CN108734223A - 基于社区划分的社交网络好友推荐方法 - Google Patents
基于社区划分的社交网络好友推荐方法 Download PDFInfo
- Publication number
- CN108734223A CN108734223A CN201810518100.1A CN201810518100A CN108734223A CN 108734223 A CN108734223 A CN 108734223A CN 201810518100 A CN201810518100 A CN 201810518100A CN 108734223 A CN108734223 A CN 108734223A
- Authority
- CN
- China
- Prior art keywords
- community
- population
- node
- individual
- value
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于社区划分的社交网络好友推荐方法。链接预测是根据现有网络拓扑结构和节点属性信息等去预测两点间存在连接可能性的大小。现有的大部分节点相似性算法只考虑了共同邻居节点的信息,即路径长度为2的拓扑结构,忽略了某些节点可能所属同一个社区的重要信息,显然处于统一社区的节点之间有更大的可能存在链接。针对传统链接预测方法的不足,本发明主要使用改进的遗传算法先对所有节点进行社区划分,然后再根据社区划分的结果进行链接预测,从而提出了一种基于社区划分的社交网络好友推荐算法。通过在5个真实网络中做出对比试验,比较分析了本发明算法与传统节点相似性算法的准确性,证实了该算法的可用性。
Description
技术领域
本发明属于复杂网络链路预测领域。具体是使用改进的遗传算法 对所有节点做社区划分,进而再进行相似性预测的算法。是用于社交 网络好友推荐中的一种新方法。
背景技术
复杂网络是指节点数量巨大,且各节点之间连接结构复杂的网络。 复杂网络具有自组织、自相似、吸引子、小世界、无标度等特性。而 现实生活中可被描述为复杂网络的系统十分常见。如交通运输网络, 金融关系网络,论文引用,社会网络等。通过研究复杂网络,可以更 清晰地分析现实生活中的网络结构及其演化过程。
链接预测问题是复杂网络研究方向之一,它利用已知的网络信息 (其节点信息以及其拓扑结构)来预测网络中尚未产生连边的两个节 点之间产生链接的可能性。链接预测包括两方面内容:(1)此时不存 在,但是未来可能发生的链接。(2)此刻已经存在,但是由于数据 不完整等问题而未被识别的链接。目前主流的研究方法大概分为以下 几种:
(1)基于有监督学习的分类模型,如决策树、朴素贝叶斯、神经网 络、SVM、KNN以及集成方法中的bagging、boosting和随机 森林等。此时把链接预测问题转化为一个二分类问题,即存在 链接为1,反之则为0。
(2)基于相似性的链路预测,又细分为基于局部信息的相似性指标、 基于路径的相似性、基于随机游走的相似性指标。
(3)基于最大似然估计的链路预测,又细分为层次结构模型和随机 分块模型。
(4)概率模型。
目前,链接预测已被广泛地应用于许多现实研究领域中。比如社 交网络中的好友关系推荐(如人人网中的好友关系预测),推荐系统 (如淘宝网中的个性化推荐)。本发明将其应用在好友关系预测上, 将可能是朋友的用户推送给当前使用的用户,若推荐准确,显然可以 提升用户对于网站的依赖程度。
现有的主流链接预测方法中大多基于节点相似性。基于节点相似 性的方法是一种提出最早且简单有效的方法。其中共同邻居(CN) 是最常用的算法,计算共同邻居的节点个数;还有一些方法为了对两 个节点各自的共同邻居节点集合进行操作,引入了余弦相似度,并提 出了SALTON指标。其它常用基于节点相似性的测量方法如表1所 示:
表1节点相似性
发明内容
现有的大部分节点相似性算法只考虑了共同邻居节点的信息,即 路径长度为2的拓扑结构,而忽略了某些节点可能所属同一个社区的 重要信息,显然处于统一社区的节点之间有更大的可能存在链接。为 了保持基于节点相似性链接预测算法简单快捷有效的特性,并针对其 中的一些不足,本发明提出了一种基于社区划分的链接预测算法。
本发明采用的技术方案如下:
基于社区划分的社交网络好友推荐方法,本方法主要流程为基于 谱聚类改进的遗传算法做社区划分CMDT,将社区划分CMDT的中 间结果作为链接预测算法的输入,并进行链接预测,链接预测方法主 要依据随机分块模型。
社区划分CMDT具体步骤如下:
输入:网络拓扑结构图G=(V,E)中,m为种群规模,Pc为交叉概率, Pm为变异概率,T为迭代次数,k为聚类个数;
输出:社区划分结果
步骤:
S1种群初始化操作:根据网络拓扑结构初始化种群P;
种群初始化是确定编码方式后执行遗传算法的第一步,这个过程 是要随机生成设定数目的个体,以便形成一定规模的种群,这些个体 都属于可行解空间。所以个体编码的方式要符合一定的规则,个体的 基因位取值来自于其邻接矩阵。
S2计算P中个体的适应度函数;
S3谱聚类算法对P进行种群划分;
应用谱聚类对种群个体进行划分,然后选取不同类别的个体对其 进行交叉操作。下面进行详细步骤说明:
S3.1相似度矩阵的计算S
在这个过程中,需要对两个体间的相似性进行度量,依据NMI来 计算不同个体,即不同社区划分间的相似性,以此来构造一个相似性 矩阵,其种群大小为m,那么该相似性矩阵大小为m*m。
S3.2度矩阵的计算D。
S3.3拉普拉斯矩阵L的计算。
S3.4计算拉普拉斯矩阵L的特征值和特征向量,把特征值从小到大 进行排序,取出前k个值并求出对应的特征向量,将其排成一个n行 k列的矩阵M。
S3.5矩阵M的每行都看成一个k维的向量,使用k-means算法对其 进行聚类。每行所属的类别都是种群中相应个体所属的类别。
S4执行交叉、变异操作产生新种群C:
在遗传操作中,交叉操作预示着新个体的产生,是种群进化的关 键步骤,是体现全局搜索能力重要一步。变异是指染色体中随机挑选 一个基因值被修改为其它的随机基因值。在二进制编码情况下,也就 是1变成0、0变成1;实数编码情况下,随机变成其它的实数值。 这种操作符合自然进化方向,利于增加种群多样性。
S5从P和C中选择最优的种群个体作为下一代种群放入P,最优指的 是在S2的计算结果中,前m大的个体,m为种群规模;
S6判断是否达到迭代次数,是转S7,否则转S3;
S7从P中选出最优个体,解码后就是社区的最优划分,该划分即为 链接预测算法SBMS的输入;
链接预测算法SBMS具体步骤如下:
输入:网络拓扑结构图G=(V,E),CMDT计算出的社区划分结果
输出:AUC结果;
步骤:
S-1对网络结构中节点和链接进行表示:
获取所有节点N和链接E的信息,用一种数据结构表示为原图G, 用邻接矩阵表示,矩阵大小为N×N,每一位是0或1,0表示没有 边,1表示有边,其中N代表网络中节点个数。
S-2区分测试集和训练集;
将所有链接随机划分为训练边集Ep和测试边集Eq,比例为9:1,将所 有节点N和训练边集Ep表示为训练图Gp。
S-3获取所有原图G中所有不存在链接的集合;
把邻接矩阵中所有值为0的边进行提取,用一个边集En进行保存,这 个集合中保存所有原图G不存在的边。
S-4节点相似性计算,具体算法如下:
S-4.1基于训练图Gp,随机选取测试边集Eq中一条边,计算这条边 两端节点相似性Rp。
如计算AE两点间存在链接的可能性时,对于现存在链接 A->C->D->E。传统的节点相似性方法无法对没有共同邻居节点的情 况做出正确的判断,而实际上这两点产生链接的可能性不应为0。本 方法采用下列公式计算节点间相似性:
其中,e(z)表示为节点z与其他共同邻居之间及与节点X和Y的链 接数,k(z)表示z节点的度,β1和β2是权重系数,Ω表示所有可能的 分块集合,P是其中一种分块情况,σi表示节点i所在组的标号, 表示第α个分组与第β个分组间实际链接数,rαβ表示第α个分组与第 β个分组间可能的最大连接数。
S=β1W2+β2W3 (2)
S-4.2记录Rp的值。
S-4.3重复步骤S-4.1、S-4.2完成一定量的抽样比较工作。
S-4.4计算AUC值。
AUC表示的是测试边集Eq中的边的分数比随机从不存在边的集 合En选取的一个边的相似性值高的概率,也就是说,每次随机从测试 边集Eq中选取一条边与随机选择的不存在的边进行比较,如果测试边 的相似性值大于不存在边的值,就加一分,如果两个数值相等,就加 0.5分,独立地比较n次,如果n′次测试集中的边的值大于不存在的 边的数值,n″次两个数值相等,定义AUC为:
根据S-4保存的Sp和Sn数值,计算AUC值。其中,n是总共比 较的次数,n′表示测试集AUC值优于不存在边的次数,n″表示测试 集AUC和不存在边相同的次数。
本发明针对基于节点相似性的不足,提出了对所有节点进行社区 划分,再基于节点相似性来进行链接预测的方法。这样的思路保证了 基于节点相似性链接预测的简单易实现的特点,又顾全了在社区这个 更大的拓扑结构给节点相似性带来的影响,使得该算法在真实世界不 同规模的复杂网络中,都有着较好的效果。
附图说明
图1为本发明方法中社区划分算法的流程图。
图2为本发明方法中链接预测算法的流程图。
图3为本发明社区划分网络拓扑图。
图4为本发明实验结果图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
图1为基于谱聚类改进的遗传算法做社区划分,该方法包括以下 步骤:
步骤一:对种群P进行初始化操作;
步骤二:计算P中个体的适应度函数;
步骤三:谱聚类算法对P进行种群划分;
步骤四:执行交叉、变异操作产生新种群C;
步骤五:选择策略从P和C中选择最优的种群个体放入P;
步骤六:判断是否达到迭代次数,是转步骤七,否则转步骤三;
步骤七:从P中选出最优个体,解码后就是社区的最优划分;
图2为依据随机分块模型的链接预测算法,该算法包括以下步骤:
步骤一:对网络结构中节点和链接进行表示;
步骤二:区分测试集和训练集;
步骤三,获取所有原图G中所有不存在链接的集合;
步骤四,节点相似性计算;
步骤五,得到AUC的值;
本发明将改进过的好友推荐算法在5个真实网络中做出了对比 试验,数据来自于Newman提供的海豚网络dolphins网络、空手道俱 乐部网络karate网络、足球俱乐部网络football网络、Krebs美国政 书网络pol-book网络,科学家合作网net-Science网络。
现在应用本章算法得到如下实验结果,每个实验结果是通过对原 始数据集进行随机划分形成的训练集(含90%的链接数)和测试集(含 10%的链接数)进行预测和评估得到的平均值。其中在AUC评估方法 中,进行了10次随机抽取比较。得知karate和net-Science网络的聚 类系数比较大,所以这两个网络的AUC提升较为明显。这也说明了 基于社区划分的链接预测方法比较适用于聚类系数较大,节点间比较 密集的网络结构。
图3为本发明社区划分网络拓扑图。
图4为本发明实验结果图。
Claims (2)
1.基于社区划分的社交网络好友推荐方法,其特征在于:本方法主要流程为基于谱聚类改进的遗传算法做社区划分CMDT,将社区划分CMDT的中间结果作为链接预测算法的输入,并进行链接预测,链接预测方法主要依据随机分块模型;
社区划分CMDT具体步骤如下:
输入:网络拓扑结构图G=(V,E)中,m为种群规模,Pc为交叉概率,Pm为变异概率,T为迭代次数,k为聚类个数;
输出:社区划分结果
步骤:
S1种群初始化操作:根据网络拓扑结构初始化种群P;
种群初始化是确定编码方式后执行遗传算法的第一步,这个过程是要随机生成设定数目的个体,以便形成一定规模的种群,这些个体都属于可行解空间;所以个体编码的方式要符合一定的规则,个体的基因位取值来自于其邻接矩阵;
S2计算P中个体的适应度函数;
S3谱聚类算法对P进行种群划分;
应用谱聚类对种群个体进行划分,然后选取不同类别的个体对其进行交叉操作;下面进行详细步骤说明:
S3.1相似度矩阵的计算S
在这个过程中,需要对两个体间的相似性进行度量,依据NMI来计算不同个体,即不同社区划分间的相似性,以此来构造一个相似性矩阵,其种群大小为m,那么该相似性矩阵大小为m*m;
S3.2度矩阵的计算D;
S3.3拉普拉斯矩阵L的计算;
S3.4计算拉普拉斯矩阵L的特征值和特征向量,把特征值从小到大进行排序,取出前k个值并求出对应的特征向量,将其排成一个n行k列的矩阵M;
S3.5矩阵M的每行都看成一个k维的向量,使用k-means算法对其进行聚类;每行所属的类别都是种群中相应个体所属的类别;
S4执行交叉、变异操作产生新种群C:
在遗传操作中,交叉操作预示着新个体的产生,是种群进化的关键步骤,是体现全局搜索能力重要一步;变异是指染色体中随机挑选一个基因值被修改为其它的随机基因值;在二进制编码情况下,也就是1变成0、0变成1;实数编码情况下,随机变成其它的实数值;这种操作符合自然进化方向,利于增加种群多样性;
S5从P和C中选择最优的种群个体作为下一代种群放入P,最优指的是在S2的计算结果中,前m大的个体,m为种群规模;
S6判断是否达到迭代次数,是转S7,否则转S3;
S7从P中选出最优个体,解码后就是社区的最优划分,该划分即为链接预测算法SBMS的输入。
2.根据权利要求1所述的基于社区划分的社交网络好友推荐方法,其特征在于:
链接预测算法SBMS具体步骤如下:
输入:网络拓扑结构图G=(V,E),CMDT计算出的社区划分结果;
输出:AUC结果;
步骤:
S-1对网络结构中节点和链接进行表示:
获取所有节点N和链接E的信息,用一种数据结构表示为原图G,用邻接矩阵表示,矩阵大小为N×N,每一位是0或1,0表示没有边,1表示有边,其中N代表网络中节点个数;
S-2区分测试集和训练集;
将所有链接随机划分为训练边集Ep和测试边集Eq,比例为9∶1,将所有节点N和训练边集Ep表示为训练图Gp;
S-3获取所有原图G中所有不存在链接的集合;
把邻接矩阵中所有值为0的边进行提取,用一个边集En进行保存,这个集合中保存所有原图G不存在的边;
S-4节点相似性计算,具体算法如下:
S-4.1基于训练图Gp,随机选取测试边集Eq中一条边,计算这条边两端节点相似性Rp;
如计算AE两点间存在链接的可能性时,对于现存在链接A->C->D->E;传统的节点相似性方法无法对没有共同邻居节点的情况做出正确的判断,而实际上这两点产生链接的可能性不应为0;本方法采用下列公式计算节点间相似性:
其中,e(z)表示为节点z与其他共同邻居之间及与节点X和Y的链接数,k(z)表示z节点的度,β1和β2是权重系数,Ω表示所有可能的分块集合,P是其中一种分块情况,σi表示节点i所在组的标号,表示第α个分组与第β个分组间实际链接数,rαβ表示第α个分组与第β个分组间可能的最大连接数。
S=β1W2+β2W3 (2)
S-4.2记录Rp的值;
S-4.3重复步骤S-4.1、S-4.2完成一定量的抽样比较工作;
S-4.4计算AUC值;
AUC表示的是测试边集Eq中的边的分数比随机从不存在边的集合En选取的一个边的相似性值高的概率,也就是说,每次随机从测试边集Eq中选取一条边与随机选择的不存在的边进行比较,如果测试边的相似性值大于不存在边的值,就加一分,如果两个数值相等,就加0.5分,独立地比较n次,如果n′次测试集中的边的值大于不存在的边的数值,n″次两个数值相等,定义AUC为:
根据S-4保存的Sp和Sn数值,计算AUC值;其中,n是总共比较的次数,n′表示测试集AUC值优于不存在边的次数,n″表示测试集AUC和不存在边相同的次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810518100.1A CN108734223A (zh) | 2018-05-27 | 2018-05-27 | 基于社区划分的社交网络好友推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810518100.1A CN108734223A (zh) | 2018-05-27 | 2018-05-27 | 基于社区划分的社交网络好友推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108734223A true CN108734223A (zh) | 2018-11-02 |
Family
ID=63935389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810518100.1A Pending CN108734223A (zh) | 2018-05-27 | 2018-05-27 | 基于社区划分的社交网络好友推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734223A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978333A (zh) * | 2019-02-26 | 2019-07-05 | 湖南大学 | 众包系统中基于社区发现与链接预测的独立工人选择方法 |
CN110136015A (zh) * | 2019-03-27 | 2019-08-16 | 西北大学 | 一种在线社交网络中节点相似性与凝聚力并重的信息传播方法 |
CN110263227A (zh) * | 2019-05-15 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 基于图神经网络的团伙发现方法和系统 |
CN111696626A (zh) * | 2019-11-22 | 2020-09-22 | 长春工业大学 | 一种融合社区结构和节点度的局部路径相似度的蛋白质链接预测算法 |
CN112767186A (zh) * | 2021-01-26 | 2021-05-07 | 东南大学 | 一种基于7-子图拓扑结构的社交网络链接预测方法 |
CN112929445A (zh) * | 2021-02-20 | 2021-06-08 | 山东英信计算机技术有限公司 | 一种面向推荐系统的链路预测方法、系统及介质 |
CN113744073A (zh) * | 2021-09-10 | 2021-12-03 | 太原理工大学 | 一种基于节点簇的社交网络的社区划分方法 |
CN114357312A (zh) * | 2022-03-16 | 2022-04-15 | 中南大学 | 基于图神经网络自动建模的社区发现方法及个性推荐方法 |
CN114707066A (zh) * | 2022-04-01 | 2022-07-05 | 福州大学 | 基于社区感知和自适应随机游走的景点推荐方法及系统 |
-
2018
- 2018-05-27 CN CN201810518100.1A patent/CN108734223A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978333A (zh) * | 2019-02-26 | 2019-07-05 | 湖南大学 | 众包系统中基于社区发现与链接预测的独立工人选择方法 |
CN110136015A (zh) * | 2019-03-27 | 2019-08-16 | 西北大学 | 一种在线社交网络中节点相似性与凝聚力并重的信息传播方法 |
CN110136015B (zh) * | 2019-03-27 | 2023-07-28 | 西北大学 | 一种在线社交网络中节点相似性与凝聚力并重的信息传播方法 |
CN110263227A (zh) * | 2019-05-15 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 基于图神经网络的团伙发现方法和系统 |
CN111696626A (zh) * | 2019-11-22 | 2020-09-22 | 长春工业大学 | 一种融合社区结构和节点度的局部路径相似度的蛋白质链接预测算法 |
CN112767186A (zh) * | 2021-01-26 | 2021-05-07 | 东南大学 | 一种基于7-子图拓扑结构的社交网络链接预测方法 |
CN112929445B (zh) * | 2021-02-20 | 2022-06-07 | 山东英信计算机技术有限公司 | 一种面向推荐系统的链路预测方法、系统及介质 |
CN112929445A (zh) * | 2021-02-20 | 2021-06-08 | 山东英信计算机技术有限公司 | 一种面向推荐系统的链路预测方法、系统及介质 |
CN113744073A (zh) * | 2021-09-10 | 2021-12-03 | 太原理工大学 | 一种基于节点簇的社交网络的社区划分方法 |
CN113744073B (zh) * | 2021-09-10 | 2023-07-25 | 太原理工大学 | 一种基于节点簇的社交网络的社区划分方法 |
CN114357312B (zh) * | 2022-03-16 | 2022-06-10 | 中南大学 | 基于图神经网络自动建模的社区发现方法及个性推荐方法 |
CN114357312A (zh) * | 2022-03-16 | 2022-04-15 | 中南大学 | 基于图神经网络自动建模的社区发现方法及个性推荐方法 |
CN114707066A (zh) * | 2022-04-01 | 2022-07-05 | 福州大学 | 基于社区感知和自适应随机游走的景点推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734223A (zh) | 基于社区划分的社交网络好友推荐方法 | |
CN110532436B (zh) | 基于社区结构的跨社交网络用户身份识别方法 | |
Costa et al. | Coevolution of generative adversarial networks | |
CN106991296B (zh) | 基于随机化贪心特征选择的集成分类方法 | |
Reihanian et al. | Community detection in social networks with node attributes based on multi-objective biogeography based optimization | |
Olteanu et al. | On-line relational and multiple relational SOM | |
CN108449209A (zh) | 基于路径信息和节点信息融合的社交网络好友推荐方法 | |
CN108009575A (zh) | 一种用于复杂网络的社区发现方法 | |
CN109921936A (zh) | 基于memetic框架的多目标动态网络社区划分方法 | |
CN113378913A (zh) | 一种基于自监督学习的半监督节点分类方法 | |
CN109446414A (zh) | 一种基于神经网络分类的软件信息站点快速标签推荐方法 | |
CN109447110A (zh) | 综合邻居标签相关性特征和样本特征的多标签分类的方法 | |
Costa et al. | Demonstrating the Evolution of GANs through t-SNE | |
Ghafori et al. | A multiobjective Cuckoo Search Algorithm for community detection in social networks | |
Rabani et al. | An optimized firefly algorithm based on cellular learning automata for community detection in social networks | |
Jiang et al. | A novel clustering algorithm based on P systems | |
da F Costa et al. | A pattern recognition approach to complex networks | |
CN116595197A (zh) | 一种专利分类号关联知识图谱的链路预测方法及系统 | |
CN113704570B (zh) | 基于自监督学习式进化的大规模复杂网络社区检测方法 | |
CN116956081A (zh) | 面向异构社交网络分布外泛化的社交标签预测方法及系统 | |
CN106815653B (zh) | 一种基于距离博弈的社交网络关系预测方法及系统 | |
Xu et al. | Discrete brain storm optimization algorithm based on prior knowledge for traveling salesman problems | |
Xu et al. | Extremal Nelder–Mead colony predation algorithm for parameter estimation of solar photovoltaic models | |
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 | |
CN113408652A (zh) | 基于群表示特征的半监督学习图像分类方法 |
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: 20181102 |
|
RJ01 | Rejection of invention patent application after publication |