
- China
- Prior art keywords
- user
- network
- users
- relationship
- social
- 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 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 230000009193 crawling Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 230000006855 networking Effects 0.000 abstract description 2
- 230000010354 integration Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 101100128278 Mus musculus Lins1 gene Proteins 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
- G06F16/337—Profile generation, learning or modification
-
- 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)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多维社交网络的社区发现方法，通过将社交网络中的好友关系网、评论关系网、推荐转发关系网以及兴趣相似网进行多层次的融合，得到用户间总相关度，然后将将每个用户看成一个节点，将用户间总相关度作为传递概率，用label propagation算法对社区进行划分，从而完成社交的发现，由于全方位考虑了用户社交行为，并进行了合理选取和融合，因而具有很好的准确性以及有效性。
Description
技术领域
本发明属数据挖掘技术领域，更为具体地讲，涉及一种基于多维社交网络的社区发现方法。
背景技术
通常将网络抽象成一个图，用户用图中的节点表示，用户之间的关系用边表示，这种网络中所表现出的这种结构被称之为社区。社区内部节点间连接密度较高，而不同社区间的节点连接密度较低。
社区发现是分析社交网络的一种有效方法，社区发现作为社交网络数据挖掘领域的研究热点，已经得到越来越多的学者的重视。在社区发现领域，许多学者提出或总结出一些经典的社区发现算法：
1、文献[Kernighn BW,LinS.A efficient heuristic procedure forpartitioning graphs[J].Bell System Techn-Ical Journal,1970,49(2):292～307.]提出了K-L算法，是一种试探优化法，算法中引入一个增益函数Q，然后采用贪婪算法原理交换节点对来使Q值达到最大，最后划分出两个大小已知的社区，缺点在于只能划分出两个社区且必须知道两个社区成员的数量；
2、文献[Girvan M,Newman M E J.Community structure in socialandbiological networks[J].Proceedings of the National Academy of Scie-nce,2002,99(12): 7821-7826.]提出了GN算法，GN算法的思想在于社区间的边的介数大于社区内部边的介数，通过不断的移除介数最大的边，直到整个网络退化成一个社区为止，算法的优点在于不需要预先知道社区的数目，但其计算时间复杂度较高；
3、文献[Tang Lei,Wang Xufei,Liu Huan.Community detection inmultidimensional networks[R]//Tec hnical Report TR10-006.Arizona:ArizonaState University,2010.]提出了解决多维网络的算法，该算法首先将多维网络集成，主要有4种集成方法：网络集成(network integration)、效用集成(utility integration)、特征集成(feature integration)和划分集成(partion integration)，然后利用谱聚类方法、随机块模型方法或隐含空间模型能够将上述集成后的网络进行社区划分，但缺点是都只能对中等规模的无向网络管用，并不适合于复杂的有向多维社交网络的社区发现。
发明内容
本发明的目的在于克服现有技术的不足，提出一种基于多维社交网络的社区发现方法，以提高多维社交网络的社区发现的准确性和有效性。
为实现上述发明目的，本发明基于多维社交网络的社区发现方法，其特征在于，包括以下步骤：
(1)、用户间社交关系紧密度计算
1.1)、将好友关系网从有向无权网络转化为无向带权网络
用户与用户之间有互相关注行为，用户i关注用户j或者用户j关注用户i 或者两者互相关注形成了有向网络；定义用户i与用户j相互关注，则用户i与用户j之间边的权值为1，只有用户i关注用户j或者只有用户j关注用户i，则定义用户i与用户j之间边的权值为0.5，即：
1.2)、评论关系、推荐转发关系网融合为评论推荐网
1.2.1)、定义用户间关系强度：
其中，Recij＝min(wij,wji)/max(wij,wji)，
wij表示用户i对用户j的评论或推荐转发次数，wji表示用户j对用户i的评论或推荐转发次数；
1.2.2)、将用户关系强度Sij标准化，令D为所有用户关系强度中的最大值，则标准化后的用户关系强度Dij＝Sij/D，Dij的取值范围为[0,1]；
1.3)、对好友关系网、评论推荐网进行融合为社交关系网，用户间社交关系紧密度Cij：
Cij＝αFij+βDij
其中，参数α、β为融合权重参数，α+β＝1；
(2)、用户间主题相似度计算
2.1)、爬取每个用户的标签信息和博文内容，然后利用分词工具剔除介词、连词等无法体现用户主题的冗余词汇，留下能够表示用户主题的名词等词汇，再统计各个词汇的频数即词频，并根据词汇所属主题类别，统计各个主题类别下各个词汇词频的总数即主题类别词频；
将各主题类别词频映射到0到10之间，并表示为向量，该向量为表征用户兴趣的特征向量即兴趣特征向量，所有用户的兴趣特征向量构成兴趣相似网；
2.2)、根据用户的兴趣特征向量，得到用户间主题相似度Tij：
其中，xi_k为用户i的兴趣特征向量中的第k个主题类别词频，xj_k为用户j 的兴趣特征向量中的第k个主题类别词频，n为主题类别数量；
(3)、用户间总相关度计算
根据社交关系紧密度以及主题相似度，得到用户间总相关度Rij：
Rij＝γCij+(1-γ)Tij
其中，γ为分配权值，为0到1之间；
(4)、社区进行划
将每个用户看成一个节点，将用户间总相关度作为传递概率，用标签传播算法(label propagation算法)对社区进行划分：将所有具有相同标签的节点即用户划为一个社区，从而完成社交的发现。
本发明的发明目的是这样实现的：
本发明基于多维社交网络的社区发现方法，通过将社交网络中的好友关系网、评论关系网、推荐转发关系网以及兴趣相似网进行多层次的融合，得到用户间总相关度，然后将将每个用户看成一个节点，将用户间总相关度作为传递概率，用label propagation算法对社区进行划分，从而完成社交的发现，由于全方位考虑了用户社交行为，并进行了合理选取和融合，因而具有很好的准确性以及有效性。
附图说明
图1是本发明基于多维社交网络的社区发现方法一种具体实施方式流程图；
图2是好友关系图转成从有向无权网络转化为无向带权网络示意图；
图3是实验检验的NMI变化曲线图；
图4是划分出社区的实验仿真图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
图1是本发明基于多维社交网络的社区发现方法一种具体实施方式流程图。
在本实施例中，如图1所示，首先利用爬虫软件爬取社交网络中包括用户 ID、关注情况、推荐转发情况，用户博文内容，得到好友关系网、评论关系网、推荐转发关系网，同时，利用分词工具对用户博文内容进行处理，得到兴趣相似网。
1、用户间社交关系紧密度计算
社交关系主要包括好友关系，评论关系以及推荐转发关系，将三种关系网进行计算融合成一张社交关系关系网，用户与用户之间的社交强弱关系用社交紧密度表示。具体步骤为：
1.1)、将好友关系网从有向无权网络转化为无向带权网络
用户与用户之间有互相关注行为，用户i关注用户j或者用户j关注用户i 或者两者互相关注形成了有向网络。如图2所示，定义用户i与用户j相互关注，则用户i与用户j之间边的权值为1，只有用户i关注用户j或者只有用户j关注用户 i，则定义用户i与用户j之间边的权值为0.5，即：
1.2)、评论关系、推荐转发关系网融合为评论推荐网
1.2.1)、定义用户间关系强度：
其中，Recij＝min(wij,wji)/max(wij,wji)，
wij表示用户i对用户j的评论或推荐转发次数，wji表示用户j对用户i的评论或推荐转发次数；
1.2.2)、将用户关系强度Sij标准化，令D为所有用户关系强度中的最大值，则标准化后的用户关系强度Dij＝Sij/D，Dij的取值范围为[0,1]；
1.3)、对好友关系网、评论推荐网进行融合为社交关系网，用户间社交关系紧密度Cij：
Cij＝αFij+βDij
其中，参数α、β为融合权重参数，α+β＝1；
设置参数α＝0.618，β＝0.382。
2、用户间主题相似度计算
2.1)、爬取每个用户的标签信息和博文内容，然后利用分词工具剔除介词、连词等无法体现用户主题的冗余词汇，留下能够表示用户主题的名词等词汇，再统计各个词汇的频数即词频，并根据词汇所属主题类别，统计各个主题类别下各个词汇词频的总数即主题类别词频。通过分析搜狗词库词语分类方法，搜狗词库将词语主要分为8类，分别为自然科学、社会科学、农业鱼畜、医学医药、电子游戏、艺术设计、运动健康、娱乐休闲。在本实施例中，采用上述分类，得到8个主题类别。
将各主题类别词频映射到0到10之间，并表示为向量，该向量为表征用户兴趣的特征向量即兴趣特征向量，所有用户的兴趣特征向量构成兴趣相似网。
主题类别进行词汇词频统计，可得一个兴趣特征向量，如表1所示：
表1
特征信息向量为
计算每两对用户的余弦相似度(即主题相似度Tij)，得出的值作为兴趣相似网节点间边的权值。
2.2)、根据用户的兴趣特征向量，得到用户间主题相似度Tij：
其中，xi_k为用户i的兴趣特征向量中的第k个主题类别词频，xj_k为用户j 的兴趣特征向量中的第k个主题类别词频，主题类别数量为8。
3、用户间总相关度计算
将社交关系网与兴趣相似网进行融合，即根据社交关系紧密度以及主题相似度，得到用户间总相关度Rij：
Rij＝γCij+(1-γ)Tij
其中，γ为分配权值，为0到1之间。
4、社区进行划
将每个用户看成一个节点，将用户间总相关度作为传递概率，用labelpropagation算法对社区进行划分：将所有具有相同标签的节点即用户划为一个社区，从而完成社交的发现。具体步骤为：
具体步骤如下：
1)随机选择一个节点，并初始化一个标签，计算该节点到所有邻近节点的相关度，也就是传递概率。
2)利用传递概率，对所有节点进行标签迭代更新，迭代的标准是该节点的标签是由自己所有邻接点标签中数量最多的那个标签代替。
3)将所有节点的标签进行更新，若更行过程中与多个标签的数量同为最大，则随机选取一个标签作为该节点的标签。
4)重复步骤2)和3)，直至每个节点邻近点的标签变化趋于稳定。
5)将所有具有相同标签的节点划为一个社区。
实例
收集微博的5个“圈”子(例如“学术圈”、“体育圈”、“文学圈”、“机器学习圈”、“IT圈”)中选出526个用户，再收集这些用户的基本信息，包括ID、好友关系、评论次数、推荐转发次数以及微博内容。
得到的四个网络具体信息如表2所示；
| 关系网名称 | 节点数量(个) | 边数(条) | 图形类别 |
| 好友关系网 | 526 | 4670 | 有向无权图 |
| 评论关系网 | 501 | 6403 | 有向带权图 |
| 推荐转发关系网 | 512 | 6145 | 有向带权图 |
| 兴趣相似网 | 526 | 5846 | 无向带权图 |
表2
将好友关系网、评论关系网、推荐转发关系网融合成一张网即社交关系网)，得到表3所示：
表3
在本实例中，采用规范化互信息NMI对社区划分进行评价，其中πa和πb
表示不同的两个社区划分，其中k代表社区个数，n代表节点个数，
代表组员属于πa划分的第h个社区的数量，
代表组员属于πb划分的第l个社区的数量,nh,l代表特定组员的数量，这些组员属于
划分的第h个社区，同时属于
划分的第l个社区。
分别单独对社交关系网和兴趣相似网进行社区划分，并用NMI结合真实的 5个社区进行评价，结果如表4所示；
| 关系网名称 | 社交关系网 | 兴趣相似网 |
| 准确率 | 0.731 | 0.551 |
表4
在本发明中，用户间总相关度公式为：
Rij＝γCij+(1-γ)Tij
为确定最佳的分配权值γ，在实验中分别取值为0、0.1、0.2、0.3、…、1.0，发现准确率最大值落在0.5和0.6之间，再取γ为0.55，得到最大值落在0.55和 0.6之间，然后γ分别取0.56、0.57、0.58、0.59，最终得出取值为0.57的准确率最高，因此分配权值γ的值最终取0.57为最佳，实验曲线变化见图3。
最后，使用label propagation算法对用户进行社区划分：
计算每对用户的总相关度，随机选择一个节点，并初始化一个标签，计算该节点到所有邻近点的传递概率，利用传递概率，对所有节点进行标签迭代更新，迭代的标准是该节点的标签是由自己所有邻近点标签中数量最多的那个标签代替，将所有节点的标签进行更新，若更新过程中有多个标签的数量同为最大，则随机选取一个标签作为该节点的标签，重复以上步骤直至每个节点邻近点的标签变化趋于稳定，将所有具有共同标签的节点划为一个社区。实验仿真图如图4。
利用NMI算出的划分准确率对比如表5所示：
| 关系网名称 | 社交关系网 | 兴趣相似网 | 二网融合(社交兴趣网) |
| 准确率 | 0.731 | 0.551 | 0.843 |
表5
本发明与一些经典的社区发现方法分别与经典的G-N算法、谱平均法以及 LeiTang等人提出的多维信息融合的AMM算法进行比较，得到的NMI准确率如表5所示。
| 方法 | GN | 谱平均法 | AMM | 本发明 |
| 准确率 | 0.715 | 0.627 | 0.693 | 0.843 |
表5
从表5可以看出，本发明较其他方法的准确率有很大的提高。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种基于多维社交网络的社区发现方法，其特征在于，包括以下步骤：
(1)、用户间社交关系紧密度计算
1.1)、将好友关系网从有向无权网络转化为无向带权网络
用户与用户之间有互相关注行为，用户i关注用户j或者用户j关注用户i或者两者互相关注形成了有向网络；定义用户i与用户j相互关注，则用户i与用户j之间边的权值为1，只有用户i关注用户j或者只有用户j关注用户i，则定义用户i与用户j之间边的权值为0.5，即：
1.2)、评论关系、推荐转发关系网融合为评论推荐网
1.2.1)、定义用户间关系强度：
其中，
wij表示用户i对用户j的评论或推荐转发次数，wji表示用户j对用户i的评论或推荐转发次数；
1.2.2)、将用户关系强度Sij标准化，令D为所有用户关系强度中的最大值，则标准化后的用户关系强度Dij＝Sij/D，Dij的取值范围为[0,1]；
1.3)、对好友关系网、评论推荐网进行融合为社交关系网，用户间社交关系紧密度Cij：
Cij＝αFij+βDij
其中，参数α、β为融合权重参数，α+β＝1；
(2)、用户间主题相似度计算
2.1)、爬取每个用户的标签信息和博文内容，然后利用分词工具剔除介词、连词等无法体现用户主题的冗余词汇，留下能够表示用户主题的名词等词汇，再统计各个词汇的频数即词频，并根据词汇所属主题类别，统计各个主题类别下各个词汇词频的总数即主题类别词频；
将各主题类别词频映射到0到10之间，并表示为向量，该向量为表征用户兴趣的特征向量即兴趣特征向量，所有用户的兴趣特征向量构成兴趣相似网；
2.2)、根据用户的兴趣特征向量，得到用户间主题相似度Tij：
其中，xi_k为用户i的兴趣特征向量中的第k个主题类别词频，xj_k为用户j的兴趣特征向量中的第k个主题类别词频，n为主题类别数量；
(3)、用户间总相关度计算
根据社交关系紧密度以及主题相似度，得到用户间总相关度Rij：
Rij＝γCij+(1-γ)Tij
其中，γ为分配权值，为0到1之间；
(4)、社区进行划
将每个用户看成一个节点，将用户间总相关度作为传递概率，用标签传播算法(labelpropagation算法)对社区进行划分：将所有具有相同标签的节点即用户划为一个社区，从而完成社交的发现。
2.根据权利要求1所述社区发现方法，其特征在于，所述参数α＝0.618，β＝0.382，所述分配权值γ取0.57。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711407331.7A CN108090197B (zh) | 2017-12-22 | 2017-12-22 | 一种多维社交网络的社区发现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711407331.7A CN108090197B (zh) | 2017-12-22 | 2017-12-22 | 一种多维社交网络的社区发现方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108090197A CN108090197A (zh) | 2018-05-29 |
| CN108090197B true CN108090197B (zh) | 2021-06-04 |
Family
ID=62178700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711407331.7A Active CN108090197B (zh) | 2017-12-22 | 2017-12-22 | 一种多维社交网络的社区发现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108090197B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111127232B (zh) * | 2018-10-31 | 2023-08-29 | 百度在线网络技术（北京）有限公司 | 兴趣圈发现方法、装置、服务器和介质 |
| CN111428741B (zh) * | 2018-12-20 | 2023-04-07 | 腾讯科技（深圳）有限公司 | 网络社区的发现方法、装置、电子设备及可读存储介质 |
| CN110032682B (zh) * | 2019-04-17 | 2023-08-11 | 腾讯科技（上海）有限公司 | 一种信息推荐列表生成方法、装置及设备 |
| CN110430224B (zh) * | 2019-09-12 | 2021-11-16 | 贵州电网有限责任公司 | 一种基于随机块模型的通信网络异常行为检测方法 |
| CN111143704B (zh) * | 2019-12-20 | 2023-10-20 | 北京理工大学 | 一种融合用户影响关系的在线社区好友推荐方法及系统 |
| CN111241420B (zh) * | 2020-01-10 | 2020-11-10 | 云境商务智能研究院南京有限公司 | 一种基于社交网络信息扩散感知的推荐方法 |
| CN113269653B (zh) * | 2021-06-18 | 2024-03-29 | 北京市科学技术情报研究所 | 一种基于圈层化思想的社交网络管理方法及系统 |
| CN113692031B (zh) * | 2021-09-08 | 2024-04-19 | 中国海洋大学 | 船舶自组织网络中基于多维社区的路由方法 |
| CN116361566A (zh) * | 2023-03-29 | 2023-06-30 | 竞速信息技术(廊坊)有限公司 | 一种基于大数据的用户关系推荐方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722566A (zh) * | 2012-06-04 | 2012-10-10 | 上海电力学院 | 社交网络中潜在好友查询方法 |
| CN102880691A (zh) * | 2012-09-19 | 2013-01-16 | 北京航空航天大学深圳研究院 | 一种基于用户亲密度的混合推荐系统及方法 |
| CN103995823A (zh) * | 2014-03-25 | 2014-08-20 | 南京邮电大学 | 一种基于社交网络的信息推荐方法 |
| CN104268171A (zh) * | 2014-09-11 | 2015-01-07 | 东北大学 | 基于活动相似和社交信任的社交网好友推荐系统及方法 |
| CN106651427A (zh) * | 2016-10-13 | 2017-05-10 | 中国工商银行股份有限公司 | 基于用户行为的数据关联方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8744976B2 (en) * | 2008-04-28 | 2014-06-03 | Yahoo! Inc. | Discovery of friends using social network graph properties |
| CN105095228A (zh) * | 2014-04-28 | 2015-11-25 | 华为技术有限公司 | 一种社交消息的监测方法及装置 |
-
2017
- 2017-12-22 CN CN201711407331.7A patent/CN108090197B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722566A (zh) * | 2012-06-04 | 2012-10-10 | 上海电力学院 | 社交网络中潜在好友查询方法 |
| CN102880691A (zh) * | 2012-09-19 | 2013-01-16 | 北京航空航天大学深圳研究院 | 一种基于用户亲密度的混合推荐系统及方法 |
| CN103995823A (zh) * | 2014-03-25 | 2014-08-20 | 南京邮电大学 | 一种基于社交网络的信息推荐方法 |
| CN104268171A (zh) * | 2014-09-11 | 2015-01-07 | 东北大学 | 基于活动相似和社交信任的社交网好友推荐系统及方法 |
| CN106651427A (zh) * | 2016-10-13 | 2017-05-10 | 中国工商银行股份有限公司 | 基于用户行为的数据关联方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108090197A (zh) | 2018-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108090197B (zh) | 一种多维社交网络的社区发现方法 | |
| Messaoudi et al. | A multi-objective bat algorithm for community detection on dynamic social networks | |
| Zarezade et al. | Correlated cascades: Compete or cooperate | |
| Bu et al. | A fast parallel modularity optimization algorithm (FPMQA) for community detection in online social network | |
| Valverde-Rebaza et al. | Link prediction in complex networks based on cluster information | |
| Nastos et al. | Familial groups in social networks | |
| CN111523831B (zh) | 风险团伙的识别方法、装置、存储介质和计算机设备 | |
| Mitchell | The use of Artificial Intelligence in digital forensics: An introduction | |
| CN111428323A (zh) | 复杂网络中利用广义折扣度与k-shell识别一组关键节点的方法 | |
| CN112615888A (zh) | 一种网络攻击行为的威胁评估方法及装置 | |
| CN111191147B (zh) | 一种基于大数据挖掘的群体发现方法及分析系统 | |
| Moustafa et al. | Efficient mining fuzzy association rules from ubiquitous data streams | |
| Hu et al. | A new algorithm CNM-Centrality of detecting communities based on node centrality | |
| CN111667373A (zh) | 基于邻居子图社交网络动态增量的演化社区发现方法 | |
| Cadena et al. | Near-optimal and practical algorithms for graph scan statistics with connectivity constraints | |
| Wang et al. | Uncovering fuzzy communities in networks with structural similarity | |
| Hu et al. | A Novel Algorithm Infomap-SA of Detecting Communities in Complex Networks. | |
| CN109033746B (zh) | 一种基于节点向量的蛋白质复合物识别方法 | |
| CN116633589A (zh) | 社交网络中恶意账户检测方法、设备及存储介质 | |
| Martono et al. | An extended approach of weight collective influence graph for detection influence actor. | |
| Petkos et al. | Social circle discovery in ego-networks by mining the latent structure of user connections and profile attributes | |
| Zhang et al. | CN-Motifs Perceptive Graph Neural Networks | |
| CN113470738B (zh) | 基于模糊聚类和基因本体语义相似性的可重叠蛋白质复合物识别方法和系统 | |
| CN112347369B (zh) | 基于网络表征的集成学习动态社会网络链路预测方法 | |
| CN113706459A (zh) | 一种自闭症患者异常脑区的检测及模拟修复装置 |
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 |