CN108959370A - 一种基于知识图谱中实体相似度的社区发现方法及装置 - Google Patents
一种基于知识图谱中实体相似度的社区发现方法及装置 Download PDFInfo
- Publication number
- CN108959370A CN108959370A CN201810498426.2A CN201810498426A CN108959370A CN 108959370 A CN108959370 A CN 108959370A CN 201810498426 A CN201810498426 A CN 201810498426A CN 108959370 A CN108959370 A CN 108959370A
- Authority
- CN
- China
- Prior art keywords
- node
- label
- similarity
- similar
- weight
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013507 mapping Methods 0.000 claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 230000000644 propagated effect Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005303 weighing Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 18
- 230000006399 behavior Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 230000006854 communication Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement 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
- 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)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据处理技术领域,提供了一种基于知识图谱中实体相似度的社区发现方法及装置,该方法包括:使用知识图谱存储社交网络数据,并计算杰卡德距离得到相似度矩阵;根据所述相似度矩阵计算所述知识图谱中的相似节点集合;根据所述相似节点集合进行迭代的标签传播,并根据迭代后的每个节点的标签列表来确定该节点最终的社区标签,以进行社区发现。我们利用知识图谱存储社区网络,避免了对缺失数据的结构的存储,同时以此为基础将杰卡德距离作为相似度的计算基准,使其准确度更高。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于知识图谱中实体相似度的社区发现方法及装置。
背景技术
在庞大的社交网络中,通常存在着大量的用户实体以及与其相关的事件、地点等,而不同的用户实体之间往往在行为、信息等方面具有一定的相似性,而用户通常并没有办法准确而高效的搜索到这些与自己相似的用户。因此,对社交网络中的用户实体的相似性进行挖掘,并分析相似用户的信息和行为,可以达到对用户进行好友和个性化行为推荐等功能的目的。
另一方面社交网络中相似的用户群体往往是具有相似爱好、性格的小团体,从而可以组成社交网络中的社区,对用户进行社区推荐,也可以帮助用户更快速地认识新的好友。
目前,对社交网络中的实体相似性的挖掘通常是基于用户之间的相似性度量(余弦相似性、皮尔逊相关系数等)在网络中进行搜索,通过对属性进行计算得到用户的相似度矩阵,然后进行相似度的分析。
目前的社区发现方法则主要分为标签传播现方法与模块度方法,代表算法为LPA算法与GN算法。标签传播现方法通过对节点的标签进行迭代传播达到划分社区的目的。但是该方法对用户的联系均是通过图中节点的连通性进行判断,但在社区网络中,相似的用户并不一定是直接连通的,反之,即使是连通的用户之间,也未必存在着较高的相似性。这使得算法在迭代期间,搜索空间变大,从而消耗了更多的时间复杂度。模块度方法是通过计算边介数这一概念对社区进行划分,而边介数同样依靠节点的联通性,正如上所言,由于联通的用户未必相似,这使得模块度算法也同样会存在一定的偏差。
发明内容
本发明要解决的技术问题在于,针对现有社区发现方法以上一个或多个缺陷,提供了一种基于知识图谱中实体相似度的社区发现方法及装置。
为了解决上述技术问题,本发明提供了基于知识图谱中实体相似度的社区发现方法,包括:
使用知识图谱存储社交网络数据,并计算杰卡德距离得到相似度矩阵;
根据所述相似度矩阵计算所述知识图谱中的相似节点集合;
根据所述相似节点集合进行迭代的标签传播,并根据迭代后的每个节点的标签列表来确定该节点最终的社区标签,以进行社区发现。
可选地,所述根据所述相似度矩阵计算知识图谱中的相似节点集合,包括:
接收预设半径和相似度阈值;
对于知识图谱中的每个节点,搜索当前节点的预设半径范围内与所述当前节点相似度大于相似度阈值的节点,加入当前节点的相似节点集合。
可选地,所述根据所述相似节点集合进行迭代的标签传播,包括:
为知识图谱中的每个节点初始化标签列表,每个节点的标签列表中初始化具有唯一的标签,且权重为1;
设当前迭代次数的初始值为0,判断当前迭代次数是否小于预设迭代次数,是则依次对所述知识图谱中的每个节点进行标签传播操作,其中对于当前节点而言,以当前节点作为监听者,并将当前节点的相似节点集合中的所有节点作为传播者,将每个传播者的标签列表中权重最大的标签以及与权重发送给作为监听者的当前节点;在知识图谱中的每个节点均执行完该轮标签传播操作后,当前迭代次数加1,开始下一轮迭代,在当前迭代次数达到预设迭代次数时结束迭代。
可选地,所述根据迭代后的每个节点的标签列表来确定该节点最终的社区标签,包括:对于知识图谱中的所有节点,选取每个节点的标签列表里权重最大的标签作为其最终的社区标签。
可选地,所述将每个传播者的权重最大的标签以及与权重发送给作为监听者的当前节点时,根据所述相似度矩阵计算传播者与监听者的相似度作为权重发送给监听者。
本发明还提供了一种基于知识图谱中实体相似度的社区发现装置,包括:图谱存储单元、相似集合单元和标签传播单元;
所述图谱存储单元,用于使用知识图谱存储社交网络数据,并计算杰卡德距离得到相似度矩阵;
所述相似集合单元,用于根据所述相似度矩阵计算所述知识图谱中的相似节点集合;
所述标签传播单元,用于根据所述相似节点集合进行迭代的标签传播,并根据迭代后的每个节点的标签列表来确定该节点最终的社区标签,以进行社区发现。
可选地,所述相似集合单元执行以下操作以根据所述相似度矩阵计算知识图谱中的相似节点集合:
接收预设半径和相似度阈值;
对于知识图谱中的每个节点,搜索当前节点的预设半径范围内与所述当前节点相似度大于相似度阈值的节点,加入当前节点的相似节点集合。
可选地,所述标签传播单元执行以下操作以根据所述相似节点集合进行迭代的标签传播:
为知识图谱中的每个节点初始化标签列表,每个节点的标签列表中初始化具有唯一的标签,且权重为1;
设当前迭代次数的初始值为0,判断当前迭代次数是否小于预设迭代次数,是则依次对所述知识图谱中的每个节点进行标签传播操作,其中对于当前节点而言,以当前节点作为监听者,并将当前节点的相似节点集合中的所有节点作为传播者,将每个传播者的标签列表中权重最大的标签以及与权重发送给作为监听者的当前节点;在知识图谱中的每个节点均执行完该轮标签传播操作后,当前迭代次数加1,开始下一轮迭代,在当前迭代次数达到预设迭代次数时结束迭代。
可选地,所述标签传播单元对于知识图谱中的所有节点,选取每个节点的标签列表里权重最大的标签作为其最终的社区标签。
可选地,所述标签传播单元将每个传播者的权重最大的标签以及与权重发送给作为监听者的当前节点时,根据所述相似度矩阵计算传播者与监听者的相似度作为权重发送给监听者。
实施本发明实施例提供的基于知识图谱中实体相似度的社区发现方法及装置,至少具有如下有益效果:
1、本发明使用知识图谱存储社交网络,避免存储了大量空值,之后计算Jaccard距离,避免了缺失值对该结果的影响,得到相似度矩阵。同时以此为基础将Jaccard距离作为相似度的计算基准,使其准确度更高。
2、本发明还将连通节点这一集合替换为相似节点集合,降低算法在迭代过程中的搜索消耗,从而降低了单次迭代时间与迭代总次数,最终降低算法的总复杂度。
3、本发明在标签传播过程中,加入了节点的相似度作为权重,从而使标签传播的过程更倾向于相似的节点,使划分效果更准确。
4、本发明的标签列表不仅存储档次迭代的相似节点的标签,还存储过去收到的标签,使得结果更加准确。
附图说明
图1是本发明实施例一所提供基于知识图谱中实体相似度的社区发现方法的流程图;
图2是本发明实施例二所提供基于知识图谱中实体相似度的社区发现装置的示意图。
图中:201:图谱存储单元;202:相似集合单元;203:标签传播单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
如图1所示,本发明实施例提供的基于知识图谱中实体相似度的社区发现方法,可以包括以下步骤:
步骤S101:使用知识图谱存储社交网络数据,并计算杰卡德(Jaccard)距离得到相似度矩阵;
步骤S102:根据所述相似度矩阵计算所述知识图谱中的相似节点集合;
步骤S103:根据所述相似节点集合进行迭代的标签传播,并根据迭代后的每个节点的标签列表来确定该节点最终的社区标签,以进行社区发现。
本发明采用基于Jaccard距离作为核心的相似度,由于社区网络中的数据存在大量缺失,使用欧氏距离或者余弦相似度会将缺失属性代入计算,这会增加缺失数据的节点之间的相似度,从而影响了结果的真实性。因此,本发明使用知识图谱存储社交网络,避免存储了大量空值,之后计算Jaccard距离,避免了缺失值对该结果的影响,得到相似度矩阵。同时以此为基础将Jaccard距离作为相似度的计算基准,使其准确度更高。
实施例二
在实施例一所提供基于知识图谱中实体相似度的社区发现方法的基础上,步骤S102中的根据所述相似度矩阵计算所述知识图谱中的相似节点集合的过程,具体可以通过如下方式实现:
(1)接收预设半径r和相似度阈值s;
(2)对于知识图谱中的每个节点,搜索当前节点的预设半径r范围内与所述当前节点相似度大于相似度阈值s的节点,加入当前节点的相似节点集合。
本发明将连通节点这一集合替换为相似节点集合,降低算法在迭代过程中的搜索消耗,从而降低了单次迭代时间与迭代总次数,最终降低算法的总复杂度。
实施例三
在实施例二所提供基于知识图谱中实体相似度的社区发现方法的基础上,步骤S103中所述根据所述相似节点集合进行迭代的标签传播的过程,具体可以通过如下方式实现:
(1)为知识图谱中的每个节点初始化标签列表,每个节点的标签列表中初始化具有唯一的标签,且权重为1;
(2)设当前迭代次数的初始值为0,判断当前迭代次数是否小于预设迭代次数t,是则依次对所述知识图谱中的每个节点进行标签传播操作,否则结束迭代;
在依次对所述知识图谱中的每个节点进行标签传播操作时,对于当前节点而言,以当前节点作为监听者,并将当前节点的相似节点集合中的所有节点作为传播者,将每个传播者的标签列表中权重最大的标签以及与权重发送给作为监听者的当前节点;在知识图谱中的每个节点均执行完该轮标签传播操作后,当前迭代次数加1,开始下一轮迭代,在当前迭代次数达到预设迭代次数时结束迭代。
对于知识图谱中的所有节点,选取每个节点的标签列表里权重最大的标签作为其最终的社区标签,以进行社区发现。
优选地,本发明中在将每个传播者的权重最大的标签以及与权重发送给作为监听者的当前节点时,根据所述相似度矩阵计算传播者与监听者的相似度作为权重发送给监听者。
也就是说,本发明为了更好地考虑每个节点所属的社区,参考了SLPA(Speaker-listener based information propagation algorithm,基于传播者和监听者的信息传播算法),在每个节点的标签列表中初始化一个唯一的标签,权重为1,在迭代过程中,对于每个节点,令其相似节点将自己标签列表里权重最高的节点以及相似度作为权重发送至该节点的标签列表里,当算法达到最大迭代次数之后,本发明选取每个节点标签列表里权重最大的标签作为其最终的社区标签。
因此,本发明在标签传播过程中,加入了节点的相似度作为权重,从而使标签传播的过程更倾向于相似的节点,使划分效果更准确;并且标签列表不仅存储档次迭代的相似节点的标签,还存储过去收到的标签,使得结果更加准确。
步骤S102和S103的伪代码如下:
上述算法略去了计算相似度的方法,在5-9行,针对限定的相似度阈值s与预设半径r两个参数,得到每个节点的相似群体并存储。之后11-12行初始化了每个节点的唯一标签及权重,为了保证唯一性,可以设定该标签为节点的序号或者信息的哈希值,以使得在算法初始每个节点属于唯一的一个社区。16-23行是每次迭代的执行内容,对于每个正在更新的节点,称之为监听者,然后令监听者的每个相似节点发送其标签列表中权重最大的节点以及其与监听者间的相似度作为权重,这样使得传播结果更倾向于与监听者更相似的节点。在26-27行,每个节点输出其标签列表中权重最大的标签,作为其最终社区标签。
实施例四
如图2所示,本发明实施例提供的基于知识图谱中实体相似度的社区发现装置,可以包括:图谱存储单元201、相似集合单元202和标签传播单元203;
图谱存储单元201,用于使用知识图谱存储社交网络数据,并计算杰卡德距离得到相似度矩阵。该图谱存储单元201执行的操作与前述步骤S101相同。
相似集合单元202,用于根据所述相似度矩阵计算所述知识图谱中的相似节点集合;该相似集合单元202执行的操作与前述步骤S102相同。
标签传播单元203,用于根据所述相似节点集合进行迭代的标签传播,并根据迭代后的每个节点的标签列表来确定该节点最终的社区标签,以进行社区发现。该标签传播单元203执行的操作与前述步骤S103相同。
优选地,相似集合单元202执行以下操作以根据所述相似度矩阵计算知识图谱中的相似节点集合:
接收预设半径和相似度阈值;
对于知识图谱中的每个节点,搜索当前节点的预设半径范围内与所述当前节点相似度大于相似度阈值的节点,加入当前节点的相似节点集合。
优选地,标签传播单元203执行以下操作以根据所述相似节点集合进行迭代的标签传播:
为知识图谱中的每个节点初始化标签列表,每个节点的标签列表中初始化具有唯一的标签,且权重为1;
设当前迭代次数的初始值为0,判断当前迭代次数是否小于预设迭代次数,是则依次对所述知识图谱中的每个节点进行标签传播操作,其中对于当前节点而言,以当前节点作为监听者,并将当前节点的相似节点集合中的所有节点作为传播者,将每个传播者的标签列表中权重最大的标签以及与权重发送给作为监听者的当前节点;在知识图谱中的每个节点均执行完该轮标签传播操作后,当前迭代次数加1,开始下一轮迭代,在当前迭代次数达到预设迭代次数时结束迭代。
优选地,标签传播单元203对于知识图谱中的所有节点,选取每个节点的标签列表里权重最大的标签作为其最终的社区标签。
优选地,标签传播单元203将每个传播者的权重最大的标签以及与权重发送给作为监听者的当前节点时,根据所述相似度矩阵计算传播者与监听者的相似度作为权重发送给监听者。
另外需要说明的是,本发明实施例提供的基于知识图谱中实体相似度的社区发现装置,可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,如图2所示,作为一个逻辑意义上的装置,是通过其所在设备的CPU将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。
综上所述,本发明主要是对社区发现算法的搜索空间进行改进,充分利用知识图谱的特点计算出节点间的相似度,从而避免算法搜索一些无用节点增加了时间开销,同时针对社区网络中存在大量数据缺失的现象,改善已有的相似度计算方式,使其更加接近于真实的相似度。
本发明使用了来自斯坦福大学提供的社交网络数据进行了实验,在相似度方面,由于缺失值的关系,本发明使用的Jaccard距离得到了比欧氏距离、余弦相似度等更低但更准确的结果。之后我们运行了LPA(标签传播方法)方法与本发明中的方法进行了比较,经多次实验证明,本发明通过替换相似节点,有效降低了算法的时间复杂度,虽然相对LPA算法来说稍稍提升了空间复杂度,但对于社区发现算法,时间复杂度的降低是更重要的。
最后应说明的是:以上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。
Claims (10)
1.一种基于知识图谱中实体相似度的社区发现方法,其特征在于,包括:
使用知识图谱存储社交网络数据,并计算杰卡德距离得到相似度矩阵;
根据所述相似度矩阵计算所述知识图谱中的相似节点集合;
根据所述相似节点集合进行迭代的标签传播,并根据迭代后的每个节点的标签列表来确定该节点最终的社区标签,以进行社区发现。
2.根据权利要求1所述的方法,其特征在于,所述根据所述相似度矩阵计算知识图谱中的相似节点集合,包括:
接收预设半径和相似度阈值;
对于知识图谱中的每个节点,搜索当前节点的预设半径范围内与所述当前节点相似度大于相似度阈值的节点,加入当前节点的相似节点集合。
3.根据权利要求2所述的方法,其特征在于,所述根据所述相似节点集合进行迭代的标签传播,包括:
为知识图谱中的每个节点初始化标签列表,每个节点的标签列表中初始化具有唯一的标签,且权重为1;
设当前迭代次数的初始值为0,判断当前迭代次数是否小于预设迭代次数,是则依次对所述知识图谱中的每个节点进行标签传播操作,其中对于当前节点而言,以当前节点作为监听者,并将当前节点的相似节点集合中的所有节点作为传播者,将每个传播者的标签列表中权重最大的标签以及与权重发送给作为监听者的当前节点;在知识图谱中的每个节点均执行完该轮标签传播操作后,当前迭代次数加1,开始下一轮迭代,在当前迭代次数达到预设迭代次数时结束迭代。
4.根据权利要求3所述的方法,其特征在于,所述根据迭代后的每个节点的标签列表来确定该节点最终的社区标签,包括:
对于知识图谱中的所有节点,选取每个节点的标签列表里权重最大的标签作为其最终的社区标签。
5.根据权利要求3或4所述的方法,其特征在于,所述将每个传播者的权重最大的标签以及与权重发送给作为监听者的当前节点时,根据所述相似度矩阵计算传播者与监听者的相似度作为权重发送给监听者。
6.一种基于知识图谱中实体相似度的社区发现装置,其特征在于,包括:图谱存储单元、相似集合单元和标签传播单元;
所述图谱存储单元,用于使用知识图谱存储社交网络数据,并计算杰卡德距离得到相似度矩阵;
所述相似集合单元,用于根据所述相似度矩阵计算所述知识图谱中的相似节点集合;
所述标签传播单元,用于根据所述相似节点集合进行迭代的标签传播,并根据迭代后的每个节点的标签列表来确定该节点最终的社区标签,以进行社区发现。
7.根据权利要求6所述的装置,其特征在于,所述相似集合单元执行以下操作以根据所述相似度矩阵计算知识图谱中的相似节点集合:
接收预设半径和相似度阈值;
对于知识图谱中的每个节点,搜索当前节点的预设半径范围内与所述当前节点相似度大于相似度阈值的节点,加入当前节点的相似节点集合。
8.根据权利要求7所述的装置,其特征在于,所述标签传播单元执行以下操作以根据所述相似节点集合进行迭代的标签传播:
为知识图谱中的每个节点初始化标签列表,每个节点的标签列表中初始化具有唯一的标签,且权重为1;
设当前迭代次数的初始值为0,判断当前迭代次数是否小于预设迭代次数,是则依次对所述知识图谱中的每个节点进行标签传播操作,其中对于当前节点而言,以当前节点作为监听者,并将当前节点的相似节点集合中的所有节点作为传播者,将每个传播者的标签列表中权重最大的标签以及与权重发送给作为监听者的当前节点;在知识图谱中的每个节点均执行完该轮标签传播操作后,当前迭代次数加1,开始下一轮迭代,在当前迭代次数达到预设迭代次数时结束迭代。
9.根据权利要求8所述的装置,其特征在于,所述标签传播单元对于知识图谱中的所有节点,选取每个节点的标签列表里权重最大的标签作为其最终的社区标签。
10.根据权利要求8或9所述的装置,其特征在于,所述标签传播单元将每个传播者的权重最大的标签以及与权重发送给作为监听者的当前节点时,根据所述相似度矩阵计算传播者与监听者的相似度作为权重发送给监听者。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810498426.2A CN108959370B (zh) | 2018-05-23 | 2018-05-23 | 一种基于知识图谱中实体相似度的社区发现方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810498426.2A CN108959370B (zh) | 2018-05-23 | 2018-05-23 | 一种基于知识图谱中实体相似度的社区发现方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108959370A true CN108959370A (zh) | 2018-12-07 |
CN108959370B CN108959370B (zh) | 2021-04-06 |
Family
ID=64499343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810498426.2A Active CN108959370B (zh) | 2018-05-23 | 2018-05-23 | 一种基于知识图谱中实体相似度的社区发现方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108959370B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508389A (zh) * | 2018-12-19 | 2019-03-22 | 哈尔滨工程大学 | 一种人员社会关系图谱可视化加速方法 |
CN109635194A (zh) * | 2018-12-12 | 2019-04-16 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN110210867A (zh) * | 2019-05-14 | 2019-09-06 | 无线生活(北京)信息技术有限公司 | 节点标签的确定方法及装置 |
CN110287424A (zh) * | 2019-06-28 | 2019-09-27 | 中国人民大学 | 基于单源SimRank的协同过滤推荐方法 |
CN110377729A (zh) * | 2019-06-11 | 2019-10-25 | 福建奇点时空数字科技有限公司 | 一种基于社会网络模型的团建活动实体相似度计算方法 |
CN111190966A (zh) * | 2019-12-07 | 2020-05-22 | 北京海致星图科技有限公司 | 一种基于lpa算法的大规模知识图谱可视化方法及系统 |
CN113590721A (zh) * | 2021-06-25 | 2021-11-02 | 中国人民银行数字货币研究所 | 一种区块链地址分类方法和装置 |
CN113869904A (zh) * | 2021-08-16 | 2021-12-31 | 工银科技有限公司 | 可疑数据识别方法、装置、电子设备、介质和计算机程序 |
CN116484026A (zh) * | 2023-06-20 | 2023-07-25 | 中科聚信信息技术(北京)有限公司 | 基于知识图谱的人物关系推理方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838803A (zh) * | 2013-04-28 | 2014-06-04 | 电子科技大学 | 一种基于节点Jaccard相似度的社交网络社团发现方法 |
CN105893382A (zh) * | 2014-12-23 | 2016-08-24 | 天津科技大学 | 一种基于先验知识的微博用户群体划分方法 |
CN107016072A (zh) * | 2017-03-23 | 2017-08-04 | 成都市公安科学技术研究所 | 基于社交网络知识图谱的知识推理系统及方法 |
US20170249388A1 (en) * | 2016-02-26 | 2017-08-31 | Microsoft Technology Licensing, Llc | Expert Detection in Social Networks |
CN107993156A (zh) * | 2017-11-28 | 2018-05-04 | 中山大学 | 一种基于社交网络有向图的社区发现方法 |
-
2018
- 2018-05-23 CN CN201810498426.2A patent/CN108959370B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838803A (zh) * | 2013-04-28 | 2014-06-04 | 电子科技大学 | 一种基于节点Jaccard相似度的社交网络社团发现方法 |
CN105893382A (zh) * | 2014-12-23 | 2016-08-24 | 天津科技大学 | 一种基于先验知识的微博用户群体划分方法 |
US20170249388A1 (en) * | 2016-02-26 | 2017-08-31 | Microsoft Technology Licensing, Llc | Expert Detection in Social Networks |
CN107016072A (zh) * | 2017-03-23 | 2017-08-04 | 成都市公安科学技术研究所 | 基于社交网络知识图谱的知识推理系统及方法 |
CN107993156A (zh) * | 2017-11-28 | 2018-05-04 | 中山大学 | 一种基于社交网络有向图的社区发现方法 |
Non-Patent Citations (3)
Title |
---|
KANNA ALFALAHI ET AL.: "Community detection in social networks through similarity virtual networks", 《IEEE》 * |
刘冰玉 等: "基于动态主题模型融合多维数据的微博社区发现算法", 《软件学报》 * |
孙怡帆 等: "基于相似度的微博社交网络的社区发现方法", 《计算机研究与发展》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635194A (zh) * | 2018-12-12 | 2019-04-16 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN109508389B (zh) * | 2018-12-19 | 2021-05-28 | 哈尔滨工程大学 | 一种人员社会关系图谱可视化加速方法 |
CN109508389A (zh) * | 2018-12-19 | 2019-03-22 | 哈尔滨工程大学 | 一种人员社会关系图谱可视化加速方法 |
CN110210867A (zh) * | 2019-05-14 | 2019-09-06 | 无线生活(北京)信息技术有限公司 | 节点标签的确定方法及装置 |
CN110377729A (zh) * | 2019-06-11 | 2019-10-25 | 福建奇点时空数字科技有限公司 | 一种基于社会网络模型的团建活动实体相似度计算方法 |
CN110287424A (zh) * | 2019-06-28 | 2019-09-27 | 中国人民大学 | 基于单源SimRank的协同过滤推荐方法 |
CN110287424B (zh) * | 2019-06-28 | 2021-07-20 | 中国人民大学 | 基于单源SimRank的协同过滤推荐方法 |
CN111190966A (zh) * | 2019-12-07 | 2020-05-22 | 北京海致星图科技有限公司 | 一种基于lpa算法的大规模知识图谱可视化方法及系统 |
CN113590721A (zh) * | 2021-06-25 | 2021-11-02 | 中国人民银行数字货币研究所 | 一种区块链地址分类方法和装置 |
CN113590721B (zh) * | 2021-06-25 | 2024-01-30 | 中国人民银行数字货币研究所 | 一种区块链地址分类方法和装置 |
CN113869904A (zh) * | 2021-08-16 | 2021-12-31 | 工银科技有限公司 | 可疑数据识别方法、装置、电子设备、介质和计算机程序 |
CN116484026A (zh) * | 2023-06-20 | 2023-07-25 | 中科聚信信息技术(北京)有限公司 | 基于知识图谱的人物关系推理方法、装置及电子设备 |
CN116484026B (zh) * | 2023-06-20 | 2023-10-31 | 中科聚信信息技术(北京)有限公司 | 基于知识图谱的人物关系推理方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108959370B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959370A (zh) | 一种基于知识图谱中实体相似度的社区发现方法及装置 | |
Song et al. | Influential node tracking on dynamic social network: An interchange greedy approach | |
Narayanam et al. | A shapley value-based approach to discover influential nodes in social networks | |
Li et al. | Towards a theory of scale-free graphs: Definition, properties, and implications | |
Ribeiro et al. | Sampling directed graphs with random walks | |
Voudigari et al. | Rank degree: An efficient algorithm for graph sampling | |
Li et al. | A stable community detection approach for complex network based on density peak clustering and label propagation | |
CN105653689B (zh) | 一种用户传播影响力的确定方法和装置 | |
US8438189B2 (en) | Local computation of rank contributions | |
CN107895038B (zh) | 一种链路预测关系推荐方法及装置 | |
Kim et al. | Influential neighbours selection for information diffusion in online social networks | |
Orman et al. | Towards realistic artificial benchmark for community detection algorithms evaluation | |
Kapralov et al. | Spectral sparsification via random spanners | |
Das Sarma et al. | Efficient distributed random walks with applications | |
Chen et al. | Distinct counting with a self-learning bitmap | |
Kim et al. | Influence maximization based on reachability sketches in dynamic graphs | |
CN108182640A (zh) | 一种基于用户行为传播模型求解影响力最大化问题的方法 | |
CN111723298A (zh) | 基于改进标签传播的社交网络社团发现方法、装置及介质 | |
Šubelj | Label propagation for clustering | |
Zhou et al. | Leveraging history for faster sampling of online social networks | |
Cao et al. | Brief announcement: An improved distributed approximate single source shortest paths algorithm | |
Mitavskiy et al. | Theoretical analysis of local search strategies to optimize network communication subject to preserving the total number of links | |
Mumtaz et al. | Identifying top-k influential nodes in networks | |
WO2018077301A1 (zh) | 账号筛选方法和装置 | |
CN111178678B (zh) | 基于社团影响力的网络节点重要性评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |