CN108428006A - 一种基于共同邻居节点和社团结构的互联网链路预测方法 - Google Patents
一种基于共同邻居节点和社团结构的互联网链路预测方法 Download PDFInfo
- Publication number
- CN108428006A CN108428006A CN201810072147.XA CN201810072147A CN108428006A CN 108428006 A CN108428006 A CN 108428006A CN 201810072147 A CN201810072147 A CN 201810072147A CN 108428006 A CN108428006 A CN 108428006A
- Authority
- CN
- China
- Prior art keywords
- node
- common neighbor
- similarity
- present
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 4
- MKXZASYAUGDDCJ-NJAFHUGGSA-N dextromethorphan Chemical compound C([C@@H]12)CCC[C@]11CCN(C)[C@H]2CC2=CC=C(OC)C=C21 MKXZASYAUGDDCJ-NJAFHUGGSA-N 0.000 claims abstract description 4
- 238000013468 resource allocation Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000003012 network analysis 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
-
- 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
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于共同邻居节点和社团结构的互联网链路预测方法,包括以下步骤:1)根据原始网络数据,对网络进行初始化,获取不存在链接的节点对列表Ln;2)采用快速社团检测算法BGLL对网络中的每个节点进行社团划分,并对划分后的每个节点赋予唯一的社团标签;3)根据基于节点社团结构信息的相似度指标和根据节点共同邻居信息的改进RA指标求和获取网络间任意两个节点间的相似度Sx,y;4)根据相似度Sx,y值的大小将列表Ln中的节点对从高到底排列,选取列表Ln中的前l个节点对,即为预测到的网络中最有可能存在或者将来会产生的链接。与现有技术相比,本发明具有提高链路预测准确度、适用多种网络、提高预测效率等优点。
Description
技术领域
本发明涉及网络科学中的链路预测领域,尤其是涉及一种基于共同邻居节点和社团结构的互联网链路预测方法。
背景技术
随着以互联网为代表的网络信息技术的迅速发展,人类社会已经迈入了复杂网络时代。人类的生活与生产活动越来越多地依赖于各种复杂网络系统安全可靠和有效的运行。例如,计算机领域中的万维网,能源领域的电力网络,交通领域的航空网络,社交领域的在线交友网络等等。作为一个跨学科的新兴领域,网络科学已经逐步形成并获得了迅猛发展。网络中的链路预测问题,得益于学术界对网络科学本身重要性的认识,也成为横跨多个学科的核心科学问题。链路预测是通过对已知的网络节点以及网络结构等信息的分析,来评估不相连的两个节点之间产生连接的可能性,进而实现预测。这种预测既包含对未知链接的预测,也包含了对未来链接的预测。链路预测研究具有广泛的实际应用价值。链路预测算法,可以帮助提高生物实验的效率,可以用于在线社交网络中的好友推荐和电子商务中的个性化产品推荐,甚至可以用来预测美国联邦最高法院法官的投票。
目前,传统链路预测算法分为三大类:利用节点属性等外部信息进行预测,利用似然分析构造网络结构进而实现预测,利用网络结构的相似性进行预测。第一类算法需要获取节点属性等外部信息,但是很多情况这些信息的获取是很困难的,实用性较差。第二类算法由于需要构造整个网络系综,计算量非常大,处理几千个节点的网络也会感到吃力。第三类相似性算法也可以分为两种:基于局部信息的算法和基于全局信息的算法。仅考虑网络的局部信息,其计算量远远小于基于全局信息的算法,特别是在网络规模较大且稀疏的情况下,局部路径算法的优势更加明显,因此应用较为广泛。最简单的基于局部信息的相似性算法是直接利用共同邻居节点的相似性进行预测,其中比较经典的指标有共同邻居(CN)指标、Adamic-Adar(AA)指标以及资源分配(RA)指标。然而,这类基于共同邻居节点的相似性指标由于使用的信息非常有限,没有考虑社团结构等网络其他拓扑结构特征,因而其预测精度受到限制。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于共同邻居节点和社团结构的互联网链路预测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于共同邻居节点和社团结构的互联网链路预测方法,包括以下步骤:
1)根据原始网络数据,对网络进行初始化,获取不存在链接的节点对列表Ln;
2)采用快速社团检测算法BGLL对网络中的每个节点进行社团划分,并对划分后的每个节点赋予唯一的社团标签;
3)根据基于节点社团结构信息的相似度指标和根据节点共同邻居信息的改进RA指标求和获取网络间任意两个节点间的相似度Sx,y;
4)根据相似度Sx,y值的大小将列表Ln中的节点对从高到底排列,选取列表Ln中的前l个节点对,即为预测到的网络中最有可能存在或者将来会产生的链接。
所述的步骤3)中,获取基于节点社团结构信息的相似度指标具体包括以下步骤:
301)将不存在链接的节点对列表Ln按节点编号大小从小到大排列;
302)从Ln中的第一个节点对开始,依次判断当前节点对中两个节点是否属于同一个社团,若否,则其相似度指标值为0,返回步骤302),并计算下一节点对的相似度指标若是,则进行步骤303);
303)获取当前节点对中两个节点的共同邻居节点集合Λx,y以及集合Λx,y中与该节点对中两个节点属于同一个社团的节点的集合
304)计算当前节点对的基于节点社团结构信息的相似度指标
305)重复步骤301)-304)得到Ln中所有节点对的相似度指标
所述的步骤306)中,基于节点社团结构信息的相似度指标的计算式为:
其中,为共同邻居节点集合Λx,y的节点个数,|Λx,y|为集合的节点个数。
所述的步骤3)中,获取根据节点共同邻居信息的改进RA指标具体包括以下步骤:
401)将不存在链接的节点对列表Ln按节点编号大小从小到大排列;
402)从Ln中的第一个节点对开始,判断当前节点对中两个节点是否拥有共同邻居节点,若否,则其改进RA指标值为0,返回步骤402),并计算下一节点对的改进RA指标若是,则进行步骤403);
403)获取当前节点对中两个节点的共同邻居节点集合Λx,y,并计算当前节点对中两个节点的度数k(x)、k(y)以及集合Λx,y中全部共同邻居节点的度数k(z1)、k(z1)...k(zn),节点的度数定义为:与该节点直接相连的节点的个数;
404)计算当前节点对的根据节点共同邻居信息的改进RA指标并返回步骤到402)步;
405)重复步骤401)-404)得到Ln中所有节点对的改进RA指标第一、二列为节点的编号,第三列为对应的相似度值。
所述的步骤304)中,根据节点共同邻居信息的改进RA指标的计算式为:
其中,k(x)和k(y)为当前节点对中两个节点的度数,k(zn)为共同邻居节点的度数,n为当前节点对中两个节点的共同邻居节点的个数。
与现有技术相比,本发明具有以下优点:
1.改进了资源分配指标(RA),重新定义了基于共同邻居节点信息的相似性指标,提高了链路预测的准确度;
2.创新地将社团结构这一重要网络拓扑结构特征引入链路预测算法中,有效地融合了网络的共同邻居节点信息和社团结构信息,很大程度上提高了链路预测的精度,同时保证了链路预测的效率;
3.本发明不仅仅适用于互联网,在其他各种复杂网络中,如交通网络、生物网络、社会关系网络等,均有着较高的链路预测准确度。
本发明不仅仅适用于互联网,在其他各种复杂网络中,如交通网络、生物网络、社会关系网络等,均有着较高的链路预测准确度。
附图说明
图1为BGLL算法进行社团划分的程序图。
图2为本发明链路预测方案的整体流程图。
图3为具体实施例中的网络分析图,其中,图(3a)为网络结构图,图(3b)为划分结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图2所示,本发明提供一种基于共同邻居节点和社团结构的互联网链路预测方法,包括以下步骤:
(1)如图3(a),输入原始网络数据G(7,9),对网络进行初始化,获取不存在链接的节点对列表Ln,一共有12条不存在的链接,即:
{(1,5),(1,6),(1,7),(2,5),(2,6),(2,7),(3,4),(3,5),(3,6),(3,7),(4,7),(6,7)};
(2)采用快速社团检测算法BGLL对网络G(7,9)中的每个节点进行社团划分,划分完成后每个节点都被赋予唯一的社团标签:C1和C2;
(3)利用基于节点社团结构信息的相似度指标,计算任意两节点之间的相似度,得到本链路预测方法的第一部分S1,具体包括以下步骤:
31)将不存在链接的节点对列表Ln按照节点编号大小从小到大排列,即:{(1,5),(1,6),(1,7),(2,5),(2,6),(2,7),(3,4),(3,5),(3,6),(3,7),(4,7),(6,7)};
32)从Ln中的第一对节点(x,y)即(1,5)开始,依次计算每对节点的相似度
33)判断x和y是否属于同一个社团,若否,则其相似度如回到32)步,计算下一对节点的相似度;若是,则继续;
34)找到x和y的共同邻居节点的集合Λx,y,用|Λx,y|代表该集合中节点的个数,如Λ6,7={5},|Λ6,7|=1;
35)从集合Λx,y中找出与x和y属于同一个社团的节点的集合Λx,y In,用|Λx,y In|代表该集合中节点的个数,如
36)则x和y两节点的相似度为如回到32)步;
37)遍历Ln中节点对完后,得到由所有节点对及其相似度值组成的相似度矩阵S1,行、列为节点的编号,元素为对应的相似度值,有:
(1)根据节点的共同邻居信息,利用改进的相似性链路预测指标RA,计算任意两节点之间的相似度,得到本链路预测方法的第二部分S2,具体包括以下步骤:
41)将不存在链接的节点对列表Ln按照节点编号大小从小到大排列,即:{(1,5),(1,6),(1,7),(2,5),(2,6),(2,7),(3,4),(3,5),(3,6),(3,7),(4,7),(6,7)};
42)从Ln中的第一对节点(x,y)即(1,5)开始,依次计算每对节点的相似度
43)判断x和y是否拥有共同邻居节点,若否,则其相似度如回到42)步,计算下一对节点的相似度,若是,则继续;
44)找到x和y的共同邻居节点的集合Λx,y,计算x和y及其每一个共同邻居节点的度数k(x),k(y),k(z),如Λ6,7={5},k(6)=2,k(7)=1,k(5)=3;
45)则x和y两节点的相似度为
如回到32)步;
46)遍历Ln中节点对完后,得到由所有节点对及其相似度值组成的相似度矩阵S2,行、列为节点的编号,元素为对应的相似度值,有:
(2)对步骤(3)(4)计算出来的结果进行求和,所得即为依据本链路预测方法求出的任意两节点之间的相似度Sx,y=S1+S2,有:
(3)按照相似度值Sx,y的大小将列表Ln从高到底排列,有:
{(3,4),(4,7),(6,7),(1,5),(1,6),(2,5),(2,6),(1,7),(2,7),(3,5),(3,6),(3,7),}取列表中前l(l为自定义)个节点对即为本方法预测的该网络最有可能存在或者将来会产生的链接。
如图1所示,本发明中利用BGLL算法对网络中的每个节点进行社团划分具体包括以下步骤:
(1)输入原始网络数据G=(V,E),V表示节点,E表示连边,如图3(a)为G(7,9);
(2)对网络进行初始化,生成邻接列表L和构造二维邻接矩阵M,对网络G(7,9),邻接列表L为:
{(1,2),(1,3),(1,4),(2,3),(2,4),(4,5),(4,6),(5,7)}
二维邻接矩阵M为:
(3)为每个节点分配一个社团编号,从1开始,如其中a1,a2,…,an为节点即1,2,…,7,C1,C2,…,Cn为社团编号(n>1,n为节点个数);
(4)从第一个节点开始,将该节点移入其邻居节点所在的社团中,计算移动后的模块度增益若ΔQ>0,则认可此次移动,更新该节点的社团编号,否则将该节点移入其他邻居节点所在社团中,继续计算ΔQ,判断是否需要更新节点的社团编号,若遍历其邻居节点,ΔQ均不大于0,则不移动该节点,保留原社团编号;
(5)重复步骤(4),直到所有的节点都遍历完毕,计算剩下的社团个数,从1开始重新对每个节点进行社团编号,如其中1,a2,…,an为节点,C1,C2,…,Cm为社团编号(n>1,n为节点个数,m>1,m为社团个数),计算模块度值
(6)将所有社团视为单个节点,从第一个社团开始,将该社团移入与其有连边的邻居社团中,计算模块度增益ΔQ,若ΔQ>0,则认可此次移动,更新该社团所有节点的社团编号,否则将该社团移入其他与其有连边的邻居社团中,继续计算ΔQ,判断是否需要更新该社团的编号,若遍历与其有连边的邻居社团,ΔQ均不大于0,则不移动该社团,保留原社团编号;
(7)重复步骤(6),直到所有社团都遍历完毕,计算此时的模块度值Q';
(8)若Q′比之前的Q大,则表示此次社团合并有效,更新Q值,从1开始重新对每个节点进行社团编号,重复步骤(6)(7),继续上述社团合并过程;
若Q′不比之前的Q大,则停止社团合并,返回Q值最大时的社团划分结果,对图3(a)中网络G(7,9)的划分结果如图3(b)所示,节点1,2和3划分在第一个社团中,节点4,5,6和7划分在第二个社团中。
Claims (5)
1.一种基于共同邻居节点和社团结构的互联网链路预测方法,其特征在于,包括以下步骤:
1)根据原始网络数据,对网络进行初始化,获取不存在链接的节点对列表Ln;
2)采用快速社团检测算法BGLL对网络中的每个节点进行社团划分,并对划分后的每个节点赋予唯一的社团标签;
3)根据基于节点社团结构信息的相似度指标和根据节点共同邻居信息的改进RA指标求和获取网络间任意两个节点间的相似度Sx,y;
4)根据相似度Sx,y值的大小将列表Ln中的节点对从高到底排列,选取列表Ln中的前l个节点对,即为预测到的网络中最有可能存在或者将来会产生的链接。
2.根据权利要求1所述的一种基于共同邻居节点和社团结构的互联网链路预测方法,其特征在于,所述的步骤3)中,获取基于节点社团结构信息的相似度指标具体包括以下步骤:
301)将不存在链接的节点对列表Ln按节点编号大小从小到大排列;
302)从Ln中的第一个节点对开始,依次判断当前节点对中两个节点是否属于同一个社团,若否,则其相似度指标值为0,返回步骤302),并计算下一节点对的相似度指标若是,则进行步骤303);
303)获取当前节点对中两个节点的共同邻居节点集合Λx,y以及集合Λx,y中与该节点对中两个节点属于同一个社团的节点的集合
304)计算当前节点对的基于节点社团结构信息的相似度指标
305)重复步骤301)-304)得到Ln中所有节点对的相似度指标。
3.根据权利要求1所述的一种基于共同邻居节点和社团结构的互联网链路预测方法,其特征在于,所述的步骤306)中,基于节点社团结构信息的相似度指标的计算式为:
其中,为共同邻居节点集合Λx,y的节点个数,|Λx,y|为集合的节点个数。
4.根据权利要求1所述的一种基于共同邻居节点和社团结构的互联网链路预测方法,其特征在于,所述的步骤3)中,获取根据节点共同邻居信息的改进RA 指标具体包括以下步骤:
401)将不存在链接的节点对列表Ln按节点编号大小从小到大排列;
402)从Ln中的第一个节点对开始,判断当前节点对中两个节点是否拥有共同邻居节点,若否,则其改进RA指标值为0,返回步骤402),并计算下一节点对的改进RA指标若是,则进行步骤403);
403)获取当前节点对中两个节点的共同邻居节点集合Λx,y,并计算当前节点对中两个节点的度数k(x)、k(y)以及集合Λx,y中全部共同邻居节点的度数k(z1)、k(z1)...k(zn);
404)计算当前节点对的根据节点共同邻居信息的改进RA指标并返回步骤到402)步;
405)重复步骤401)-404)得到Ln中所有节点对的改进RA指标第一、二列为节点的编号,第三列为对应的相似度值。
5.根据权利要求4所述的一种基于共同邻居节点和社团结构的互联网链路预测方法,其特征在于,所述的步骤304)中,根据节点共同邻居信息的改进RA指标的计算式为:
其中,k(x)和k(y)为当前节点对中两个节点的度数,k(zn)为共同邻居节点的度数,n为当前节点对中两个节点的共同邻居节点的个数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711007280 | 2017-10-25 | ||
CN2017110072809 | 2017-10-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108428006A true CN108428006A (zh) | 2018-08-21 |
Family
ID=63156191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810072147.XA Pending CN108428006A (zh) | 2017-10-25 | 2018-01-25 | 一种基于共同邻居节点和社团结构的互联网链路预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108428006A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726297A (zh) * | 2018-12-28 | 2019-05-07 | 沈阳航空航天大学 | 一种基于互斥策略的二分网络节点预测算法 |
CN110032603A (zh) * | 2019-01-22 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种对关系网络图中的节点进行聚类的方法及装置 |
CN110768826A (zh) * | 2019-10-18 | 2020-02-07 | 重庆邮电大学 | 一种电力信息网络关键信息传输链路识别方法及其系统 |
CN111159768A (zh) * | 2019-12-31 | 2020-05-15 | 广西师范大学 | 社交网络链接隐私保护效果的评价方法 |
CN111815442A (zh) * | 2020-06-19 | 2020-10-23 | 中汇信息技术(上海)有限公司 | 一种链接预测的方法、装置和电子设备 |
CN113095946A (zh) * | 2021-04-28 | 2021-07-09 | 福州大学 | 基于联邦标签传播的保险客户推荐方法及系统 |
-
2018
- 2018-01-25 CN CN201810072147.XA patent/CN108428006A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726297A (zh) * | 2018-12-28 | 2019-05-07 | 沈阳航空航天大学 | 一种基于互斥策略的二分网络节点预测算法 |
CN109726297B (zh) * | 2018-12-28 | 2022-12-23 | 沈阳航空航天大学 | 一种基于互斥策略的二分网络节点预测算法 |
CN110032603A (zh) * | 2019-01-22 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种对关系网络图中的节点进行聚类的方法及装置 |
CN110768826A (zh) * | 2019-10-18 | 2020-02-07 | 重庆邮电大学 | 一种电力信息网络关键信息传输链路识别方法及其系统 |
CN110768826B (zh) * | 2019-10-18 | 2022-06-03 | 重庆邮电大学 | 一种电力信息网络关键信息传输链路识别方法及其系统 |
CN111159768A (zh) * | 2019-12-31 | 2020-05-15 | 广西师范大学 | 社交网络链接隐私保护效果的评价方法 |
CN111815442A (zh) * | 2020-06-19 | 2020-10-23 | 中汇信息技术(上海)有限公司 | 一种链接预测的方法、装置和电子设备 |
CN111815442B (zh) * | 2020-06-19 | 2023-08-08 | 中汇信息技术(上海)有限公司 | 一种链接预测的方法、装置和电子设备 |
CN113095946A (zh) * | 2021-04-28 | 2021-07-09 | 福州大学 | 基于联邦标签传播的保险客户推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108428006A (zh) | 一种基于共同邻居节点和社团结构的互联网链路预测方法 | |
Bui et al. | Spatial-temporal graph neural network for traffic forecasting: An overview and open research issues | |
Choi et al. | Analysis of keyword networks in MIS research and implications for predicting knowledge evolution | |
Liu et al. | Motif-preserving dynamic attributed network embedding | |
CN104102745B (zh) | 基于局部最小边的复杂网络社团挖掘方法 | |
CN107784598A (zh) | 一种网络社区发现方法 | |
Singh et al. | Genetic algorithm for solving multiple traveling salesmen problem using a new crossover and population generation | |
CN108765180A (zh) | 基于影响力与种子扩展的重叠社区发现方法 | |
CN113962358A (zh) | 一种基于时序超图注意力神经网络的信息扩散预测方法 | |
Chen et al. | Node connection strength matrix-based graph convolution network for traffic flow prediction | |
CN106780067A (zh) | 一种考虑节点局部标注特性的符号预测方法 | |
CN115470994A (zh) | 基于显式时间和级联注意力的信息流行度预测方法和系统 | |
Li et al. | Local community detection for multi-layer mobile network based on the trust relation | |
Peng et al. | TCDABCF: A Trust‐Based Community Detection Using Artificial Bee Colony by Feature Fusion | |
CN115080795A (zh) | 一种多充电站协同负荷预测方法及装置 | |
Kalifullah et al. | Retracted: Graph‐based content matching for web of things through heuristic boost algorithm | |
Zhang et al. | Community value prediction in social E-commerce | |
Schrodi et al. | Towards discovering neural architectures from scratch | |
CN113051408B (zh) | 一种基于信息增强的稀疏知识图谱推理方法 | |
CN106296420A (zh) | 一种社区发现方法 | |
Xu et al. | Road Travel Time Prediction Based on Improved Graph Convolutional Network | |
Xue et al. | RARTS: an efficient first-order relaxed architecture search method | |
Shang et al. | Mshyper: Multi-scale hypergraph transformer for long-range time series forecasting | |
Sajjadi et al. | A hybrid clustering approach for link prediction in heterogeneous information networks | |
He et al. | HDGCN: Dual-channel graph convolutional network with higher-order information for robust feature learning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180821 |
|
RJ01 | Rejection of invention patent application after publication |