CN109003195A - 基于三角形粗化与动态距离的重叠社区发现方法 - Google Patents

基于三角形粗化与动态距离的重叠社区发现方法 Download PDF

Info

Publication number
CN109003195A
CN109003195A CN201810765470.5A CN201810765470A CN109003195A CN 109003195 A CN109003195 A CN 109003195A CN 201810765470 A CN201810765470 A CN 201810765470A CN 109003195 A CN109003195 A CN 109003195A
Authority
CN
China
Prior art keywords
community
nodes
node
overlapping
coar
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
Application number
CN201810765470.5A
Other languages
English (en)
Inventor
刘漳辉
项冰洁
郭昆
郭文忠
陈羽中
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN201810765470.5A priority Critical patent/CN109003195A/zh
Publication of CN109003195A publication Critical patent/CN109003195A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01Social 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

本发明涉及一种基于三角形粗化与动态距离的重叠社区发现方法,包括:读取网络数据集,生成网络图G;将G中的三角形融合为一个复合节点,多次迭代遍历直至粗化率达到一定阈值,结束粗化过程,得到粗化后的图G coar ;根据Jaccard距离初始化G coar 中所有边对应节点的距离;考虑三种邻居的影响,迭代更新邻居节点间的距离,直至所有距离收敛;求得重叠社区集合C over 并更新C over ;还原网络,将被复合节点加入到复合节点的社区,最终得到C’;输出最终的社区划分结果。本发明一方面是采取基于三角形的粗化策略降低网络规模,应用于较大规模网络的社区发现,从而提高实践效率;另一方面是采用基于Attractor的动态距离处理机制,并结合相似度判断,因此能够有效地得到网络中重叠社区结构划分,并为网络聚类在重叠社区发现方向的发展提供有益补充。

Description

基于三角形粗化与动态距离的重叠社区发现方法
技术领域
本发明涉及大规模网络上的重叠社区发现技术领域,特别是一种基于三角形粗化与动态距离的重叠社区发现方法。
背景技术
随着技术的飞速发展,事物之间联系更加紧密,形成的关系网络也更加错综复杂,正因如此,复杂网络分析成为近年来学者们研究的热点之一。例如蛋白质交互网络、计算机服务器网络、流行性疾病的传播网络、科学家合作网络等,已成为目前众多学者的研究对象。社区结构作为复杂网络的一大重要特性,表现为社区内节点连接紧密,社区间节点连接稀疏[1]。发现复杂网络中的社区结构能够更好地帮助研究人员了解网络的内在机制,改善其网络行为,对实际生活具有重要的应用价值
为了高效准确的挖掘出复杂网络中的重叠社区结构,近些年已经有很多研究人员对其展开深入研究。重叠社区发现算法根据采取的策略不同,可以分为基于团的方法、基于标签传播的方法、基于边聚类的方法、基于种子扩张的方法等。这些算法在社区结构明显且大小均匀时可以较好的发现网络社区结构,但对于社区大小不均以及形状各异的网络,上述算法的效果较差。所以就有研究员提出了基于动态距离机制的社区发现算法。
目前已有一些学者对基于动态距离机制的社区发现进行研究,也取得了一定的成果,但仍然存在以下两个问题:首先算法的时间复杂度相对较高,无法处理较大规模网络;其次,算法在处理节点社区归属时,将距离小于1的节点加入同一社区,忽略了节点的重叠特性,从而很难发现重叠社区。所以社区发现的精度不高。
发明内容
本发明的目的在于提供一种基于三角形粗化与动态距离的重叠社区发现方法,该方法可以高效、准确地对复杂网络的重叠结构进行划分。
为实现上述目的,本发明的技术方案是:一种基于三角形粗化与动态距离的重叠社区发现方法,其包括以下步骤:
步骤1:读取网络数据集,生成网络图G;
步骤2:按照节点的度从小到大的顺序遍历G中的三角形,将构成三角形的三个节点融合为一个复合节点,多次迭代遍历直至粗化率达到一定阈值,结束粗化过程,得到粗化后的图Gcoar
步骤3:遍历Gcoar中的所有边,根据
Jaccard距离公式初始化所有边对应节点的距离;
步骤4:考虑同一条边的三种邻居对节点间距离的影响力,更新所有边对应节点的距离;经过多次迭代更新,节点间的距离将会趋于0或1;将距离为1的边切断,经过断边处理后,图结构中构成连通分支的节点属于同一社区,最终得到社区集合C;
步骤5:根据节点与社区的相似度,对步骤4中距离为1的边所对应的节点进行重叠节点判断,将节点加入到相似度大于等于n的社区中,得到重叠社区集合Cover;n大于0;
步骤6:根据社区与社区间的相似度,将Cover中社区节点数少于5的社区合并到与其相似度最大的社区中,更新重叠社区集合Cover
步骤7:将原始网络中的被复合节点加入到复合节点所属的社区中,得到最终的重叠社区集合C’;
步骤8:输出最终的社区划分结果。
在本发明一实施例中,在步骤1中,读取网络数据集,生成用于划分社区结构的网络图G=(V,E),其中V表示节点集,E表示边集。
在本发明一实施例中,在步骤2中,对原始网络G进行粗化,包括以下步骤:
步骤2.1:将网络中的节点按度大小升序排序,将序列记为nodesort
步骤2.2:初始化每个节点的标志位F(·);
步骤2.3:按nodesort中的顺序依次取出节点,记为节点v,寻找由节点v构成的三角形,当构成三角形的三个节点的标志位均小于2且其余两个节点的度小于v的度时,将三个节点融合成一个复合节点vcomp,并将被复合节点的边关系映射融合到复合节点上,更新复合节点的邻居集及其边权重wcomp
步骤2.4:当遍历完nodesort中的所有节点后,便完成一层粗化,求出该层粗化的粗化率;
ratecoar=(Gm-Gm-1)/G (1),
其中,Gm-1存储该层粗化前的图结构信息,Gm中存储粗化后的图结构信息;
步骤2.5:如果ratecoar大于给定阈值,则重复步骤2.1至2.5;反之将Gm-1中的图结构信息存储至Gcoar=(V’,E’)中,继续下列步骤。
在本发明一实施例中,在步骤3中,遍历Gcoar中的所有边,根据Jaccard距离公式初始化所有边对应节点的距离,包括以下步骤:
步骤3.1:遍历Gcoar的边集E’,基于Jaccard距离公式初始化所有边对应节点的距离的d(u,v);Jaccard距离公式如下:
其中,Г(·)表示包含节点自身的邻居集。
在本发明一实施例中,在步骤4包括以下具体步骤:
步骤4.1:遍历Gcoar的边集E’,将边记为e=(u,v),当0<d(u,v)<1时,依次求出该边的直连邻居、共有邻居、专有邻居的影响力DI、CI、EI;DI、CI、EI定义如下:
其中,f(·)为耦合函数,一般采用sin(·)函数,CN(u,v)为节点u,v的共同邻居集,EN(·)表示节点的专有邻居集,其定义如下:
EN(u)=NB(u)-CN(u,v) (6);
步骤4.2:设dist=d(u,v)+DI+CI+EI;
步骤4.3:若dist≤0,d(u,v)=0;若0<dist<1,d(u,v)=dist;若dist≥1,d(u,v)=1。将距离更新至Gcoar中;
步骤4.4:当所有边对应节点的距离均为0或1,终止迭代过程;反之,重复步骤4.1至4.4;步骤4.5:将Gcoar中距离为1的边切断,经过断边处理后,Gcoar中构成连通分支的节点属于同一社区,最终得到社区集合C。
在本发明一实施例中,在步骤5中包括以下步骤:
步骤5.1:将Gcoar中距离为1的边所对应的节点存入集合s中;
步骤5.2:遍历s中的节点,记为u,求出节点u与社区Ck∈C的相似度,记为sim(u,Ck),n取0.5如果sim(u,Ck)≥0.5,则将节点加入Ck;节点与社区的相似度的定义如下:
其中,NB(u)表示节点u不包含自身的邻居集,NB(Ck)表示社区Ck中所有节点不包含自身的邻居集的并集,|·|表示元素的数量;
步骤5.3:更新社区信息,得到重叠社区集合Cover
在本发明一实施例中,在步骤6中,根据社区与社区间的相似度,将Cover中社区节点数少于5的社区合并到与其相似度最大的社区中,更新重叠社区集合Cover,包括以下步骤:
步骤6.1:遍历Cover中的中节点数少于5的社区,记为Cl,计算该社区与其他社区的相似度simcom(Cl,Ck);其中社区与社区的相似度simcom(Cl,Ck)的定义如下:
步骤6.2:将Cl加入到相似度最大的社区Ci中;
步骤6.3:遍历完后,如果还存在节点数少于5的社区,则重复步骤5.1至6.3,否则将最新的社区结构更新到重叠社区集合Cover中。
在本发明一实施例中,在步骤7中,根据粗化节点与原始节点的映射关系还原出原始网络,将原始网络中的被复合节点加入到复合节点所属的社区中,得到最终的重叠社区集合C’,包括以下步骤:
步骤7.1:遍历Gcoar的节点集V’,将节点记为v,将v覆盖的原始节点加入到v所属的社区中,更新重叠社区集合Cover
步骤7.2:遍历完成后,将Cover中的社区信息存储至C’。
在本发明一实施例中,在步骤8包括以下步骤:
步骤8.1:将重叠社区集合C’中每个社区Ci’中的节点vi,j写成行向量形式Ri=(vi,j);
步骤8.2:输出向量集{Ri},0<i<p,p为社区个数,每行代表一个社区;社区重叠由行向量中包含的重复节点表示。
本发明的有益效果分为两方面,一方面是采取基于三角形的粗化策略降低网络规模,应用于较大规模网络的社区发现,从而提高实践效率;另一方面是采用基于Attractor的动态距离处理机制,并结合相似度判断,因此能够有效地得到网络中重叠社区结构划分,并为网络聚类在重叠社区发现方向的发展提供有益补充。
附图说明
图1是本发明一实施例的实现流程图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。
本发明基于三角形粗化与动态距离的重叠社区发现,如图1所示,包括以下步骤:
步骤1:读取网络数据集,生成网络图G。具体方法为:
读取网络数据集,生成用于划分社区结构的网络图G=(V,E),其中V表示节点集,E表示边集;
步骤2:按照节点的度从小到大的顺序遍历G中的三角形,将构成三角形的三个节点融合为一个复合节点,多次迭代遍历直至粗化率达到一定阈值,结束粗化过程,得到粗化后的图Gcoar。具体包括以下步骤:
步骤2.1:将网络中的节点按度大小升序排序,将序列记为nodesort
步骤2.2:初始化每个节点的标志位F(·),一般初始化为-1;
步骤2.3:按nodesort中的顺序依次取出节点,记为节点v,寻找由节点v构成的三角形。当构成三角形的三个节点的标志位均小于2且其余两个节点的度小于v的度时,将三个节点融合成一个复合节点vcomp,并将被复合节点的边关系映射融合到复合节点上。接着,更新复合节点的邻居集及其边权重wcomp
步骤2.4:当遍历完nodesort中的所有节点后,便完成一层粗化,求出该层粗化的粗化率。
ratecoar=(Gm-Gm-1)/G (1)
其中,Gm-1存储该层粗化前的图结构信息,Gm中存储粗化后的图结构信息;
步骤2.5:如果ratecoar大于给定阈值,则重复步骤2.1至2.5;反之将Gm-1中的图结构信息存储至Gcoar=(V’,E’)中,继续下列步骤。
步骤3:遍历Gcoar中的所有边,根据Jaccard距离公式初始化所有边对应节点的距离。具体包括以下步骤:
步骤3.1:遍历Gcoar的边集E’,基于Jaccard距离公式初始化所有边对应节点的距离的d(u,v)。Jaccard距离公式如下:
其中,Г(·)表示包含节点自身的邻居集。
步骤4:一条边存在三种不同类型的邻居,分别为直连邻居、共有邻居、专有邻居。考虑这三种邻居对节点间距离的影响力,更新所有边对应节点的距离。经过多次迭代更新,节点间的距离将会趋于0或1。将距离为1的边切断,经过断边处理后,图结构中构成连通分支的节点属于同一社区,最终得到社区集合C。具体包括以下步骤:
步骤4.1:遍历Gcoar的边集E’,将边记为e=(u,v),当0<d(u,v)<1时,依次求出该边的直连邻居、共有邻居、专有邻居的影响力DI、CI、EI;DI、CI、EI定义如下:
其中,f(·)为耦合函数,一般采用sin(·)函数。CN(u,v)为节点u,v的共同邻居集。EN(·)表示节点的专有邻居集,其定义如下:
EN(u)=NB(u)-CN(u,v) (6)
步骤4.2:设dist=d(u,v)+DI+CI+EI;
步骤4.3:若dist≤0,d(u,v)=0;若0<dist<1,d(u,v)=dist;若dist≥1,d(u,v)=1。将距离更新至Gcoar中;
步骤4.4:当所有边对应节点的距离均为0或1,终止迭代过程;反之,重复步骤4.1至4.4。
步骤4.5:将Gcoar中距离为1的边切断,经过断边处理后,Gcoar中构成连通分支的节点属于同一社区,最终得到社区集合C。
步骤5:根据节点与社区的相似度,对步骤4中距离为1的边所对应的节点进行重叠节点判断,将节点加入到相似度大于等于0.5的社区中,得到重叠社区集合Cover。具体包括以下步骤:
步骤5.1:将Gcoar中距离为1的边所对应的节点存入集合s中;
步骤5.2:遍历s中的节点,记为u,求出节点u与社区Ck∈C的相似度,记为sim(u,Ck)。如果sim(u,Ck)≥0.5,则将节点加入Ck;节点与社区的相似度的定义如下:
其中,NB(u)表示节点u不包含自身的邻居集,NB(Ck)表示社区Ck中所有节点不包含自身的邻居集的并集。|·|表示元素的数量。
步骤5.3:更新社区信息,得到重叠社区集合Cover
步骤6:根据社区与社区间的相似度,将Cover中社区节点数少于5的社区合并到与其相似度最大的社区中,更新重叠社区集合Cover。具体包括以下步骤:
步骤6.1:遍历Cover中的中节点数少于5的社区,记为Cl,计算该社区与其他社区的相似度simcom(Cl,Ck);其中社区与社区的相似度simcom(Cl,Ck)的定义如下:
步骤6.2:将Cl加入到相似度最大的社区Ci中;
步骤6.3:遍历完后,如果还存在节点数少于5的社区,则重复步骤5.1至6.3。反之,将最新的社区结构更新到重叠社区集合Cover中。
步骤7:将原始网络中的被复合节点加入到复合节点所属的社区中,得到最终的重叠社区集合C’。具体包括以下步骤:
步骤7.1:遍历Gcoar的节点集V’,将节点记为v,将v覆盖的原始节点加入到v所属的社区中,更新重叠社区集合Cover
步骤7.2:遍历完成后,将Cover中的社区信息存储至C’;
步骤8:输出最终的社区划分结果。具体方法如下:
步骤8.1:将重叠社区集合C’中每个社区Ci’中的节点vi,j写成行向量形式Ri=(vi,j);
步骤8.2:输出向量集{Ri},0<i<p,p为社区个数,每行代表一个社区;社区重叠由行向量中包含的重复节点表示。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。

Claims (9)

1.一种基于三角形粗化与动态距离的重叠社区发现方法,其特征在于,包括以下步骤:
步骤1:读取网络数据集,生成网络图G;
步骤2:按照节点的度从小到大的顺序遍历G中的三角形,将构成三角形的三个节点融合为一个复合节点,多次迭代遍历直至粗化率达到一定阈值,结束粗化过程,得到粗化后的图Gcoar
步骤3:遍历Gcoar中的所有边,根据Jaccard距离公式初始化所有边对应节点的距离;
步骤4:考虑同一条边的三种邻居对节点间距离的影响力,更新所有边对应节点的距离;经过多次迭代更新,节点间的距离将会趋于0或1;将距离为1的边切断,经过断边处理后,图结构中构成连通分支的节点属于同一社区,最终得到社区集合C;
步骤5:根据节点与社区的相似度,对步骤4中距离为1的边所对应的节点进行重叠节点判断,将节点加入到相似度大于等于n的社区中,得到重叠社区集合Cover;n大于0;
步骤6:根据社区与社区间的相似度,将Cover中社区节点数少于5的社区合并到与其相似度最大的社区中,更新重叠社区集合Cover
步骤7:将原始网络中的被复合节点加入到复合节点所属的社区中,得到最终的重叠社区集合C’;
步骤8:输出最终的社区划分结果。
2.根据权利要求1所述的基于三角形粗化与动态距离的重叠社区发现方法,其特征在于:在
步骤1中,读取网络数据集,生成用于划分社区结构的网络图G=(V,E),其中V表示节点集,E表示边集。
3.根据权利要求1所述的基于三角形粗化与动态距离的重叠社区发现方法,其特征在于:在
步骤2中,对原始网络G进行粗化,包括以下步骤:
步骤2.1:将网络中的节点按度大小升序排序,将序列记为nodesort
步骤2.2:初始化每个节点的标志位F(·);
步骤2.3:按nodesort中的顺序依次取出节点,记为节点v,寻找由节点v构成的三角形,当构成三角形的三个节点的标志位均小于2且其余两个节点的度小于v的度时,将三个节点融合成一个复合节点vcomp,并将被复合节点的边关系映射融合到复合节点上,更新复合节点的邻居集及其边权重wcomp
步骤2.4:当遍历完nodesort中的所有节点后,便完成一层粗化,求出该层粗化的粗化率;
ratecoar=(Gm-Gm-1)/G (1),
其中,Gm-1存储该层粗化前的图结构信息,Gm中存储粗化后的图结构信息;
步骤2.5:如果ratecoar大于给定阈值,则重复步骤2.1至2.5;反之将Gm-1中的图结构信息存储至Gcoar=(V’,E’)中,继续下列步骤。
4.根据权利要求1所述的基于三角形粗化与动态距离的重叠社区发现方法,其特征在于,在
步骤3中,遍历Gcoar中的所有边,根据Jaccard距离公式初始化所有边对应节点的距离,包括以下步骤:
步骤3.1:遍历Gcoar的边集E’,基于Jaccard距离公式初始化所有边对应节点的距离的d(u,v);Jaccard距离公式如下:
其中,Г(·)表示包含节点自身的邻居集。
5.根据权利要求1所述的基于三角形粗化与动态距离的重叠社区发现方法,其特征在于,在
步骤4包括以下具体步骤:
步骤4.1:遍历Gcoar的边集E’,将边记为e=(u,v),当0<d(u,v)<1时,依次求出该边的直连邻居、共有邻居、专有邻居的影响力DI、CI、EI;DI、CI、EI定义如下:
其中,f(·)为耦合函数,一般采用sin(·)函数,CN(u,v)为节点u,v的共同邻居集,EN(·)表示节点的专有邻居集,其定义如下:
EN(u)=NB(u)-CN(u,v) (6);
步骤4.2:设dist=d(u,v)+DI+CI+EI;
步骤4.3:若dist≤0,d(u,v)=0;若0<dist<1,d(u,v)=dist;若dist≥1,d(u,v)=1。将距离更新至Gcoar中;
步骤4.4:当所有边对应节点的距离均为0或1,终止迭代过程;反之,重复步骤4.1至4.4;
步骤4.5:将Gcoar中距离为1的边切断,经过断边处理后,Gcoar中构成连通分支的节点属于同一社区,最终得到社区集合C。
6.根据权利要求1所述的基于三角形粗化与动态距离的重叠社区发现方法,其特征在于,在
步骤5中包括以下步骤:
步骤5.1:将Gcoar中距离为1的边所对应的节点存入集合s中;
步骤5.2:遍历s中的节点,记为u,求出节点u与社区Ck∈C的相似度,记为sim(u,Ck),n取0.5如果sim(u,Ck)≥0.5,则将节点加入Ck;节点与社区的相似度的定义如下:
其中,NB(u)表示节点u不包含自身的邻居集,NB(Ck)表示社区Ck中所有节点不包含自身的邻居集的并集,|·|表示元素的数量;
步骤5.3:更新社区信息,得到重叠社区集合Cover
7.根据权利要求1所述的基于三角形粗化与动态距离的重叠社区发现方法,其特征在于,在
步骤6中,根据社区与社区间的相似度,将Cover中社区节点数少于5的社区合并到与其相似度最大的社区中,更新重叠社区集合Cover,包括以下步骤:
步骤6.1:遍历Cover中的中节点数少于5的社区,记为Cl,计算该社区与其他社区的相似度simcom(Cl,Ck);其中社区与社区的相似度simcom(Cl,Ck)的定义如下:
步骤6.2:将Cl加入到相似度最大的社区Ci中;
步骤6.3:遍历完后,如果还存在节点数少于5的社区,则重复步骤5.1至6.3,否则将最新的社区结构更新到重叠社区集合Cover中。
8.根据权利要求1所述的基于三角形粗化与动态距离的重叠社区发现方法,其特征在于:在
步骤7中,根据粗化节点与原始节点的映射关系还原出原始网络,将原始网络中的被复合节点加入到复合节点所属的社区中,得到最终的重叠社区集合C’,包括以下步骤:
步骤7.1:遍历Gcoar的节点集V’,将节点记为v,将v覆盖的原始节点加入到v所属的社区中,更新重叠社区集合Cover
步骤7.2:遍历完成后,将Cover中的社区信息存储至C’。
9.根据权利要求1所述的基于三角形粗化与动态距离的重叠社区发现方法,其特征在于,在
步骤8包括以下步骤:
步骤8.1:将重叠社区集合C’中每个社区Ci’中的节点vi,j写成行向量形式Ri=(vi,j);
步骤8.2:输出向量集{Ri},0<i<p,p为社区个数,每行代表一个社区;社区重叠由行向量中包含的重复节点表示。
CN201810765470.5A 2018-07-12 2018-07-12 基于三角形粗化与动态距离的重叠社区发现方法 Pending CN109003195A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810765470.5A CN109003195A (zh) 2018-07-12 2018-07-12 基于三角形粗化与动态距离的重叠社区发现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810765470.5A CN109003195A (zh) 2018-07-12 2018-07-12 基于三角形粗化与动态距离的重叠社区发现方法

Publications (1)

Publication Number Publication Date
CN109003195A true CN109003195A (zh) 2018-12-14

Family

ID=64599917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810765470.5A Pending CN109003195A (zh) 2018-07-12 2018-07-12 基于三角形粗化与动态距离的重叠社区发现方法

Country Status (1)

Country Link
CN (1) CN109003195A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110275941A (zh) * 2019-06-21 2019-09-24 福州大学 一种基于粗化与局部重叠模块度的邮件挖掘方法
CN111881977A (zh) * 2020-07-27 2020-11-03 复旦大学 一种基于节点间距离趋势的社团网络检测方法、设备和系统
CN119478120A (zh) * 2024-11-07 2025-02-18 重庆市勘规数智科技有限公司 一种测绘图形生成方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110275941A (zh) * 2019-06-21 2019-09-24 福州大学 一种基于粗化与局部重叠模块度的邮件挖掘方法
WO2020253150A1 (zh) * 2019-06-21 2020-12-24 福州大学 一种基于粗化与局部重叠模块度的邮件挖掘方法
CN111881977A (zh) * 2020-07-27 2020-11-03 复旦大学 一种基于节点间距离趋势的社团网络检测方法、设备和系统
CN119478120A (zh) * 2024-11-07 2025-02-18 重庆市勘规数智科技有限公司 一种测绘图形生成方法及系统

Similar Documents

Publication Publication Date Title
CN109064471B (zh) 一种基于骨架的三维点云模型分割方法
CN103020267B (zh) 基于三角簇多标签传播的复杂网络社区结构挖掘方法
CN103678671A (zh) 一种社交网络中的动态社区检测方法
CN108459909A (zh) 一种适于并行处理的多体分离网格重叠方法及系统
CN112085125A (zh) 基于线性自学习网络的缺失值填补方法、存储介质及系统
CN109003195A (zh) 基于三角形粗化与动态距离的重叠社区发现方法
CN105978711B (zh) 一种基于最小生成树的最佳交换边查找方法
CN113297427A (zh) 一种基于u型嵌套网络的图分类方法
WO2022226903A1 (zh) 一种面向k-means聚类算法的联邦学习方法
CN111667881A (zh) 一种基于多网络拓扑结构的蛋白质功能预测方法
WO2022188646A1 (zh) 图数据处理方法、装置、设备、存储介质及程序产品
Sun et al. Lsenet: Lorentz structural entropy neural network for deep graph clustering
CN111667373A (zh) 基于邻居子图社交网络动态增量的演化社区发现方法
CN111986223A (zh) 一种基于能量函数的室外点云场景中树木提取方法
CN115860748A (zh) 基于边特征增强的交易风险识别方法和系统
WO2023051577A1 (zh) 量子程序与量子芯片的映射方法和量子操作系统及计算机
CN107885797A (zh) 一种基于结构相关性的多模式图匹配方法
CN115905188A (zh) 一种基于知识图谱的数据质量提升方法
CN104731889B (zh) 一种估算查询结果大小的方法
CN108712278A (zh) 一种基于集成学习的网络社区发现方法
CN107766076A (zh) 一种概率选择的软件模块聚类方法
CN110097112B (zh) 一种基于重构图的图学习模型
CN108897820B (zh) 一种denclue算法的并行化方法
CN117171628A (zh) 异构联邦环境中的图结构数据节点分类方法和装置
CN105354243B (zh) 基于归并聚类的并行化频繁概率子图搜索方法

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: 20181214

RJ01 Rejection of invention patent application after publication