CN108092818A - 一种可以提升节点在动态网络终端影响力的智能代理方法 - Google Patents
一种可以提升节点在动态网络终端影响力的智能代理方法 Download PDFInfo
- Publication number
- CN108092818A CN108092818A CN201711433107.5A CN201711433107A CN108092818A CN 108092818 A CN108092818 A CN 108092818A CN 201711433107 A CN201711433107 A CN 201711433107A CN 108092818 A CN108092818 A CN 108092818A
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- network
- target node
- intelligent agent
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/04—Network management architectures or arrangements
- H04L41/046—Network management architectures or arrangements comprising network management agents or mobile agents therefor
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供一种可以提升节点在动态网络终端影响力的智能代理方法,属于数据挖掘、数据搜索以及机器学习技术领域。具体步骤包括:步骤一、初始化:将节点划分为多个集合,令目标节点v与每个集合中的中的带来净收益最大的节点建立连接;步骤二、评估:重新计算每个节点的净收益,重新划分集合;步骤三、选择:采用置信区间上界选取集合;步骤四、连接:目标个体与选中的集合的带来净收益最大的节点连接;步骤五、等待:等待网络的变化再重复步骤二~五。本发明从网络个体角度,可以使目标节点在网络中有更大的话语权。从网络监督者角度,可以使目标节点更好的掌控网络信息,及时发现网络中的安全隐患。
Description
技术领域
本发明涉及一种可以提升节点在动态网络终端影响力的智能代理方法,属于数据挖掘、数据搜索以及机器学习技术领域。
背景技术
网络结构模型由点和边构成,点即节点,边表示节点之间存在某种关系,其是分析多节点关系的一个重要方法。现实中很多领域的问题可以抽象成网络模型,如社会学中的人际关系,计算机科学中的互联网拓扑结构和生物学中的蛋白质分子的相互作用等。在一个网络中,节点之间的状态存在差异,中心度较高的节点往往有着较大的影响力,这些节点对网络有掌控和支配作用,因而,找到如何高效提升节点的影响力的方法的意义尤为突出。
进入21世纪第二个十年以来,互联网和泛互联网化以前所未有的速度的发展,直接导致的是人们之间的人际关系在互联网的巨幕之下规模急剧膨胀并且以惊人的速度发展和变化。从网络节点角度,提升其在网络中的影响力意味着其在网络中有更大的话语权,进而可以获得更多潜在的收益。从网络监督者角度,提升其再往网络中的影响力则意味着其可以更好的掌控网络信息,从而及时发现网络中的安全隐患。
发明内容
本发明的目的是克服现有基于博弈理论的网络构建方法基于理论分析未考虑现实问题的动态性和复杂性这一缺点,提出了一种可以提升节点在动态网络终端影响力的智能代理方法。
本发明一种可以提升节点在动态网络终端影响力的智能代理方法,简称智能代理方法,包括初始化(Initialize)、评估(Evaluate)、选择(Select)、连接(Link) 和等待(Wait)五部分;该智能代理方法实施时采用循环结构,先初始化、再评估、选择及连接,再进行等待操作,之后再进行评估,选择,连接,等待,开始循环,即只进行一次初始化;
一种可以提升节点在动态网络终端影响力的智能代理方法的核心思想为:基于给定网络G以及目标节点v,选择动态网络中目标节点以外的其他节点,并使目标节点与之建立连接;将选取节点这一操作称为决策,采取离散时间即离散的时刻做决策;目标节点在每次评估后,得到的k个集合中选取一个集合,然后从该集合中选取若干节点并使目标节点与这些节点建立连接。
一种可以提升节点在动态网络终端影响力的智能代理方法,包括如下步骤:
步骤一、初始化,具体为:
步骤1.1、设定计时参数t,并初始化t的值为0;
步骤1.2、基于给定的网络G=(V,E),v,k,T;计算每个节点i∈V的b0,i值, b0,i值为bt,i取t=0的值,其中bt,i是目标节点v与当前节点i在当前时刻建立连接时的净收益,下标t表示当前时刻是计时参数的值;V和E分别为点集和边集,点集为节点集合,边集为关系集合,目标节点v属于V,k为把点集划分成集合的个数,T为等待时间;bt,i即通过如下公式(1)来计算:
其中,dist(i,v)t是当前时刻t网络中节点i到目标节点v的最短路径长度, cc|s(i)t表示当前时刻t网络节点i的接近中心度,通过如下公式(2)计算:
其中,V表示点集,|V|表示表示点集V中节点的个数,dist(i,u)t是当前时刻t网络中节点i到节点u的最短路径长度;
步骤1.3将计算得到的每个节点i∈V的b0,i值均等划分为k个不相交连续区间,对每个区间,所有b0,i值落在该区间的点被划分到同一个集合中,这样得到一个网络节点划分P0,P0是Pt取t=0,Pt是时刻t的得到的节点集合划分;
步骤1.4、对P0每个集合P0,i i≤k,P0,i是Pt,i取t=0,Pt,i表示时刻t的划分中的第i个集合,让目标节点与k个集合中的净收益最大的节点建立连接,即初始化中对每个集合进行一次决策;
步骤二、评估(Evaluate),具体为:
t加1,基于公式(1)重新计算每个节点i的i∈V的bt,i值,将计算得到的每个节点i∈V的bt,i值均等划分为k个不相交连续区间,对每个区间,所有bt,i值落在该区间的点被划分到同一个集合中,得到一个网络节点划分Pt;
步骤三、选择(Select),具体为:采用置信区间上界(upper confidence bound)方法实现机器学习,从而使目标节点进行智能决策,置信区间上界方法具体为:计算当前划分Pt中的每个集合Pt,i的评估值γ(i)i≤k,γ(i)表示当前划分中的第i个集合的评估值,即公式(3):
其中,ln是取以e为底的对数操作,epoch为当前的循环次数,在数值上等于t的值,τi,j为集合Pt,i第j次被选中时的时刻,ni为到目前为止集合Pi被选中的次数,为目标节点v与当前划分Pt中的第i个集合中净收益最大节点建立连接后的目标节点接近中心度减去连接前的目标节点的接近中心度,下标i表示当前划分Pt中的第i个集合;在本次决策中,选取评估值γ(i)值最大的集合;
步骤四、连接(Link),具体为:使目标节点与在步骤三中选的集合的净收益最大的节点,并与此节点建立连接,即步骤四连接中仅对一个集合进行一次决策;
步骤五、等待(Wait),具体为:经过步骤四选择净收益最大节点后,即做出一次决策后不立即进行下次决策,等待时间T,T为给定的参数;判断目标节点的接近中心度是否在所有节点中达到最高,如果达到最高,则结束本方法;若目标节点的接近中心度还未达到所有节点的最高,跳至步骤二;
至此,从步骤一到步骤五,目标节点的接近中心度在所有节点中达到最高,完成了一种可以提升节点在动态网络终端影响力的智能代理方法。
有益效果
本发明一种可以提升节点在动态网络终端影响力的智能代理方法,与现有技术相比,具有如下有益效果:
1.兼顾理论和实际两方面,本发明所述的智能代理方法的整体可行性强且效率高;
2.从网络节点角度,提升其在网络中的影响力意味着其在网络中有更大的话语权,进而可以获得更多潜在的收益;
3.从网络监督者角度,提升其再往网络中的影响力则意味着其可以更好的掌控网络信息,从而及时发现网络中的安全隐患,如电信诈骗,网络色情和不良舆论等。
附图说明
图1是本发明及实施例中一种可以提升节点在动态网络终端影响力的智能代理方法的流程图;
图2是本发明实施例初始化之前的网络结构图;
图3是本发明实施例初始化之后的网络结构图;
图4是本发明实施例第一轮决策后的网络结构图。
具体实施方式
下面结合附图及实施例对本发明所述的一种可以提升节点在动态网络终端影响力的智能代理方法的具体实施进行详细阐述。
实施例1
附图1为一种可以提升节点在动态网络终端影响力的智能代理方法的流程。
由图1可以看出,本发明所述方法初始化后,进行评估,再进行选择、连接及等待后再进行评估。图2是本发明实施例初始化之前的网络结构图;图2一共有12个节点,V点为目标节点。
即给定一个网络G=(V,E),其中V,E分别为点集(即节点集合)和边集(即关系集合),目标节点v,每次划分的集合个数k,等待时间T,本发明所述的智能代理方法会首先进行初始化操作,然后重复评估、选择、连接和等待这一过程,由于现实网络总是在不停演化,因此本智能代理方法规定不断重复这一过程,直到目标节点的接近中心度在所有节点中最大,这样就提升了目标节点的影响力。
图3是本发明实施例初始化之后的网络结构图。图3中,第一个集合中净收益最大的节点5被选中与目标节点相连接,如图中5节点的虚线所示;第二个集合中净收益最大的节点3被选中与目标节点相连接,如图中3节点的虚线所示。初始化后,网络结构发生了变化。
具体实施步骤如下:
本示例中,k=2,目标节点v
初始化:
各节点接近中心度(最大值标记为下划线):
1:0.34375
2:0.37931
3:0.42307
4:0.37931
5:0.5
6:0.5
7:0.5
8:0.5
9:0.40741
10:0.36667
11:0.275
v:0.40741
各节点净收益:
1:-6.90909
2:-6.63636
3:-5.36363
4:-5.63636
5:-5.0
6:-4.0
7:-4.0
8:--
9:-4.45454
10:--
11:-5.63636
v:--
将节点均等划分为两个集合P0,1={5,6,7,9},P0,2={1,2,3,4,11} 节点v与P0,1中5建立连接,如图3所示;
连接后各节点接近中心度(最大值标记为下划线):
1:0.37931
2:0.44
3:0.47826
4:0.37931
5:0.61111
6:0.5
7:0.5
8:0.5
9:0.40740
10:0.42307
11:0.30555
v:0.52380
节点v和P0,2中3建立连接,如图3虚线所示。
连接后各节点接近中心度(最大值标记为下划线):
1:0.42307
2:0.44
3:0.55
4:0.37931
5:0.61111
6:0.5
7:0.5
8:0.5
9:0.40740
10:0.45833
11:0.32352
v:0.57894
第一轮:
各节点净收益:
1:-4.36363
2:-4.27272
3:--
4:-5.63636
5:--
6:-4.0
7:-4.0
8:--
9:-4.45454
10:--
11:-5.09090
v:--
将节点均等划分为两个集合P1,1={2,6,7},P1,2={1,4,9,11} 节点v与P1,1中6和P1,2中1建立连接,
计算评估值γ:
γ(1)>γ(2),所以本轮选择P1,1,
节点v和P1,1中6建立连接,如图4虚线所示。
图4是本发明实施例第一轮决策后的网络结构图。
连接后各节点接近中心度(最大值标记为下划线):
1:0.42307
2:0.44
3:0.55
4:0.42307
5:0.61111
6:0.57894
7:0.5
8:0.5
9:0.40740
10:0.5
11:0.34375
v:0.647058
目标节点的接近中心度达到最大,算法终止。
以上所述为本发明的较佳实施例而已,本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改,都落入本发明保护的范围。
Claims (4)
1.一种可以提升节点在动态网络终端影响力的智能代理方法,简称智能代理方法,其特征在于:包括初始化(Initialize)、评估(Evaluate)、选择(Select)、连接(Link)和等待(Wait);该智能代理方法实施时采用循环结构,先初始化、再评估、选择及连接,再进行等待操作,之后再进行评估,选择,连接,等待,开始循环,即只进行一次初始化;
一种可以提升节点在动态网络终端影响力的智能代理方法的核心思想为:基于给定网络G以及目标节点v,选择动态网络中目标节点以外的其他节点,并使目标节点与之建立连接;将选取节点这一操作称为决策,采取离散时间即离散的时刻做决策;目标节点在每次评估后,得到的k个集合中选取一个集合,然后从该集合中选取若干节点并使目标节点与这些节点建立连接。
2.根据权利要求1所述的一种可以提升节点在动态网络终端影响力的智能代理方法,其特征在于:包括如下步骤:
步骤一、初始化,具体为:
步骤1.1、设定计时参数t并初始化t的值为0;
步骤1.2、基于给定的网络G=(V,E),v,k,T;计算每个节点i∈V的b0,i值,b0,i值为bt,i取t=0的值,其中bt,i是目标节点v与当前节点i在当前时刻建立连接时的净收益,下标t表示当前时刻是计时参数的值;V和E分别为点集和边集,点集为节点集合,边集为关系集合,目标节点v属于V,k为把点集划分成集合的个数,T为等待时间;
步骤1.3将计算得到的每个节点i∈V的b0,i值均等划分为k个不相交连续区间,对每个区间,所有b0,i值落在该区间的点被划分到同一个集合中,这样得到一个网络节点划分P0,P0是Pt取t=0,Pt是时刻t的得到的节点集合划分;
步骤1.4、对P0每个集合P0,i i≤k,P0,i是Pt,i取t=0,Pt,i表示时刻t的划分中的第i个集合,让目标节点与k个集合中的净收益最大的节点建立连接,即初始化中对每个集合进行一次决策;
步骤二、评估(Evaluate),具体为:
t加1,基于公式(1)重新计算每个节点i的i∈V的bt,i值,将计算得到的每个节点i∈V的bt,i值均等划分为k个不相交连续区间,对每个区间,所有bt,i值落在该区间的点被划分到同一个集合中,得到一个网络节点划分Pt;
步骤三、选择(Select),具体为:采用置信区间上界(upper confidence bound)方法实现机器学习,从而使目标节点进行智能决策,置信区间上界方法具体为:计算当前划分Pt中的每个集合Pt,i的评估值γ(i)i≤k,γ(i)表示当前划分中的第i个集合的评估值,即公式(3):
<mrow>
<mi>&gamma;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</msubsup>
<msub>
<mi>&Delta;c</mi>
<mrow>
<msub>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
</mfrac>
<mo>+</mo>
<msqrt>
<mfrac>
<mrow>
<mi>ln</mi>
<mi> </mi>
<mi>e</mi>
<mi>p</mi>
<mi>o</mi>
<mi>c</mi>
<mi>h</mi>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</mfrac>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,ln是取以e为底的对数操作,epoch为当前的循环次数,在数值上等于t的值,τi,j为集合Pt,i第j次被选中时的时刻,ni为到目前为止集合Pi被选中的次数,为目标节点v与当前划分Pt中的第i个集合中净收益最大节点建立连接后的目标节点接近中心度减去连接前的目标节点的接近中心度,下标i表示当前划分Pt中的第i个集合;
步骤四、连接(Link),具体为:使目标节点与在步骤三中选的集合的净收益最大的节点,并与此节点建立连接,即步骤四连接中仅对一个集合进行一次决策;
步骤五、等待(Wait),具体为:经过步骤四选择净收益最大节点后,即做出一次决策后不立即进行下次决策,等待时间T,T为给定的参数;判断目标节点的接近中心度是否在所有节点中达到最高,如果达到最高,则结束本方法;若目标节点的接近中心度还未达到所有节点中的最高,跳至步骤二;
至此,从步骤一到步骤五,目标节点的接近中心度在所有节点中达到最高,完成了一种可以提升节点在动态网络终端影响力的智能代理方法。
3.根据权利要求2所述的一种可以提升节点在动态网络终端影响力的智能代理方法,其特征在于:步骤1.2中的bt,i即通过如下公式(1)来计算:
<mrow>
<msub>
<mi>b</mi>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>c</mi>
<mrow>
<mi>c</mi>
<mo>|</mo>
<mi>s</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mi>t</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mi>d</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mi>t</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,dist(i,v)t是当前时刻t网络中节点i到目标节点v的最短路径长度,cc|s(i)t表示当前时刻网络节点i的接近中心度,通过如下公式(2)计算:
<mrow>
<msub>
<mi>c</mi>
<mrow>
<mi>c</mi>
<mo>|</mo>
<mi>s</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mi>t</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>V</mi>
<mo>|</mo>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>&Element;</mo>
<mi>V</mi>
</mrow>
</msub>
<mi>d</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mi>t</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,V表示点集,|V|表示表示点集V中节点的个数,dist(i,u)t是当前时刻t网络中节点i到节点u的最短路径长度。
4.根据权利要求2所述的一种可以提升节点在动态网络终端影响力的智能代理方法,其特征在于:步骤三的本次决策中,选取评估值γ(i)值最大的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711433107.5A CN108092818B (zh) | 2017-12-26 | 2017-12-26 | 一种可以提升节点在动态网络终端影响力的智能代理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711433107.5A CN108092818B (zh) | 2017-12-26 | 2017-12-26 | 一种可以提升节点在动态网络终端影响力的智能代理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108092818A true CN108092818A (zh) | 2018-05-29 |
CN108092818B CN108092818B (zh) | 2020-06-05 |
Family
ID=62179449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711433107.5A Active CN108092818B (zh) | 2017-12-26 | 2017-12-26 | 一种可以提升节点在动态网络终端影响力的智能代理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108092818B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104579787A (zh) * | 2015-01-20 | 2015-04-29 | 中南大学 | 一种考虑适应度的在线社会网络拓扑生成方法 |
CN106327343A (zh) * | 2016-08-24 | 2017-01-11 | 云南大学 | 社交网络影响传播中初始用户选取方法 |
CN106789338A (zh) * | 2017-01-18 | 2017-05-31 | 北京航空航天大学 | 一种在动态大规模社交网络中发现关键人物的方法 |
CN106875281A (zh) * | 2017-03-13 | 2017-06-20 | 哈尔滨工程大学 | 基于贪心子图的社会网络节点挖掘方法 |
CN106878174A (zh) * | 2017-03-21 | 2017-06-20 | 哈尔滨工程大学 | 基于中介中心性的网络传播节点影响力发现方法 |
-
2017
- 2017-12-26 CN CN201711433107.5A patent/CN108092818B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104579787A (zh) * | 2015-01-20 | 2015-04-29 | 中南大学 | 一种考虑适应度的在线社会网络拓扑生成方法 |
CN106327343A (zh) * | 2016-08-24 | 2017-01-11 | 云南大学 | 社交网络影响传播中初始用户选取方法 |
CN106789338A (zh) * | 2017-01-18 | 2017-05-31 | 北京航空航天大学 | 一种在动态大规模社交网络中发现关键人物的方法 |
CN106875281A (zh) * | 2017-03-13 | 2017-06-20 | 哈尔滨工程大学 | 基于贪心子图的社会网络节点挖掘方法 |
CN106878174A (zh) * | 2017-03-21 | 2017-06-20 | 哈尔滨工程大学 | 基于中介中心性的网络传播节点影响力发现方法 |
Non-Patent Citations (2)
Title |
---|
BALÁZS KÓSA 等: "Properties of the most influential social sensors", 《2013 IEEE 4TH INTERNATIONAL CONFERENCE ON COGNITIVE INFOCOMMUNICATIONS (COGINFOCOM)》 * |
吴信东 等: "在线社交网络影响力分析", 《计算机学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108092818B (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102413029B (zh) | 基于分解的局部搜索多目标复杂动态网络社区划分方法 | |
CN110428046B (zh) | 神经网络结构的获取方法及装置、存储介质 | |
CN108900333A (zh) | 一种无线网络质量的评估方法及评估装置 | |
CN110363286A (zh) | 神经网络模型的生成方法及装置 | |
CN111612125B (zh) | 一种面向在线学习的新型htm时间池方法及其系统 | |
CN106961343A (zh) | 一种虚拟映射方法及装置 | |
CN108805611A (zh) | 广告筛选方法及装置 | |
CN105099731B (zh) | 挖掘导致网络应用的用户流失的流失因子的方法及系统 | |
CN108563863B (zh) | 城市轨道交通系统的能耗计算与调度方法 | |
CN107046501A (zh) | 用于sdn的路径确定方法、装置、计算机设备及存储介质 | |
WO2021174934A1 (zh) | 联邦模型参数确定方法、装置、设备及计算机存储介质 | |
CN104361462B (zh) | 基于文化基因算法的社交网络影响最大化方法 | |
CN109743286A (zh) | 一种基于图卷积神经网络的ip类型标记方法及设备 | |
Liu et al. | Behavioral study of the surrogate model-aware evolutionary search framework | |
CN109285009A (zh) | 刷单识别方法和刷单识别装置 | |
CN108092818A (zh) | 一种可以提升节点在动态网络终端影响力的智能代理方法 | |
CN116743468A (zh) | 基于强化学习的动态攻击路径生成方法 | |
CN110956199A (zh) | 一种基于采样子图网络的节点分类方法 | |
CN111144243A (zh) | 基于对抗学习的户型图识别方法和装置 | |
CN110610140A (zh) | 人脸识别模型的训练方法、装置、设备及可读存储介质 | |
CN115243270A (zh) | 5g网络规划方法、装置、计算设备和存储介质 | |
CN109992960A (zh) | 一种伪造参数检测方法、装置、电子设备及存储介质 | |
CN115629883A (zh) | 资源预测方法、装置、计算机设备及存储介质 | |
CN115544307A (zh) | 基于关联矩阵的有向图数据特征提取与表达方法和系统 | |
Li et al. | Online coordinated NFV resource allocation via novel machine learning techniques |
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 |