CN108388961A - 基于模块度优化的自适应随机邻居社团划分算法 - Google Patents
基于模块度优化的自适应随机邻居社团划分算法 Download PDFInfo
- Publication number
- CN108388961A CN108388961A CN201810118507.5A CN201810118507A CN108388961A CN 108388961 A CN108388961 A CN 108388961A CN 201810118507 A CN201810118507 A CN 201810118507A CN 108388961 A CN108388961 A CN 108388961A
- Authority
- CN
- China
- Prior art keywords
- node
- network
- algorithm
- corporations
- modularity
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000003252 repetitive effect Effects 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 230000006641 stabilisation Effects 0.000 abstract description 2
- 238000011105 stabilization Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 235000005156 Brassica carinata Nutrition 0.000 description 3
- 244000257790 Brassica carinata Species 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002922 simulated annealing 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明一种基于模块度优化的自适应随机邻居社团划分算法，该算法通过随机抽取部分邻居节点计算模块度增益的方式，将节点挪动到能带来最大模块度增益的社团中，从而对网络进行社团划分。本算法具有准确、稳定、运行速度快、自适应的特点。将本算法、经典Louvain算法和随机邻居Louvain算法在LFR人工基准图网络和多个实证网络上进行验证，并使用模块度、单次运行时间、变异系数、等效运算时间等指标对算法进行评估，结果凸显了本算法的自适应特性和更高的实际应用效率。
Description
技术领域
本发明属于复杂网络中社团划分算法技术领域，具体涉及一种在Louvain经典算法原理的基础上利用小概率事件原理对邻居节点进行抽选的基于模块度优化的自适应随机邻居社团划分算法。
背景技术
复杂网络的研究在近年来得到越来越多的学者的关注。随着人们对复杂网络的研究逐渐深入，人们发现网络中普遍存在一种独特的结构特征，称为社团结构。研究发现，社团结构通常与网络的动力学行为与功能特性紧密相关。对网络进行社团结构分析，是研究复杂网络的重要步骤。
同一个社团的用户之间连接紧密，不同社团的用户之间连接稀疏，是目前普遍采用的对社团结构的描述形式。基于对社团结构这样的定义，Newman等人提出了模块度的概念，M.Girvan,M.E.J.Newman,Community structure in social and biologicalnetworks,Proc.Natl.Acad.Sci.USA 99(12)(2002)7821-7826，用于描述社团划分结果的好坏。模块度越高，划分的结果越好；而最大的模块度所对应的划分即被认为是网络中真实的社团结构。
模块度的提出使图划分问题转变为对目标函数进行优化的问题。对此，学者们提出了若干有效的优化算法。Newman等人提出了一种贪婪算法，M.E.J.Newman,Fastalgorithm for detecting community structure in networks,Phys.Rev.E 69(6)(2004)066133.
用来对模块度进行优化；Guimera等人使用模拟退火算法进行模块度优化，R.Guimera,M.Sales-Pardo,L.A.N.Amaral,Modularity from fluctuations in randomgraphs and complex networks,Phys.Rev.E 70(2)(2004)025101(R).
该算法可以达到很高的准确度，但是运行速度很慢；Blondel等人提出了Louvain算法，Blon del,V.D.,Guillaume,J.L.,Lambiotte,R.,\&Lefebvre,E.(2008).Fastunfolding of communities in large networks.Journal of statistical mechanics:theory and experiment,2008(10),P10008.
该算法可以在近似线性的时间复杂度内得到具有层次性的社团划分，是目前应用最广泛的一种模块度优化算法。
目前，国内外学者对于社团划分算法的研究，主要集中于启发式算法的提出和对算法运行速度的改善方面，而对算法结果的稳定性缺乏关注。然而在实际应用中，研究人员需要社团划分算法能够快速给出一个稳定、准确的划分结果。算法中较强的随机性会使研究人员需要重复进行多次划分才能得到一个相对较好的结果，消除随机性的影响。因此，对算法的准确性、速度和稳定性进行综合考虑，并提出一个快速、稳定、准确的社团划分算法，对研究人员进行网络分析具有重要意义。
发明内容
为了有效解决上述问题，本发明的目的是提供一种基于模块度优化的社团划分算法，以Louvain算法为原型，利用小概率事件原理对邻居节点进行随机抽选，对网络进行社团划分，提高运算速度，提高结果稳定性。
实现本发明目的的具体技术方案是：
一种基于模块度优化的自适应随机邻居社团划分算法，该算法包括以下具体步骤：
a)将一个具体网络抽象为一个由点集V和边集E组成的图G＝(V，E)，网络的节点总数为n，网络的总边数为m；将网络的节点标号设置为i，i＝1，2，…，n；矩阵A为网络的邻接矩阵，Aij为矩阵A中第i行，第j列的元素；节点i和节点j之间有边相连，则Aij＝1，否则Aij＝0；将节点所属社团标号设置为ci(i＝1，2，…，n)；初始时，ci＝i，即每个节点置于一个独立的社团中；ki为节点i的度；pest为变量，初始设其为pest＝1/maxki；
b)随机生成一个不重复的n个整数的排列s＝{sj|sj∈[1，n]，j＝1，2，…，n}，按照该序列的顺序依次对节点i＝sj进行操作，具体包括：
ⅰ)对于节点i＝sj，其邻居个数为li，计算在当前划分中，与i节点相同社团的邻居的个数，即 为当前划分下节点i的同社团邻居比值；若1-p′i＜pest或者p′i＞0.5，则跳过该节点，对节点i＝sj+1进行操作；否则，通过式(1)至式(3)计算Ci，即随机抽取的i节点邻居的个数；其中，为通过朴素思想计算得到的抽取个数，为通过小概率原理计算得到的抽取个数，选取二者中的最小值即为需要对节点i进行随机抽取的邻居个数；
ⅱ)对于节点i的不同社团邻居，即从点集中随机抽取Ci个邻居节点，构成节点集合；对中的每一个节点j，计算并记录若令ci＝cj，模块度变化ΔQj的大小；模块度的计算方式为：
其中，若ci＝cj，δ(ci，cj)，否则，δ(ci，cj)；
ⅲ)从计算得到的ΔQj中，找到最大的模块度增益ΔQmax所对应的邻居节点，记为j′；若ΔQmax＞0，则挪动节点i，即将节点i置于节点j′所在社团中，即令ci＝cj′；否则，不挪动节点，ci值不变；
c)当对所有节点进行过操作后，得到一组ci的值，即各个节点所处的社团，为一个社团划分结果；找到未挪动的节点的p′i的最小值令跳转至步骤b)，重复操作；若在一次步骤b)中，没有节点可以被挪动，则跳转至步骤d)；
d)对网络进行聚合；将网络中同处于一个社团中的节点整体看做一个新的节点，称为超级节点，同社团节点之间的连边看做超级节点的自边，跨社团之间的连边看做对应的超级节点之间的连边，构成一个新的网络；跳转至步骤a)，对新生成的网络进行重复操作，直至在一次步骤a)至步骤c)的迭代中，没有节点可以被挪动，则算法终止。
步骤b)所述步骤ⅲ)中的找到最大模块度增益为：设一个临时变量ΔQtemp，初始ΔQtemp＝0；对中的每一个节点j，依次计算ΔQj，若ΔQj＞ΔQtemp，则令ΔQtemp＝ΔQj；对中的每个节点都计算过后，令ΔQmax＝ΔQtemp。
所述步骤c)中的找到未挪动的节点的p′i的最小值为：设一个临时变量初始对网络中的所有节点依次进行操作，判断节点是否可以被挪动；若节点i没有被挪动，如果则令对网络中的每个节点都操作过后，令
本发明的有益效果：本发明可以通过依次尝试将节点在社团之间进行挪动，找到能够带来最大模块度增益的划分方法，从而实现社团划分。同时，算法使用小概率事件原理对节点的邻居进行随机抽选，既能够降低需要进行尝试计算的次数，提高运算速度，又可以保证将节点挪动至正确的社团中，保证准确度和稳定性。
附图说明
图1为本发明步骤a)图G的示意图；图中，每个节点处于一个单独的社团中；
图2为本发明步骤b)挪动节点示意图；图中，将节点1挪动至节点12所在社团中；虚线表示节点1和节点12同处于一个社团；
图3为本发明迭代重复多次步骤b)后，得到的划分结果图；图中，虚线框中的节点处于同一个社团；
图4为本发明步骤d)将网络进行聚合后，生成的新的网络的邻接矩阵示意图；
图5为本发明最终给出的划分结果示意图；
图6为本发明在LFR人工基准图(不同网络大小)上的测试结果图；(a)模块度比值；(b)加速比值；(c)模块度变异系数；
图7为本发明在LFR人工基准图(不同混合系数)上的测试结果图；(a)模块度比值；(b)加速比值；(c)模块度变异系数；
图8为实证网络数据基本性质图；其中n为网络节点总数，m为网络连边总数，<k>为节点的平均度，kmax为节点度的最大值，c为网络的聚类系数；
图9为本发明在实证网络上的测试结果图；(a)模块度比值；(b)加速比值；(c)模块度变异系数；
图10使用等效运算时间对本发明在LFR人工基准图(不同网络大小)上的测试结果进行分析图；(a)α＝0.995；(b)α＝0.998；(c)α＝1；
图11使用等效运算时间对本发明在LFR人工基准图(不同混合系数)上的测试结果进行分析图；(a)α＝0.995；(b)α＝0.998；(c)α＝1；
图12使用等效运算时间对本发明在实证网络上的测试结果进行分析图；(a)α＝0.995；(b)α＝0.998；(c)α＝1。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及发明优点更加清楚明白，以下结合附图及实施例，对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明为用于网络分析的一种新型社团划分算法—基于模块度优化的自适应随机邻居算法(缩写为RSNL)。作为实施例，本申请将使用空手道俱乐部网络来演示本算法的划分过程。空手道俱乐部网络包含34个节点，78条连边。该网络是用来进行社团划分的一个经典网络。
首先，如图1所示，将空手道俱乐部网络数据集输入本算法后，初始时，所有节点各自处于一个独立的社团当中。之后，随机生成序列s，按照该序列顺序依次对节点进行操作。假设这里生成的序列中，第一个元素为1，也就是说第一个进行操作的节点为节点1。如图2所示，对节点1按步骤b进行操作后，发现若将其挪动至节点12所在社团，带来的模块度增益最大(最大增益为0.0115)，因此将节点1挪动至节点12所在社团。当对所有节点依次进行过操作后，得到一个划分结果。此时，可以重新生成一个序列s，重复步骤b。当所有节点都无法被挪动时，可以得到一组划分结果，如图3所示。此时，执行步骤d，对网络进行聚合，得到一个新的网络。此新网络的邻接矩阵如图4所示。对该网络重复进行划分操作。直至没有节点可以被挪动时，得到最终的一个划分结果，作为算法的输出，如图5所示。
为了对本算法的运行效果进行测试，在LFR人工基准图和实证网络中进行了测试。
为了验证本算法的有效性，作为对比，使用了经典Louvain算法和其改进算法—随机邻居Louvain算法(RNL)。首先在LFR人工基准图上对算法进行验证。使用三种算法分别在网络上运行50次。作为结果，以经典Louvain算法作为基准，展示了本算法和随机邻居Louvain算法和经典Louvain算法相比的模块度比值和加速比值。其中，模块度比值计算方式为：
其中，Qoriginal，QRNL，QRSNL分别为经典Louvain算法、随机邻居Louvain算法和本算法得到的结果的模块度的均值。加速比值计算方式为：
其中，toriginal，tRNL，tRSNL分别为经典Louvain算法、随机邻居Louvain算法和本算法得到的结果的单次运行时间的均值。对于算法稳定性，首先使用了模块度的变异系数作为衡量指标。变异系数的计算方式为：
其中，σx表示一组数据，也就是50次运算结果的模块度的标准差，Ex表示一组数据的均值。变异系数可以反映一组数据的波动大小，体现出算法是否稳定。
还使用了等效运算时间指标来衡量本算法的性能。等效运算时间Te；Te越小，则算法性能越好；该指标可以用于评价任何基于某目标函数H(σ)最优化的社团划分算法的性能；该指标同时考虑了算法的准确性、运算速度和稳定性。其计算方法如下：
a)、对于某给定社团划分算法，其原理为基于某目标函数H(σ)的最优化，即算法试图找到令H(σ)最大(或最小)的划分。使用该社团划分算法，对某给定网络数据集进行社团划分，得到一个划分结果，对应的目标函数值为Hl(σ)，所用运算时间为tl。
b)、用该算法对该网络重复进行h次运算，得到h组结果，结果所对应的目标函数值分别为Hl(σ)，l＝1，2，…，h。令为h次运算的平均运算时间。给定一个目标函数参考值，即Hc(σ)，Nc表示h次实验中，划分结果所对应的目标函数值不低于(或不高于)参考值的次数。即：
Nc＝|{Hl(σ)|Hl(σ)≥Hc(或Nc＝|{Hl(σ)|Hl(σ)≤Hc)
c)、等效运算时间的表达式为：
Te＝t*h/Nc(5)
按照上述描述方法，可以通过一个指标对某一社团划分算法的准确性、稳定性和运算速度进行综合评估，并可依据此指标对多种社团划分算法性能进行横向对比。
作为优选，本算法中使用应用最广泛的目标函数—模块度为式(4)。
图6展示了算法在不同网络大小的LFR人工基准图上的运行结果。由图中可以看出，本算法的准确度高于随机邻居Louvain算法，基本与经典Louvain算法保持一致；本算法的单次运行速度略低于随机邻居Louvain算法，但和经典Louvain算法相比运行速度仍大约为经典算法的1.5倍以上，同时随着网络规模的增大，本算法与随机邻居Louvain算法在单次运行速度上的差异越来越小；随机邻居Louvain算法的随机性影响要显著大于本算法和经典Louvain算法，本算法的随机性与经典算法基本保持一致。这体现出本算法的设计目标—快速、准确、稳定。
图7展示了算法在不同混合系数的LFR人工基准图上的运行结果。当μ＜0.5时，我们可以得到与前面相似的结论。当μ＞0.5时，此时网络中的社团结构并不显著。此时，本算法仍能保持和经典Louvain算法相同的准确性和稳定性，同时运行速度是经典算法的1.5倍左右，而作为对照的随机邻居Louvain算法则在准确性上有着大幅度降低，运行速度大幅下降至低于经典Louvain算法，同时随机性带来的影响也大幅增加。由此可见，本算法在社团结构并不显著的网络上有着很好的表现，体现出该算法的自适应性。
图9展示了算法在实证网络数据上的运行结果。图8是所采用的实证网络数据的基本性质。从图9中可以看到，本算法在保持算法准确性和稳定性方面有着很好的表现，同时单次运行速度虽然略低于随机邻居Louvain算法，但和经典Louvain算法相比仍有一定的提升。
使用本算法所提出的新指标等效运算时间，对三种算法在不同网络上的性能进行了分析。使用的模块度参考值为Qc＝α*QLouvain，其中QLouvain为经典Louvain算法的结果的模块度的均值，α是一个调节的系数。由图10可以看出，当α＝0.995时，三种算法都可以满足要求，在50组实验中得到达到参考值的划分结果，同时本算法的等效运算时间略大于随机邻居Louvain算法，但仍比经典Louvain算法快。当α＝0.998时，对于随机邻居Louvain算法则仅可以在4组网络上获得满足要求的划分结果，而对于其它网络则无法在50次重复实验中获得，从而使其等效运算时间趋于正无穷。相比之下，本算法不仅可以在50次重复实验中获得满足要求的划分结果，而且其等效运行时间还低于经典Louvain算法，有着一定的速度提升。
图11展示了在不同混合系数的LFR人工基准图上三种算法的等效运行时间表现情况。从图中可以很明显地看到，得力于本算法的自适应性，对于μ＞0.5的网络，本算法均可在50次重复实验中找到满足要求的划分结果，同时等效运行时间低于经典Louvain算法。相比之下，随机邻居Louvain算法的表现非常糟糕，几乎无法找到满足要求的结果。
图12展示了本算法和随机邻居算法在实证网络数据上，以等效运算时间作为标准的加速比值。可以看到，作为对照，由于在多数实验中，随机邻居Louvain算法的等效运算时间均趋近于正无穷，其加速比值均为0。相比之下，本算法在绝大多数情况下和经典Louvain算法相比都有一定的提速，即使在α＝1时仍有多组实验的加速比值大于1，体现出本算法在实证网络中优秀的准确性、速度和稳定性。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。
Claims (3)
1.一种基于模块度优化的自适应随机邻居社团划分算法，其特征在于：该算法包括以下具体步骤：
a)将一个具体网络抽象为一个由点集V和边集E组成的图G＝(V，E)，网络的节点总数为n，网络的总边数为m；将网络的节点标号设置为i，i＝1，2，…，n；矩阵A为网络的邻接矩阵，Aij为矩阵A中第i行，第j列的元素；若节点i和节点j之间有边相连，则Aij＝1，否则Aij＝0；将节点所属社团标号设置为ci(i＝1，2，…，n)；初始时，ci＝i，即每个节点置于一个独立的社团中；ki为节点f的度；pest为变量，初始设其为pest＝1/max ki；
b)随机生成一个不重复的n个整数的排列s＝{sj|sj∈[1，n]，j＝1，2，…，n)，按照该序列的顺序依次对节点i＝sj进行操作，具体包括：
i)对于节点i＝si，其邻居个数为li，计算在当前划分中，与i节点相同社团的邻居的个数，即为当前划分下节点i的同社团邻居比值；若1-p′i<pest或者p′i>0.5，则跳过该节点，对节点f＝sj+1进行操作；否则，通过式(1)至式(3)计算Ci，即随机抽取的f节点邻居的个数；其中，为通过朴素思想计算得到的抽取个数，为通过小概率原理计算得到的抽取个数，选取二者中的最小值即为需要对节点f进行随机抽取的邻居个数；
ii)对于节点f的不同社团邻居，即从点集中随机抽取Ci个邻居节点，构成节点集合；对中的每一个节点j，计算并记录若令ci＝cj，模块度变化△Qj的大小；模块度的计算方式为：
其中，若ci＝cj，δ(ci，cj)＝1，否则，δ(ci，cj)＝0；
iii)从计算得到的△Qj中，找到最大的模块度增益△Qmax所对应的邻居节点，记为j′；若△Qmax＞0，则挪动节点i，即将节点i置于节点j′所在社团中，即令ci＝cj′；否则，不挪动节点，ci值不变；
c)当对所有节点进行过操作后，得到一组ci的值，即各个节点所处的社团，为一个社团划分结果；找到未挪动的节点的p′i的最小值令跳转至步骤b)，重复操作；若在一次步骤b)中，没有节点可以被挪动，则跳转至步骤d)；
d)对网络进行聚合；将网络中同处于一个社团中的节点整体看做一个新的节点，称为超级节点，同社团节点之间的连边看做超级节点的自边，跨社团之间的连边看做对应的超级节点之间的连边，构成一个新的网络；跳转至步骤a)，对新生成的网络进行重复操作，直至在一次步骤a)至步骤c)的迭代中，没有节点可以被挪动，则算法终止。
2.根据权利要求l所述的一种基于模块度优化的自适应随机邻居社团划分算法，其特征在于：步骤b)所述步骤iii)中的找到最大模块度增益为：设一个临时变量△Qtemp，初始△Qtemp＝0；对中的每一个节点j，依次计算△Qj，若△Qj>△Qtemp，则令△Qtemp＝△Qj；对中的每个节点都计算过后，令△Qmax＝△Qtemp。
3.根据权利要求l所述的一种基于模块度优化的自适应随机邻居社团划分算法，其特征在于：所述步骤c)中的找到未挪动的节点的p′i的最小值为：设一个临时变量初始对网络中的所有节点依次进行操作，判断节点是否可以被挪动；若节点f没有被挪动，如果则令对网络中的每个节点都操作过后，令
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810118507.5A CN108388961A (zh) | 2018-02-06 | 2018-02-06 | 基于模块度优化的自适应随机邻居社团划分算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810118507.5A CN108388961A (zh) | 2018-02-06 | 2018-02-06 | 基于模块度优化的自适应随机邻居社团划分算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108388961A true CN108388961A (zh) | 2018-08-10 |
Family
ID=63075233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810118507.5A Pending CN108388961A (zh) | 2018-02-06 | 2018-02-06 | 基于模块度优化的自适应随机邻居社团划分算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108388961A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109410577A (zh) * | 2018-11-09 | 2019-03-01 | 东北林业大学 | 基于空间数据挖掘的自适应交通控制子区划分方法 |
| CN111949306A (zh) * | 2020-07-06 | 2020-11-17 | 北京大学 | 一种支持开源项目碎片化学习的推送方法和系统 |
| CN113052408A (zh) * | 2019-12-10 | 2021-06-29 | 杭州海康威视数字技术股份有限公司 | 一种社区聚合的方法及装置 |
| CN114118094A (zh) * | 2021-11-12 | 2022-03-01 | 国网天津市电力公司 | 一种基于非负矩阵分解的语义社团发现方法 |
-
2018
- 2018-02-06 CN CN201810118507.5A patent/CN108388961A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109410577A (zh) * | 2018-11-09 | 2019-03-01 | 东北林业大学 | 基于空间数据挖掘的自适应交通控制子区划分方法 |
| CN109410577B (zh) * | 2018-11-09 | 2020-10-09 | 东北林业大学 | 基于空间数据挖掘的自适应交通控制子区划分方法 |
| CN113052408A (zh) * | 2019-12-10 | 2021-06-29 | 杭州海康威视数字技术股份有限公司 | 一种社区聚合的方法及装置 |
| CN113052408B (zh) * | 2019-12-10 | 2024-02-23 | 杭州海康威视数字技术股份有限公司 | 一种社区聚合的方法及装置 |
| CN111949306A (zh) * | 2020-07-06 | 2020-11-17 | 北京大学 | 一种支持开源项目碎片化学习的推送方法和系统 |
| CN114118094A (zh) * | 2021-11-12 | 2022-03-01 | 国网天津市电力公司 | 一种基于非负矩阵分解的语义社团发现方法 |
| CN114118094B (zh) * | 2021-11-12 | 2024-05-24 | 国网天津市电力公司 | 一种基于非负矩阵分解的语义社团发现方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
| Abd Elaziz et al. | A Grunwald–Letnikov based Manta ray foraging optimizer for global optimization and image segmentation | |
| CN108388961A (zh) | 基于模块度优化的自适应随机邻居社团划分算法 | |
| Rezk et al. | A robust parameter estimation approach based on stochastic fractal search optimization algorithm applied to solar PV parameters | |
| Yuan et al. | Parameter extraction of solar cell models using chaotic asexual reproduction optimization | |
| Liu et al. | Community detection in large-scale bipartite networks | |
| Ozaki et al. | A simple acceleration method for the Louvain algorithm | |
| CN111898730A (zh) | 一种利用图卷积神经网络结构加速的结构优化设计方法 | |
| CN108564592A (zh) | 基于动态多种群集成差分进化算法的图像分割方法 | |
| Li et al. | A spectral clustering-based adaptive hybrid multi-objective harmony search algorithm for community detection | |
| CN113344174A (zh) | 基于概率分布的高效神经网络结构搜索方法 | |
| CN106569954A (zh) | 一种基于kl散度的多源软件缺陷预测方法 | |
| CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
| Pan et al. | Neural architecture search based on evolutionary algorithms with fitness approximation | |
| Zhang et al. | Particle swarm optimization based deep learning architecture search for hyperspectral image classification | |
| CN109472712A (zh) | 一种基于结构特征强化的高效马尔可夫随机场社团发现方法 | |
| He et al. | A fast simulated annealing strategy for community detection in complex networks | |
| CN113780146B (zh) | 基于轻量化神经架构搜索的高光谱图像分类方法及系统 | |
| CN111415265A (zh) | 生成式对抗网络的社交关系数据生成方法 | |
| CN109697511B (zh) | 数据推理方法、装置及计算机设备 | |
| CN113221964B (zh) | 单样本图像分类方法、系统、计算机设备及存储介质 | |
| CN115001978A (zh) | 一种基于强化学习模型的云租户虚拟网络智能映射方法 | |
| CN111639463B (zh) | 一种基于XGBoost算法的电力系统扰动后频率特征预测方法 | |
| Ji et al. | Fast progressive differentiable architecture search based on adaptive task granularity reorganization | |
| Ye et al. | An image enhancement optimization method based on differential evolution algorithm and cuckoo search through serial coupled mode |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190515 Address after: 200433 No. 220, Handan Road, Shanghai, Yangpu District Applicant after: Fudan University Address before: No. 500 Dongchuan Road, Minhang District, Shanghai, 200241 Applicant before: East China Normal University |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180810 |
|
| RJ01 | Rejection of invention patent application after publication |