CN108400887B - 符号网络的结构识别方法及装置 - Google Patents

符号网络的结构识别方法及装置 Download PDF

Info

Publication number
CN108400887B
CN108400887B CN201810067106.1A CN201810067106A CN108400887B CN 108400887 B CN108400887 B CN 108400887B CN 201810067106 A CN201810067106 A CN 201810067106A CN 108400887 B CN108400887 B CN 108400887B
Authority
CN
China
Prior art keywords
network
matrix
block
indication
node
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
Application number
CN201810067106.1A
Other languages
English (en)
Other versions
CN108400887A (zh
Inventor
赵学华
陈慧灵
谭旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dragon Totem Technology Hefei Co ltd
Original Assignee
Shenzhen Institute of Information Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Information Technology filed Critical Shenzhen Institute of Information Technology
Priority to CN201810067106.1A priority Critical patent/CN108400887B/zh
Publication of CN108400887A publication Critical patent/CN108400887A/zh
Application granted granted Critical
Publication of CN108400887B publication Critical patent/CN108400887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2133—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on naturality criteria, e.g. with non-negative factorisation or negative correlation
    • 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
    • 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
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明属于模式识别技术领域，尤其涉及符号网络的结构识别方法及装置，通过获取符号网络的网络邻接矩阵；计算所述网络节点与所述网络块的对应关系，并根据所述网络节点与所述网络块的对应关系，计算网络块之间各类连接类型的连接概率；并最终根据网络块之间各类连接类型的连接概率，识别不止一类符号网络的结构，以提高识别符号网络的结构的效率。

Description

符号网络的结构识别方法及装置
技术领域
本发明属于模式识别技术领域，尤其涉及符号网络的结构识别方法及装置。
背景技术
近年来，符号网络被更多的应用到互联网等技术中，符号网络与其他的网络相比，其网络节点与网络节点之间的连接具有正负属性，因此符号网络可以用于表示个体间的积极和消极关系。例如社交网络中，正向连接可以表示友好、喜欢以及信任等关系，反向连接可以表示敌对、不喜欢以及不信任等关系。在符号网络的研究中，符号网络内网络块的结构分析是符号网络的重要研究内容，其有助于发现符号网络背后隐含的规律。
然而当前各类结构识别方法，对于自耦合网络块即社区结构的识别的时间复杂度较高，难以快速准确的识别出网络中的社区结构，此外更为重要的是，当前的各类结构识别方法往往仅能实现对社区结构的自动识别，而无法对其它结构进行自动识别，所以导致结构识别的自动化程度较低。
发明内容
有鉴于此，本发明实施例提供了符号网络的结构识别方法及装置，以解决现有技术难以对符号网络多类结构同时识别的问题。
本发明实施例的第一方面提供了一种符号网络的结构识别方法，包括：
获取所述符号网络的网络邻接矩阵，所述符号网络包括多个网络块，所述网络块包括多个网络节点；
通过所述网络邻接矩阵，计算所述网络节点与所述网络块的对应关系，并根据所述网络节点与所述网络块的对应关系，计算网络块之间各类连接类型的连接概率；
通过所述网络块之间各类连接类型的连接概率，识别所述符号网络的结构。
本发明实施例的第二方面提供了一种符号网络的结构识别装置，包括：
获取模块，用于获取所述符号网络的网络邻接矩阵，所述符号网络包括多个网络块，所述网络块包括多个网络节点；
总计算模块，用于通过所述网络邻接矩阵，计算所述网络节点与所述网络块的对应关系，并根据所述网络节点与所述网络块的对应关系，计算网络块之间各类种连接类型的连接概率；通过所述网络块之间各类种连接类型的连接概率，识别所述符号网络的结构。
本发明实施例的第三方面提供了一种符号网络的结构识别终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如下符号网络的结构识别方法的步骤：
获取所述符号网络的网络邻接矩阵，所述符号网络包括多个网络块，所述网络块包括多个网络节点；
通过所述网络邻接矩阵，计算所述网络节点与所述网络块的对应关系，并根据所述网络节点与所述网络块的对应关系，计算网络块之间各类连接类型的连接概率；
通过所述网络块之间各类连接类型的连接概率，识别所述符号网络的结构。
进一步地，所述通过所述网络邻接矩阵，计算所述网络节点与所述网络块的对应关系，并根据所述网络节点与所述网络块的对应关系，计算网络块之间各类连接类型的连接概率；通过所述网络块与网络块的各类连接类型的连接概率，识别所述符号网络中的结构，包括：
调取用于识别所述符号网络的结构的网络识别模型，并初始化所述网络识别模型的参数；所述网络识别模型包含的参数包括：网络节点数、网络块数、网络节点到网络块的指示矩阵、网络块与网络块的连接概率矩阵以及网络块的节点占有比例向量，所述网络节点到网络块的指示矩阵用于表示网络节点与所述网络块的对应关系，所述网络块与网络块的连接概率矩阵用于表示网络块之间各类连接类型的连接概率；
利用所述网络识别模型计算出所述指示矩阵的各个元素，并对所述指示矩阵的各个元素进行标准化运算，生成指示标准化矩阵；
根据所述指示标准化矩阵以及所述网络邻接矩阵，对所述连接概率矩阵进行更新；
对所述节点占有比例向量以及所述指示标准化矩阵进行更新；
若更新后的所述指示标准化矩阵与更新前的所述指示标准化矩阵的差值的二阶范数，大于预设的差值阈值，则返回执行利用所述网络识别模型计算出指示矩阵的各个元素，并对所述指示矩阵的各个元素进行标准化运算，生成指示标准化矩阵的步骤；
若更新后的所述指示标准化矩阵与更新前的所述指示标准化矩阵的差值的二阶范数，小于或等于预设的差值阈值，则输出更新后的所述连接概率矩阵；
根据更新后的所述连接概率矩阵，计算各类连接类型的比例，并基于所述连接类型的比例识别所述网络的结构。
进一步地，所述指示矩阵的计算公式，包括：
Figure GDA0002813832470000031
其中，τil为网络节点i到网络块l的指示矩阵元素，ωl为网络块l的节点占有比例向量元素，n为网络节点数，j为网络节点的一个节点序号，i为网络节点的一个节点序号，k为网络块数，q为网络块的一个块序号，l为网络块的一个块序号，
Figure GDA0002813832470000032
为伽马函数，δ()表示泛函的变分，h为连接类型，αij为网络节点i到网络节点j的网络邻接矩阵元素，ηlqh为网络块l与网络块q以h连接类型连接的连接概率矩阵元素。
进一步地，所述根据所述指示标准化矩阵以及所述网络邻接矩阵，对当前的所述连接概率矩阵进行更新，包括：
通过公式：
Figure GDA0002813832470000041
对当前的所述连接概率矩阵进行更新，其中，ηlqh为更新后的网络块l与网络块q以h连接类型连接的连接概率矩阵元素，η′lqh为当前的网络块l与网络块q以h连接类型连接的连接概率矩阵元素，j为网络节点的一个节点序号，i为网络节点的一个节点序号，q为网络块的一个块序号，l为网络块的一个块序号，τil为网络节点i到网络块l的指示矩阵元素，τjq为网络节点j到网络块q的指示矩阵元素，δ()表示泛函的变分，h为连接类型，αij为网络节点i到网络节点j的网络邻接矩阵元素。
进一步地，所述节点占有比例向量包括网络块的块序号与网络块所占节点的比例的对应关系；所述指示标准化矩阵包括网络块的块序号与网络节点的节点序号的映射关系；
所述对所述节点占有比例向量以及所述指示标准化矩阵进行更新，包括：
根据当前的所述指示标准化矩阵，通过公式：
Figure GDA0002813832470000042
对所述节点占有比例向量进行第一次更新，生成第一节点占有比例向量，其中ωq为网络块q的节点占有比例向量元素，n为所述网络节点数，i为网络节点的节点序号，τiq为网络节点i到网络块q的指示标准化矩阵元素；
在所述第一节点占有比例向量中查找元素值为0的元素对应的块序号，作为无效块序号；
删除所述第一节点占有比例向量中元素值为0的元素，以更新所述节点占有比例向量；
删除当前的所述指示标准化矩阵中所述无效块序号对应的列向量，以更新所述指示标准化矩阵。
进一步地，所述根据更新后的所述连接概率矩阵，计算各类连接类型的比例，并基于所述连接类型的比例识别所述网络的结构，包括：
通过公式
Figure GDA0002813832470000043
计算网络块与网络块之间的各类连接类型的比例矩阵的元素，其中，所述h为连接类型；πqlh为网络块q与网络块l之间的以h连接类型连接的比例，ηlqh为当前的网络块q与网络块l以h连接类型连接的连接概率矩阵元素；
若所述比例矩阵中的元素满足πqq1＞πqq2且
Figure GDA0002813832470000051
且q≠l，则识别网络块q为社区结构，其中，所述πqq1为网络块q与网络块q之间的正向连接的连接的比例，所述πqq2为网络块q与网络块q之间的反向连接的连接的比例，所述πql1为网络块q与网络块l之间的正向连接的连接的比例；
若所述比例矩阵中的元素满足πql1＞πqq1且πql1＞πll1且πql1＞πql2且q≠l，则识别网络块q与网络块l组成二分结构，其中，所述πql1为网络块q与网络块l之间的正向连接的连接的比例，所述πll1为网络块l与网络块l之间的正向连接的连接的比例，所述πql2为网络块q与网络块l之间的反向连接的连接的比例。
本发明实施例的第四方面提供了一种符号网络的结构识别终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如下符号网络的结构识别方法的步骤：
获取所述符号网络的网络邻接矩阵，所述符号网络包括多个网络块，所述网络块包括多个网络节点；
通过所述网络邻接矩阵，计算所述网络节点与所述网络块的对应关系，并根据所述网络节点与所述网络块的对应关系，计算网络块之间各类连接类型的连接概率；
通过所述网络块之间各类连接类型的连接概率，识别所述符号网络的结构。
进一步地，所述通过所述网络邻接矩阵，计算所述网络节点与所述网络块的对应关系，并根据所述网络节点与所述网络块的对应关系，计算网络块之间各类连接类型的连接概率；通过所述网络块与网络块的各类连接类型的连接概率，识别所述符号网络中的结构，包括：
调取用于识别所述符号网络的结构的网络识别模型，并初始化所述网络识别模型的参数；所述网络识别模型包含的参数包括：网络节点数、网络块数、网络节点到网络块的指示矩阵、网络块与网络块的连接概率矩阵以及网络块的节点占有比例向量，所述网络节点到网络块的指示矩阵用于表示网络节点与所述网络块的对应关系，所述网络块与网络块的连接概率矩阵用于表示网络块之间各类连接类型的连接概率；
利用所述网络识别模型计算出所述指示矩阵的各个元素，并对所述指示矩阵的各个元素进行标准化运算，生成指示标准化矩阵；
根据所述指示标准化矩阵以及所述网络邻接矩阵，对所述连接概率矩阵进行更新；
对所述节点占有比例向量以及所述指示标准化矩阵进行更新；
若更新后的所述指示标准化矩阵与更新前的所述指示标准化矩阵的差值的二阶范数，大于预设的差值阈值，则返回执行利用所述网络识别模型计算出指示矩阵的各个元素，并对所述指示矩阵的各个元素进行标准化运算，生成指示标准化矩阵的步骤；
若更新后的所述指示标准化矩阵与更新前的所述指示标准化矩阵的差值的二阶范数，小于或等于预设的差值阈值，则输出更新后的所述连接概率矩阵；
根据更新后的所述连接概率矩阵，计算各类连接类型的比例，并基于所述连接类型的比例识别所述网络的结构。
进一步地，所述指示矩阵的计算公式，包括：
Figure GDA0002813832470000061
其中，τil为网络节点i到网络块l的指示矩阵元素，ωl为网络块l的节点占有比例向量元素，n为网络节点数，j为网络节点的一个节点序号，i为网络节点的一个节点序号，k为网络块数，q为网络块的一个块序号，l为网络块的一个块序号，
Figure GDA0002813832470000062
为伽马函数，δ()表示泛函的变分，h为连接类型，αij为网络节点i到网络节点j的网络邻接矩阵元素，ηlqh为网络块l与网络块q以h连接类型连接的连接概率矩阵元素。
进一步地，所述根据所述指示标准化矩阵以及所述网络邻接矩阵，对当前的所述连接概率矩阵进行更新，包括：
通过公式：
Figure GDA0002813832470000071
对当前的所述连接概率矩阵进行更新，其中，ηlqh为更新后的网络块l与网络块q以h连接类型连接的连接概率矩阵元素，η′lqh为当前的网络块l与网络块q以h连接类型连接的连接概率矩阵元素，j为网络节点的一个节点序号，i为网络节点的一个节点序号，q为网络块的一个块序号，l为网络块的一个块序号，τil为网络节点i到网络块l的指示矩阵元素，τjq为网络节点j到网络块q的指示矩阵元素，δ()表示泛函的变分，h为连接类型，αij为网络节点i到网络节点j的网络邻接矩阵元素。
进一步地，所述节点占有比例向量包括网络块的块序号与网络块所占节点的比例的对应关系；所述指示标准化矩阵包括网络块的块序号与网络节点的节点序号的映射关系；
所述对所述节点占有比例向量以及所述指示标准化矩阵进行更新，包括：
根据当前的所述指示标准化矩阵，通过公式：
Figure GDA0002813832470000072
对所述节点占有比例向量进行第一次更新，生成第一节点占有比例向量，其中ωq为网络块q的节点占有比例向量元素，n为所述网络节点数，i为网络节点的节点序号，τiq为网络节点i到网络块q的指示标准化矩阵元素；
在所述第一节点占有比例向量中查找元素值为0的元素对应的块序号，作为无效块序号；
删除所述第一节点占有比例向量中元素值为0的元素，以更新所述节点占有比例向量；
删除当前的所述指示标准化矩阵中所述无效块序号对应的列向量，以更新所述指示标准化矩阵。
进一步地，所述根据更新后的所述连接概率矩阵，计算各类连接类型的比例，并基于所述连接类型的比例识别所述网络的结构，包括：
通过公式
Figure GDA0002813832470000073
计算网络块与网络块之间的各类连接类型的比例矩阵的元素，其中，所述h为连接类型；πqlh为网络块q与网络块l之间的以h连接类型连接的比例，ηlqh为当前的网络块q与网络块l以h连接类型连接的连接概率矩阵元素；
若所述比例矩阵中的元素满足πqq1＞πqq2且
Figure GDA0002813832470000081
且q≠l，则识别网络块q为社区结构，其中，所述πqq1为网络块q与网络块q之间的正向连接的连接的比例，所述πqq2为网络块q与网络块q之间的反向连接的连接的比例，所述πql1为网络块q与网络块l之间的正向连接的连接的比例；
若所述比例矩阵中的元素满足πql1＞πqq1且πql1＞πll1且πql1＞πql2且q≠l，则识别网络块q与网络块l组成二分结构，其中，所述πql1为网络块q与网络块l之间的正向连接的连接的比例，所述πll1为网络块l与网络块l之间的正向连接的连接的比例，所述πql2为网络块q与网络块l之间的反向连接的连接的比例。
本发明实施例与现有技术相比存在的有益效果是：通过获取符号网络的网络邻接矩阵；计算所述网络节点与所述网络块的对应关系，并根据所述网络节点与所述网络块的对应关系，计算网络块之间各类连接类型的连接概率；并最终根据网络块之间各类连接类型的连接概率，识别不止一类类符号网络的结构，以提高识别符号网络的结构的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的符号网络的结构识别方法的实现流程图；
图2是本发明实施例提供的符号网络的结构识别方法S102的实现流程图；
图3是本发明实施例提供的符号网络的结构识别方法S104的实现流程图
图4是本发明实施例提供的符号网络的结构识别装置的结构框图；
图5是本发明实施例提供的符号网络的结构识别终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一
图1示出了本发明实施例一提供的符号网络的结构识别方法的实现流程，包括步骤S101-S102，详述如下：
步骤S101，获取所述符号网络的网络邻接矩阵，所述符号网络包括多个网络块，所述网络块包括多个网络节点。
可以理解地，一个符号网络是由多个网络节点组成的，而不同的网络节点又可能形成一个个符号网络之下的网络块。在符号网络中，网络节点与网络节点之间的连接关系分为：正向连接，负向连接以及无连接，而网络邻接矩阵就是用于描述符号网络中网络节点与网络节点之间的连接关系的。
在本发明实施例中，需要首先获取这个网络邻接矩阵，以作为后续识别的基础。
步骤S102，通过所述网络邻接矩阵，计算所述网络节点与所述网络块的对应关系，并根据所述网络节点与所述网络块的对应关系，计算网络块之间各类连接类型的连接概率，通过所述网络块之间各类连接类型的连接概率，识别所述符号网络的结构。
在本发明实施例中，首先需要根据网络邻接矩阵，计算出网络快之间各类连接类型的连接概率，其中连接类型包括：正向连接、负向连接以及无连接，随后需要进一步的计算网络块之间各类连接概率的比例，以识别符合网络的结构。
作为本发明的一个实施例，图2示出了本发明实施例提供的符号网络的结构识别方法S102的具体实现流程，详述如下：
S1021，调取用于识别所述符号网络的结构的网络识别模型，并初始化所述网络识别模型的参数。
所述网络识别模型包含的参数包括：网络节点数、网络块数、网络节点到网络块的指示矩阵、网络块与网络块的连接概率矩阵以及网络块的节点占有比例向量，所述网络节点到网络块的指示矩阵用于表示网络节点与所述网络块的对应关系，所述网络块与网络块的连接概率矩阵用于表示网络块之间各类连接类型的连接概率。
具体地，虽然所述网络识别模型包含多类参数，但是在初始化网络识别模型的参数的过程中，只需要为连接概率矩阵中的各个元素赋予预设的连接概率初始值，为所述节点占有比例向量中的各个元素赋予预设的占有比例初始值，再结合网络邻接矩阵，就可以进行后续的计算。
可选地，根据网络识别模型的定义，其完整数据的对数似然如下：
Figure GDA0002813832470000101
其中，τil为网络节点i到网络块l的指示矩阵元素，ωl为网络块l的节点占有比例向量元素，n为网络节点数，j为网络节点的一个节点序号，i为网络节点的一个节点序号，k为网络块数，q为网络块的一个块序号，l为网络块的一个块序号，
Figure GDA0002813832470000102
为伽马函数，δ()表示泛函的变分，h为连接类型，αij为网络节点i到网络节点j的网络邻接矩阵元素，ηlqh为网络块l与网络块q以h连接类型连接的连接概率矩阵元素。
S1022，利用所述网络识别模型计算出所述指示矩阵的各个元素，并对所述指示矩阵的各个元素进行标准化运算，生成指示标准化矩阵。
在本发明实施例中，在已知网络识别模型的对数似然公式之后，可以假设ηlqh即网络块l与网络块q以h连接类型连接的连接概率矩阵元素的先验分布为(ηlq1，ηlq2，ηlq3)的狄雷克利分布，ωl中的元素也符合狄雷克利分布，则基于变分近似，可以推导出计算指示矩阵的计算公式如下：
Figure GDA0002813832470000111
其中，τil为网络节点i到网络块l的指示矩阵元素，ωl为网络块l的节点占有比例向量元素，n为网络节点数，j为网络节点的一个节点序号，i为网络节点的一个节点序号，k为网络块数，q为网络块的一个块序号，l为网络块的一个块序号，
Figure GDA0002813832470000112
为伽马函数，δ()表示泛函的变分，h为连接类型，αij为网络节点i到网络节点j的网络邻接矩阵元素，ηlqh为网络块l与网络块q以h连接类型连接的连接概率矩阵元素。
进一步地，通过公式：
Figure GDA0002813832470000113
对指示矩阵中的各个元素进行标准化计算，以生成指示标准化矩阵中的各个元素，其中，τil’标识表示指示标准化矩阵中的元素，τil表示指示矩阵中的元素。
S1023，根据所述指示标准化矩阵以及所述网络邻接矩阵，对所述连接概率矩阵进行更新。
具体地，通过公式：
Figure GDA0002813832470000114
对当前的所述连接概率矩阵进行更新，其中，ηlqh为更新后的网络块l与网络块q以h连接类型连接的连接概率矩阵元素，η′lqh为当前的网络块l与网络块q以h连接类型连接的连接概率矩阵元素，j为网络节点的一个节点序号，i为网络节点的一个节点序号，q为网络块的一个块序号，l为网络块的一个块序号，τil为网络节点i到网络块l的指示矩阵元素，τjq为网络节点j到网络块q的指示矩阵元素，δ()表示泛函的变分，h为连接类型，αij为网络节点i到网络节点j的网络邻接矩阵元素。
S1024，对所述节点占有比例向量以及所述指示标准化矩阵进行更新。
所述节点占有比例向量包括网络块的块序号与网络块所占节点的比例的对应关系；所述指示标准化矩阵包括网络块的块序号与网络节点的节点序号的映射关系。
进一步地，作为本发明的一个实施例，图3示出了本发明实施例提供的符号网络的结构识别方法S1024的具体实现流程，详述如下：
S10241，根据当前的所述指示标准化矩阵，通过更新公式对所述节点占有比例向量进行第一次更新，生成第一节点占有比例向量；
所述更新公式为：：
Figure GDA0002813832470000121
其中ωq为网络块q的节点占有比例向量元素，n为所述网络节点数，i为网络节点的节点序号，τiq为网络节点i到网络块q的指示标准化矩阵元素。
S10242，在所述第一节点占有比例向量中查找元素值为0的元素对应的块序号，作为无效块序号。
可以理解地，在第一节点占有比例向量中，可能出现元素值为0的元素，即该元素对应的网络块在理论上不占有任何一个网络节点，在本步骤中，需要找出这些不占有任何一个网络节点的网络快，并将这些网络快的序号作为无效块序号。
S10243，删除所述第一节点占有比例向量中元素值为0的元素，以更新所述节点占有比例向量。
S10244，删除当前的所述指示标准化矩阵中所述无效块序号对应的列向量，以更新所述指示标准化矩阵。
在本发明实施例中，通过上述方法对节点占有比例向量以及所述指示标准化矩阵进行更新，使得计算出的参数越来越接近真实情况。
S1025，若更新后的所述指示标准化矩阵与更新前的所述指示标准化矩阵的差值的二阶范数，大于预设的差值阈值，则返回执行利用所述网络识别模型计算出指示矩阵的各个元素，并对所述指示矩阵的各个元素进行标准化运算，生成指示标准化矩阵的步骤。
S1026，若更新后的所述指示标准化矩阵与更新前的所述指示标准化矩阵的差值的二阶范数，小于或等于预设的差值阈值，则输出更新后的所述连接概率矩阵。
S1027，根据更新后的所述连接概率矩阵，计算各类连接类型的比例，并基于所述连接类型的比例识别所述网络的结构。
具体地，通过公式
Figure GDA0002813832470000131
计算网络块与网络块之间的各类连接类型的比例矩阵的元素，其中，所述h为连接类型；πqlh为网络块q与网络块l之间的以h连接类型连接的比例，ηlqh为当前的网络块q与网络块l以h连接类型连接的连接概率矩阵元素。
若所述比例矩阵中的元素满足πqq1＞πqq2且
Figure GDA0002813832470000132
且q≠l，则识别网络块q为社区结构，其中，所述πqq1为网络块q与网络块q之间的正向连接的连接的比例，所述πqq2为网络块q与网络块q之间的反向连接的连接的比例，所述πql1为网络块q与网络块l之间的正向连接的连接的比例。
可以理解地，由于社区结构为一个网络块自耦合形成的结构，所以该网络快对应的自身与自身的正向连接概率大于自己与自己的负向连接概率，并且大于任何一个与其他网络块正向连接的概率。
若所述比例矩阵中的元素满足πql1＞πqq1且πql1＞πll1且πql1＞πql2且q≠l，则识别网络块q与网络块l组成二分结构，其中，所述πql1为网络块q与网络块l之间的正向连接的连接的比例，所述πll1为网络块l与网络块l之间的正向连接的连接的比例，所述πql2为网络块q与网络块l之间的反向连接的连接的比例。
可以理解地，由于二分结构，是由两个正向连接非常紧密的网络块形成的结构，所以形成二分结构的两个网络块之间的正向连接概率分别大于两个网络快与自身的正向连接概率。
在本发明实施例中，通过获取符号网络的网络邻接矩阵；计算所述网络节点与所述网络块的对应关系，并根据所述网络节点与所述网络块的对应关系，计算网络块之间各类连接类型的连接概率；并最终根据网络块之间各类连接类型的连接概率，识别不止一类类符号网络的结构，以提高识别符号网络的结构的效率。
对应于上文的符号网络的结构识别方法，图3示出了本发明实施例提供的符号网络的结构识别装置的结构框图。
参照图4，该装置包括：
获取模块401，用于获取所述符号网络的网络邻接矩阵，所述符号网络包括多个网络块，所述网络块包括多个网络节点；
总计算模块402，用于通过所述网络邻接矩阵，计算所述网络节点与所述网络块的对应关系，并根据所述网络节点与所述网络块的对应关系，计算网络块之间各类种连接类型的连接概率；通过所述网络块之间各类种连接类型的连接概率，识别所述符号网络的结构。
进一步地，所述总计算模块，包括：
调取子模块，用于调取用于识别所述符号网络的结构的网络识别模型，并初始化所述网络识别模型的参数；所述网络识别模型包含的参数包括：网络节点数、网络块数、网络节点到网络块的指示矩阵、网络块与网络块的连接概率矩阵以及网络块的节点占有比例向量，所述网络节点到网络块的指示矩阵用于表示网络节点与所述网络块的对应关系，所述网络块与网络块的连接概率矩阵用于表示网络块之间各类连接类型的连接概率；
矩阵计算子模块，用于利用所述网络识别模型计算出指示矩阵的各个元素，并对所述指示矩阵的各个元素进行标准化运算，生成指示标准化矩阵；
第一更新子模块，用于根据所述指示标准化矩阵以及所述网络邻接矩阵，对所述连接概率矩阵进行更新；
第二更新子模块，用于对所述节点占有比例向量以及所述指示标准化矩阵进行更新；
第一执行子模块，用于若更新后的所述指示标准化矩阵与更新前的所述指示标准化矩阵的差值的二阶范数，大于预设的差值阈值，则返回执行利用所述网络识别模型计算出指示矩阵的各个元素，并对所述指示矩阵的各个元素进行标准化运算，生成指示标准化矩阵的步骤；
第二执行子模块，用于若更新后的所述指示标准化矩阵与更新前的所述指示标准化矩阵的差值的二阶范数，小于或等于预设的差值阈值，则输出更新后的所述连接概率矩阵；
识别子模块，用于根据更新后的所述连接概率矩阵，计算各种连接类型的比例，并基于所述连接类型的比例识别所述网络的结构。
进一步地，指示矩阵的计算公式，包括：
Figure GDA0002813832470000151
其中，τil为网络节点i到网络块l的指示矩阵元素，ωl为网络块l的节点占有比例向量元素，n为网络节点数，j为网络节点的一个节点序号，i为网络节点的一个节点序号，k为网络块数，q为网络块的一个块序号，l为网络块的一个块序号，
Figure GDA0002813832470000152
为伽马函数，δ()表示泛函的变分，h为连接类型，αij为网络节点i到网络节点j的网络邻接矩阵元素，ηlqh为网络块l与网络块q以h连接类型连接的连接概率矩阵元素。
进一步地，第一更新子模块，具体用于：
通过公式：
Figure GDA0002813832470000153
对当前的所述连接概率矩阵进行更新，其中，ηlqh为更新后的网络块l与网络块q以h连接类型连接的连接概率矩阵元素，η′lqh为当前的网络块l与网络块q以h连接类型连接的连接概率矩阵元素，j为网络节点的一个节点序号，i为网络节点的一个节点序号，q为网络块的一个块序号，l为网络块的一个块序号，τil为网络节点i到网络块l的指示矩阵元素，τjq为网络节点j到网络块q的指示矩阵元素，δ()表示泛函的变分，h为连接类型，αij为网络节点i到网络节点j的网络邻接矩阵元素。
进一步地，所述节点占有比例向量包括网络块的块序号与网络块所占节点的比例的对应关系；所述指示标准化矩阵包括网络块的块序号与网络节点的节点序号的映射关系。
进一步地，第二更新子模块，具体用于：
根据当前的所述指示标准化矩阵，通过公式：
Figure GDA0002813832470000161
对所述节点占有比例向量进行第一次更新，生成第一节点占有比例向量，其中ωq为网络块q的节点占有比例向量元素，n为所述网络节点数，i为网络节点的节点序号，τiq为网络节点i到网络块q的指示标准化矩阵元素；
在所述第一节点占有比例向量中查找元素值为0的元素对应的块序号，作为无效块序号；
删除所述第一节点占有比例向量中元素值为0的元素，以更新所述节点占有比例向量；
删除当前的所述指示标准化矩阵中所述无效块序号对应的列向量，以更新所述指示标准化矩阵。
进一步地，识别子模块，具体用于：
通过公式
Figure GDA0002813832470000162
计算网络块与网络块之间的各类连接类型的比例矩阵的元素，其中，所述h为连接类型；πqlh为网络块q与网络块l之间的以h连接类型连接的比例，ηlqh为当前的网络块q与网络块l以h连接类型连接的连接概率矩阵元素；
若所述比例矩阵中的元素满足πqq1＞πqq2且
Figure GDA0002813832470000163
且q≠l，则识别网络块q为社区结构，其中，所述πqq1为网络块q与网络块q之间的正向连接的连接的比例，所述πqq2为网络块q与网络块q之间的反向连接的连接的比例，所述πql1为网络块q与网络块l之间的正向连接的连接的比例；
若所述比例矩阵中的元素满足πql1＞πqq1且πql1＞πll1且πql1＞πql2且q≠l，则识别网络块q与网络块l组成二分结构，其中，所述πql1为网络块q与网络块l之间的正向连接的连接的比例，所述πll1为网络块l与网络块l之间的正向连接的连接的比例，所述πql2为网络块q与网络块l之间的反向连接的连接的比例。
在本发明实施例中，通过获取符号网络的网络邻接矩阵；计算所述网络节点与所述网络块的对应关系，并根据所述网络节点与所述网络块的对应关系，计算网络块之间各类连接类型的连接概率；并最终根据网络块之间各类连接类型的连接概率，识别不止一类类符号网络的结构，以提高识别符号网络的结构的效率。
对应于上文的符号网络的结构识别方法，图5是本发明一实施例提供的符号网络的结构识别终端的示意图。如图5所示，该实施例的符号网络的结构识别装置包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52，例如用户密钥的加密程序。所述处理器50执行所述计算机程序52时实现上述各个符号网络的结构识别方法实施例中的步骤，例如图1所示的步骤S101至S102。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至402的功能。
所述符号网络的结构识别装置5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述符号网络的结构识别装置可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是符号网络的结构识别装置5的示例，并不构成对符号网络的结构识别装置5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述符号网络的结构识别装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述符号网络的结构识别装置的内部存储单元，例如符号网络的结构识别装置5的硬盘或内存。所述存储器51也可以是所述符号网络的结构识别装置/装置5的外部存储设备，例如所述符号网络的结构识别装置/装置5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。进一步地，所述存储器51还可以既包括所述符号网络的结构识别装置/装置5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述符号网络的结构识别装置所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/装置和方法，可以通过其它的方式实现。例如，以上所描述的装置/装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种符号网络的结构识别方法，其特征在于，包括：
获取所述符号网络的网络邻接矩阵，所述符号网络包括多个网络块，所述网络块包括多个网络节点；
调取用于识别所述符号网络的结构的网络识别模型，并初始化所述网络识别模型的参数；所述网络识别模型包含的参数包括：网络节点数、网络块数、网络节点到网络块的指示矩阵、网络块与网络块的连接概率矩阵以及网络块的节点占有比例向量，所述网络节点到网络块的指示矩阵用于表示网络节点与所述网络块的对应关系，所述网络块与网络块的连接概率矩阵用于表示网络块之间各类连接类型的连接概率；
利用所述网络识别模型计算出所述指示矩阵的各个元素，并对所述指示矩阵的各个元素进行标准化运算，生成指示标准化矩阵；
根据所述指示标准化矩阵以及所述网络邻接矩阵，对所述连接概率矩阵进行更新；
对所述节点占有比例向量以及所述指示标准化矩阵进行更新；
若更新后的所述指示标准化矩阵与更新前的所述指示标准化矩阵的差值的二阶范数，大于预设的差值阈值，则返回执行利用所述网络识别模型计算出指示矩阵的各个元素，并对所述指示矩阵的各个元素进行标准化运算，生成指示标准化矩阵的步骤；
若更新后的所述指示标准化矩阵与更新前的所述指示标准化矩阵的差值的二阶范数，小于或等于预设的差值阈值，则输出更新后的所述连接概率矩阵；
根据更新后的所述连接概率矩阵，计算各类连接类型的比例，并基于所述连接类型的比例识别所述网络的结构。
2.如权利要求1所述的符号网络的结构识别方法，其特征在于，所述指示矩阵的计算公式，包括：
Figure FDA0002813832460000021
其中，τil为网络节点i到网络块l的指示矩阵元素，ωl为网络块l的节点占有比例向量元素，n为网络节点数，j为网络节点的一个节点序号，i为网络节点的一个节点序号，k为网络块数，q为网络块的一个块序号，l为网络块的一个块序号，
Figure FDA0002813832460000024
为伽马函数，δ()表示泛函的变分，h为连接类型，αij为网络节点i到网络节点j的网络邻接矩阵元素，ηlqh为网络块l与网络块q以h连接类型连接的连接概率矩阵元素。
3.如权利要求1所述的符号网络的结构识别方法，其特征在于，所述根据所述指示标准化矩阵以及所述网络邻接矩阵，对当前的所述连接概率矩阵进行更新，包括：
通过公式：
Figure FDA0002813832460000022
对当前的所述连接概率矩阵进行更新，其中，ηlqh为更新后的网络块l与网络块q以h连接类型连接的连接概率矩阵元素，η′lqh为当前的网络块l与网络块q以h连接类型连接的连接概率矩阵元素，j为网络节点的一个节点序号，i为网络节点的一个节点序号，q为网络块的一个块序号，l为网络块的一个块序号，τil为网络节点i到网络块l的指示矩阵元素，τjq为网络节点j到网络块q的指示矩阵元素，δ()表示泛函的变分，h为连接类型，αij为网络节点i到网络节点j的网络邻接矩阵元素。
4.如权利要求1所述的符号网络的结构识别方法，其特征在于，所述节点占有比例向量包括网络块的块序号与网络块所占节点的比例的对应关系；所述指示标准化矩阵包括网络块的块序号与网络节点的节点序号的映射关系；
所述对所述节点占有比例向量以及所述指示标准化矩阵进行更新，包括：
根据当前的所述指示标准化矩阵，通过公式：
Figure FDA0002813832460000023
对所述节点占有比例向量进行第一次更新，生成第一节点占有比例向量，其中ωq为网络块q的节点占有比例向量元素，n为所述网络节点数，i为网络节点的节点序号，τiq为网络节点i到网络块q的指示标准化矩阵元素；
在所述第一节点占有比例向量中查找元素值为0的元素对应的块序号，作为无效块序号；
删除所述第一节点占有比例向量中元素值为0的元素，以更新所述节点占有比例向量；
删除当前的所述指示标准化矩阵中所述无效块序号对应的列向量，以更新所述指示标准化矩阵。
5.如权利要求1所述的符号网络的结构识别方法，其特征在于，所述根据更新后的所述连接概率矩阵，计算各类连接类型的比例，并基于所述连接类型的比例识别所述网络的结构，包括：
通过公式
Figure FDA0002813832460000031
计算网络块与网络块之间的各类连接类型的比例矩阵的元素，其中，所述h为连接类型；πqlh为网络块q与网络块l之间的以h连接类型连接的比例，ηlqh为当前的网络块q与网络块l以h连接类型连接的连接概率矩阵元素；
若所述比例矩阵中的元素满足πqq1＞πqq2且
Figure FDA0002813832460000032
且q≠l，则识别网络块q为社区结构，其中，所述πqq1为网络块q与网络块q之间的正向连接的连接的比例，所述πqq2为网络块q与网络块q之间的反向连接的连接的比例，所述πql1为网络块q与网络块l之间的正向连接的连接的比例；
若所述比例矩阵中的元素满足πql1＞πqq1且πql1＞πll1且πql1＞πql2且q≠l，则识别网络块q与网络块l组成二分结构，其中，所述πql1为网络块q与网络块l之间的正向连接的连接的比例，所述πll1为网络块l与网络块l之间的正向连接的连接的比例，所述πql2为网络块q与网络块l之间的反向连接的连接的比例。
6.一种符号网络的结构识别装置，其特征在于，包括：
获取模块，用于获取所述符号网络的网络邻接矩阵，所述符号网络包括多个网络块，所述网络块包括多个网络节点；
总计算模块，用于通过所述网络邻接矩阵，计算所述网络节点与所述网络块的对应关系，并根据所述网络节点与所述网络块的对应关系，计算网络块之间各类种连接类型的连接概率；通过所述网络块之间各类种连接类型的连接概率，识别所述符号网络的结构；
其中，所述总计算模块，包括：
调取子模块，用于调取用于识别所述符号网络的结构的网络识别模型，并初始化所述网络识别模型的参数；所述网络识别模型包含的参数包括：网络节点数、网络块数、网络节点到网络块的指示矩阵、网络块与网络块的连接概率矩阵以及网络块的节点占有比例向量，所述网络节点到网络块的指示矩阵用于表示网络节点与所述网络块的对应关系，所述网络块与网络块的连接概率矩阵用于表示网络块之间各类连接类型的连接概率；
矩阵计算子模块，用于利用所述网络识别模型计算出指示矩阵的各个元素，并对所述指示矩阵的各个元素进行标准化运算，生成指示标准化矩阵；
第一更新子模块，用于根据所述指示标准化矩阵以及所述网络邻接矩阵，对所述连接概率矩阵进行更新；
第二更新子模块，用于对所述节点占有比例向量以及所述指示标准化矩阵进行更新；
第一执行子模块，用于若更新后的所述指示标准化矩阵与更新前的所述指示标准化矩阵的差值的二阶范数，大于预设的差值阈值，则返回执行利用所述网络识别模型计算出指示矩阵的各个元素，并对所述指示矩阵的各个元素进行标准化运算，生成指示标准化矩阵的步骤；
第二执行子模块，用于若更新后的所述指示标准化矩阵与更新前的所述指示标准化矩阵的差值的二阶范数，小于或等于预设的差值阈值，则输出更新后的所述连接概率矩阵；
识别子模块，用于根据更新后的所述连接概率矩阵，计算各种连接类型的比例，并基于所述连接类型的比例识别所述网络的结构。
7.一种符号网络的结构识别终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN201810067106.1A 2018-01-24 2018-01-24 符号网络的结构识别方法及装置 Active CN108400887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810067106.1A CN108400887B (zh) 2018-01-24 2018-01-24 符号网络的结构识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810067106.1A CN108400887B (zh) 2018-01-24 2018-01-24 符号网络的结构识别方法及装置

Publications (2)

Publication Number Publication Date
CN108400887A CN108400887A (zh) 2018-08-14
CN108400887B true CN108400887B (zh) 2021-06-04

Family

ID=63094220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810067106.1A Active CN108400887B (zh) 2018-01-24 2018-01-24 符号网络的结构识别方法及装置

Country Status (1)

Country Link
CN (1) CN108400887B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112235134B (zh) * 2020-09-29 2022-08-09 中国人民解放军战略支援部队信息工程大学 基于ip连接概率分类的路由器所有权探测方法及系统
CN117609870B (zh) * 2024-01-23 2024-04-23 北京燧原智能科技有限公司 结构识别模型训练、模型结构识别方法、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103475539A (zh) * 2013-09-01 2013-12-25 西安电子科技大学 基于振荡器相位同步的符号网络社区检测方法
CN103810288A (zh) * 2014-02-25 2014-05-21 西安电子科技大学 基于聚类算法对异构社会网络进行社区检测的方法
CN106204299A (zh) * 2016-07-20 2016-12-07 深圳信息职业技术学院 基于符号网络模型的社区挖掘方法及装置
CN106874506A (zh) * 2017-02-28 2017-06-20 深圳信息职业技术学院 基于统计模型的社区挖掘方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6582922B2 (ja) * 2015-11-26 2019-10-02 富士通株式会社 グラフ処理プログラム、グラフ処理方法、および情報処理装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103475539A (zh) * 2013-09-01 2013-12-25 西安电子科技大学 基于振荡器相位同步的符号网络社区检测方法
CN103810288A (zh) * 2014-02-25 2014-05-21 西安电子科技大学 基于聚类算法对异构社会网络进行社区检测的方法
CN106204299A (zh) * 2016-07-20 2016-12-07 深圳信息职业技术学院 基于符号网络模型的社区挖掘方法及装置
CN106874506A (zh) * 2017-02-28 2017-06-20 深圳信息职业技术学院 基于统计模型的社区挖掘方法及系统

Also Published As

Publication number Publication date
CN108400887A (zh) 2018-08-14

Similar Documents

Publication Publication Date Title
JP6768681B2 (ja) 分散データからの学習
CN107729935B (zh) 相似图片的识别方法和装置、服务器、存储介质
WO2021258699A1 (zh) 一种图像识别方法、装置、电子设备和计算机可读介质
CN111553215A (zh) 人员关联方法及其装置、图卷积网络训练方法及其装置
CN110705585A (zh) 网络欺诈识别方法、装置、计算机装置及存储介质
CN108400887B (zh) 符号网络的结构识别方法及装置
CN113554175B (zh) 一种知识图谱构建方法、装置、可读存储介质及终端设备
CN110969172A (zh) 一种文本的分类方法以及相关设备
CN111310743A (zh) 人脸识别方法、装置、电子设备及可读存储介质
CN111159481A (zh) 图数据的边预测方法、装置及终端设备
CN111178513B (zh) 神经网络的卷积实现方法、卷积实现装置及终端设备
CN105989154B (zh) 相似性度量的方法及设备
CN113780148A (zh) 交通标志图像识别模型训练方法和交通标志图像识别方法
CN113887495A (zh) 基于迁移学习的视频标注方法及装置
CN114332522A (zh) 图像识别方法及装置、残差网络模型的构建方法
Tokuhara et al. Using label information in a genetic programming based method for acquiring block preserving outerplanar graph patterns with wildcards
CN116094952B (zh) 网络结构相似度的确定方法、装置、设备以及存储介质
CN110913353A (zh) 短信的分类方法及装置
CN112215789B (zh) 图像去雾方法、装置、设备和计算机可读介质
CN114153546B (zh) 一种用于云桌面运营管理系统的数据流传输方法及系统
CN116186555A (zh) 数据相关性的确定方法及装置、非易失性存储介质
CN116701966A (zh) 人物关系的特征表达和关系聚类计算方法、电子设备和储存介质
CN115438745A (zh) 一种基于半监督学习的元数据智能标识方法和装置
CN114519884A (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN115438967A (zh) 一种基于超图的密集子图检测方法、装置及终端设备

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240202

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Country or region after: China

Address before: 518000 No. 2188 Longxiang Avenue, Longgang District, Shenzhen City, Guangdong Province

Patentee before: SHENZHEN INSTITUTE OF INFORMATION TECHNOLOGY

Country or region before: China