CN109255054B - 一种基于关系权重的企业图谱中的社区发现方法 - Google Patents
一种基于关系权重的企业图谱中的社区发现方法 Download PDFInfo
- Publication number
- CN109255054B CN109255054B CN201710573295.5A CN201710573295A CN109255054B CN 109255054 B CN109255054 B CN 109255054B CN 201710573295 A CN201710573295 A CN 201710573295A CN 109255054 B CN109255054 B CN 109255054B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- node
- nodes
- weight
- relationship
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 101100321992 Drosophila melanogaster ABCD gene Proteins 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
Images
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)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于关系权重的企业图谱中的社区发现方法,该社区发现方法包括:(1)确定企业图谱中关系的权重;(2)确定企业之间的相似度;(3)运用Modularity评价复杂网络中社区发现结果优劣程度;(4)基于Modularity限定算法收敛;(5)基于LPA算法计算置信概率表。该算法通过发现企业图谱中的社区,将整个企业图谱划分为一个个的子图,划分之后的企业图谱不仅可以根据其社区属性帮助分析行业前景,还可以用于分析金融方面的担保信息、合作信息、投资信息等;并且根据社区属性帮助政府或者有关部门制定政策,及时调整市场。
Description
技术领域
本发明涉及社区发现方法技术领域,更具体的说是涉及一种基于关系权重的企业图谱中的社区发现方法。
背景技术
企业图谱是一种关于企业以及企业之间关系的复杂网络。复杂网络是具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络。复杂网络是复杂系统的抽象,现实中很多的复杂系统都可以用复杂网络的相关特性进行描述和分析,利用全量企业数据构建的企业图谱即是复杂网络中的一种,可以用于分析有关全国全量企业和个体户所构成的系统。
对复杂网络的研究一直是许多研究领域的热点,其中社区发现是复杂网络中的一个普遍特征。首先需要理解什么是社区,复杂网络中的社区并没有一个准确的定义,一种较为大众所接受的描述为社区是网络中一些节点所组成的子图,其中子图内的节点的相互关联程度比与子图外的节点的关联程度高。整个复杂网络是由许多个社区组成的,企业图谱中也具有社区这样的属性,因此企业图谱中的社区发现是一个复杂而极具意义的过程,它对企业图谱的特性研究具有重要作用。
针对复杂网络中的社区发现,目前已经有一些传统方法,例如标签传播算法(LPA)以及标签传播算法的改进,如SLPA、BMLPA等。
LPA是一种基于图的半监督学习方法,其基本思路是用已标记节点的标签信息去预测其他节点的标签信息,在企业图谱的社区发现中也可以使用LPA算法来进行社区划分。
LPA算法在一开始会为每个节点定义一个唯一的标签。在节点传播的每一步,节点根据相邻节点的标签来更新自己的标签,对于某一个节点,考察其所有邻居节点的标签并进行统计,标签出现的次数越多说明与该节点相似度越大,其标签就越容易传播,因此将出现次数最多的标签赋给当前节点,当统计个数最多的标签不唯一时,随机选取一个。之后根据上一步所述方法逐轮刷新所有节点的标签,直到达到收敛要求或者迭代到一定的次数为止,从而完成标签传播过程。
LPA算法虽然可以对复杂网络中的社区进行划分,但是在将其应用到企业图谱的过程中也存在着一定的缺陷。首先,LPA算法要求一个节点只能拥有一个标签,在节点传播的过程中,每个节点之前的状态都会被抹除,这就使得标签传播的过程非常绝对化,会造成一定的信息损失;其次,LPA算法没有考虑节点关联的紧密程度,在企业图谱中,个人与企业以及企业与企业之前关联的紧密程度是有区别的,比如两个个人节点都对某一个企业进行了投资,但是投资额存在差距,显而易见,投资额大的个人节点应该与该企业的联系更紧密,而LPA算法仅仅统计了标签出现的次数,忽略了关系的紧密程度问题;最后LPA算法在企业图谱中的应用缺少一个恰当的收敛限制条件,只能通过限制次数来终止迭代过程,并且该算法缺少一个在企业图谱中的明确评价标准。因此LPA算法不适合直接应用于企业图谱中的社区发现。
因此,如何提供一种基于关系权重、能够适用于企业图谱的社区发现方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于关系权重的企业图谱中的社区发现方法,可以将企业图谱中的节点根据其固有的联系进行聚合,进而形成一些社区,有效避免了传统社区发现方法中的缺陷。
为了实现上述目的,本发明采用如下技术方案:
一种基于关系权重的企业图谱中的社区发现方法,所述社区发现方法包括:
(1)确定企业图谱中关系的权重:权重决定着一个节点在更新自己的标签过程中选择哪一个标签,在算法中应该为越紧密的关系分配越高的权重,其中包括任职关系权重和投资关系权重;
任职关系为个人节点与企业节点之间的关系,具体的分为是否为法人代表和是否为企业高管,通常来说法人代表是企业中最为重要的人员,其与企业的紧密程度要高于普通的企业高管,因此具有法人代表属性的任职关系权重要高于普通高管的任职关系权重;
投资关系中最重要的是投资额属性,而对于一家企业,其向外的投资与接收的投资属于等价的情况,投资关系的权重仅与投资额正相关;
(2)确定企业之间的相似度:每一个企业节点都有着自己的经营范围、所在地区属性,这些属性决定着一家企业的性质;相似的企业节点之间的关系给予的标签贡献比不相似的企业节点之间的关系价值要高;
比如一家企业是经营食品加工的,那么食品加工行业的企业节点关联过来的关系应该比从服装设计行业的企业节点关联过来的意义要大,企业节点的所在地区属性也是同理;
(3)运用Modularity评价复杂网络中社区发现结果优劣程度:通过改进Modularity的计算过程,令Modularity不再仅仅是关系数目的比较,而变成关系数目与权重相结合之后数值的比较;改进之后的Modularity计算公式如下:
其中m为整个图中的关系总数,A为加权后的邻接矩阵,Pij表示随机网络中节点i和节点j之间关系数的期望值,δ函数在Ci和Cj属于同一个社区时为1否则为0,ξ函数为节点之间的相似度系数;具体来说,普通的邻接矩阵中1代表两个节点有连接关系,0代表两个节点没有连接关系;加权的邻接矩阵A中如果两个节点有连接关系则用权重表示,如果没有则用0表示;节点i和节点j之间关系数的期望值Pij可以表示为其中ki和kj分别为节点i和节点j的度;
(4)基于Modularity限定算法收敛:将所有的节点遍历完一遍为一次迭代,在每次迭代完成之后,通过如下参数判定算法是否已经收敛:1)Modularity的结算结果与上次社区发现之后的结果相差小于一个较小值ε;2)99.9%以上节点的社区属性维持稳定;
(5)基于LPA算法计算置信概率表:为了防止算法无限进行下去,在LPA算法中,系统有一个最大的迭代次数上限,当迭代次数达到该上限或者趋于收敛时迭代终止;并且该上限会随企业图谱的属性、节点数与关系数的比率而变化;
在LPA算法中,每个节点可以记录多个可能的标签并且记录每个标签的置信概率,在更新节点标签的过程中,目标节点从与其相关联的节点获取标签时都会获取该节点全部的标签及其置信概率,之后根据所述关系权重统计得到目标节点属于各个标签的置信概率表。
优选的,在上述一种基于关系权重的企业图谱中的社区发现方法中,根据企业节点之间的相似程度调整关系权重,对于相似的企业节点之间关系权重进行适当的调高,相似程度越高则调整幅度越大。
优选的,在上述一种基于关系权重的企业图谱中的社区发现方法中,Modularity是指网络中连接社区内部顶点的边所占的比例与另外一个随机网络中连接社区结构内部顶点的边所占比例的期望值相减得到的差值;其中随机网络是指与实际的复杂网络具有相同的节点数和关系数,并且令每个节点的度保持不变,但是关系都是随机生成的网络。
优选的,在上述一种基于关系权重的企业图谱中的社区发现方法中,在考虑了权重之后区分了关系的紧密程度,引入企业节点相似度进一度优化了权重的分配情况,从而可以得到更精确地结果。
优选的,在上述一种基于关系权重的企业图谱中的社区发现方法中,为了节省空间、降低运算复杂度,抹除位于置信概率表后面的标签,同时记录并对置信概率表排名前几位的标签做归一化处理;被记录的标签置信概率表能够保留节点的标签信息以及使算法简单化。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于关系权重的企业图谱中的社区发现方法,通过发现企业图谱中的社区,将整个企业图谱划分为一个个的子图。划分之后的企业图谱不仅可以根据其社区属性帮助分析行业前景,还可以用于分析金融方面的担保信息、合作信息、投资信息等;并且根据社区属性帮助政府或者有关部门制定政策,及时调整市场。
该社区发现方法一方面有利于政府部门根据社区的划分情况及早发现问题甚至提前整改;另一方面不仅有利于个人据此选择职业方向或者投资方向,而且有利于企业根据社区的划分情况收集资源、发现客户、解决矛盾。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据提供的附图获得其他的附图。
图1附图为企业图谱中的单点展示示意图。
图2附图为企业图谱中的社区示意图。
图3附图为该社区算法的流程示意图一。
图4附图为该社区算法的流程示意图二。
图5附图为某企业的标签置信概率计算示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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。
本发明实施例公开了一种基于关系权重的企业图谱中的社区发现方法,可以将整个企业图谱划分为一个个的社区,从而方便的分析复杂网络中的社区属性,使得用户可以直观的发现哪些企业之间有着较紧密的联系。
与传统的社区发现方法相比,该社区发现方法不仅充分考虑了节点之间关系的权重和节点之间的相似度,让每个节点可以保留多个标签的置信概率,而且给出了针对企业图谱的社区发现评价标准和迭代终止条件,使得社区发现的结果更加精准、合理。
参见附图1,从中心的支付宝软件(上海)有限公司向外辐射,每一条线都代表两个节点之间的关系,不同的颜色代表不同种类的关系以及关系中的不同属性。通过图的方式展示出来可以清楚地看出一个企业与其他企业或者个人的关系。
参见附图2,图中所示的节点均被划分为同一个社区,其互相之间有着投资或者任职等关系,并在图中以线的形式展示。图中的节点之间相对其他社区之外的节点联系要更紧密。
参见附图3,该社区发现方法的具体步骤如下:步骤1:为每个节点初始化一个标签并设置一个置信概率,标签为节点本身的ID,置信概率则为100%;
步骤2:从某一个节点出发开始遍历;
步骤3:选择一个目标节点并且找到与目标节点有关联的其他所有节点,获取这些节点的标签以及置信概率表;
步骤4:根据节点与目标节点之间的关系设置传播权重,并且根据节点与目标节点的相似性调整该权重,结合步骤3得到的节点标签以及置信概率表,计算得到目标节点属于各个标签的置信概率表。从该置信概率表中选取排名靠前的几个标签和置信概率对置信概率进行归一化处理并记录在目标节点中;
步骤5:判断是否已经完成所有节点的一轮遍历,如果未完成则跳至步骤3,否则跳至步骤6;
步骤6:判断是否达到迭代终止条件,如果未达到迭代终止条件,则跳至步骤2继续迭代,否则结束算法。
参见附图4,在企业图谱的一个简化版样例中给出了4个企业节点和4个个人节点。实施社区发现方法步骤如下:
步骤1:将每个节点的社区标签初始化为节点的ID,置信概率为100%;
步骤2:从企业节点A出发,因为企业A与企业B和个人A相连,用这两个节点的社区标签和与企业A之间的关系权重对企业A的社区标签进行更新;
步骤3:逐步遍历所有的节点;
步骤4:判断是否达到了迭代终止条件,如果到达终止条件退出算法,如果没有则回到企业节点A再进行一次遍历。
参见附图5,位于图中心位置的企业E的标签需要根据与其有关联的节点的标签进行更新,与企业E有关联的企业节点共有ABCD四个,与企业E有关联的个人节点共有FGH三个,其关系类型、企业属性以及所属标签如图所示。假设投资关系的权重直接由投资占股比例确定,任职关系的权重中法人权重为40%,高管权重为10%,行业和地区任一属性相同则权重增加10%,基于以上假设,置信概率表的计算过程为:
标签1=50%×20%+60%×15%+20%×(40%+40%)+30%×10%=38%
标签2=50%×20%+10%×30%+70%×10%=20%
标签3=90%×30%=27%
标签4=30%×25%+40%×15%+80%×(40%+40%)=77.5%
标签5=70%×25%=17.5%
标签6=100%×10%=10%
据此,我们可以得出企业E所属的标签置信概率表为:
标签 | 标签1 | 标签2 | 标签3 | 标签4 | 标签5 | 标签6 |
置信概率 | 38% | 20% | 27% | 77.5% | 17.5% | 10% |
保留置信概率最高的两个标签,经过归一化之后企业E记录的标签以及置信概率为:
标签 | 标签4 | 标签1 |
置信概率 | 67.1% | 32.9% |
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于关系权重的企业图谱中的社区发现方法,其特征在于,所述社区发现方法包括:
(1)确定企业图谱中关系的权重:权重决定着一个节点在更新自己的标签过程中选择哪一个标签,在算法中应该为越紧密的关系分配越高的权重,其中包括任职关系权重和投资关系权重;
任职关系为个人节点与企业节点之间的关系,具体的分为是否为法人代表和是否为企业高管,通常来说法人代表是企业中最为重要的人员,其与企业的紧密程度要高于普通的企业高管,因此具有法人代表属性的任职关系权重要高于普通高管的任职关系权重;
投资关系中最重要的是投资额属性,而对于一家企业,其向外的投资与接收的投资属于等价的情况,投资关系的权重仅与投资额正相关;
(2)确定企业之间的相似度:每一个企业节点都有着自己的经营范围、所在地区属性,这些属性决定着一家企业的性质;相似的企业节点之间的关系给予的标签贡献比不相似的企业节点之间的关系价值要高;
(3)运用Modularity评价复杂网络中社区发现结果优劣程度:通过改进Modularity的计算过程,令Modularity不再仅仅是关系数目的比较,而变成关系数目与权重相结合之后数值的比较;改进之后的Modularity计算公式如下:
其中m为整个图中的关系总数,A为加权后的邻接矩阵,Pij表示随机网络中节点i和节点j之间关系数的期望值,δ函数在Ci和Cj属于同一个社区时为1否则为0,ξ函数为节点之间的相似度系数;具体来说,普通的邻接矩阵中1代表两个节点有连接关系,0代表两个节点没有连接关系;加权的邻接矩阵A中如果两个节点有连接关系则用权重表示,如果没有则用0表示;节点i和节点j之间关系数的期望值Pij可以表示为其中ki和kj分别为节点i和节点j的度;
(4)基于Modularity限定算法收敛:将所有的节点遍历完一遍为一次迭代,在每次迭代完成之后,通过如下参数判定算法是否已经收敛:1)Modularity的结算结果与上次社区发现之后的结果相差小于一个较小值ε;2)99.9%以上节点的社区属性维持稳定;
(5)基于LPA算法计算置信概率表:为了防止算法无限进行下去,在LPA算法中,系统有一个最大的迭代次数上限,当迭代次数达到该上限或者趋于收敛时迭代终止;并且该上限会随企业图谱的属性、节点数与关系数的比率而变化;
在LPA算法中,每个节点可以记录多个可能的标签并且记录每个标签的置信概率,在更新节点标签的过程中,目标节点从与其相关联的节点获取标签时都会获取该节点全部的标签及其置信概率,之后结合所述关系权重和与该节点相连的其他节点的置信概率表计算出该目标节点属于各个标签的置信概率表。
2.根据权利要求1所述的一种基于关系权重的企业图谱中的社区发现方法,其特征在于,根据企业节点之间的相似程度调整关系权重,对于相似的企业节点之间关系权重进行调高,相似程度越高则调整幅度越大。
3.根据权利要求1所述的一种基于关系权重的企业图谱中的社区发现方法,其特征在于,Modularity是指网络中连接社区内部顶点的边所占的比例与另外一个随机网络中连接社区结构内部顶点的边所占比例的期望值相减得到的差值;其中随机网络是指与实际的复杂网络具有相同的节点数和关系数,并且令每个节点的度保持不变,但是关系都是随机生成的网络。
4.根据权利要求1所述的一种基于关系权重的企业图谱中的社区发现方法,其特征在于,企业图谱中的社区发现方法在考虑了权重之后区分了关系的紧密程度,引入企业节点相似度进一度优化了权重的分配情况,从而可以得到更精确地结果。
5.根据权利要求1所述的一种基于关系权重的企业图谱中的社区发现方法,其特征在于,为了节省空间、降低运算复杂度,抹除位于置信概率表后面的标签,同时记录并对置信概率表排名前几位的标签做归一化处理;被记录的标签置信概率表能够保留节点的标签信息以及使算法简单化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710573295.5A CN109255054B (zh) | 2017-07-14 | 2017-07-14 | 一种基于关系权重的企业图谱中的社区发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710573295.5A CN109255054B (zh) | 2017-07-14 | 2017-07-14 | 一种基于关系权重的企业图谱中的社区发现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109255054A CN109255054A (zh) | 2019-01-22 |
CN109255054B true CN109255054B (zh) | 2021-12-10 |
Family
ID=65050641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710573295.5A Active CN109255054B (zh) | 2017-07-14 | 2017-07-14 | 一种基于关系权重的企业图谱中的社区发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109255054B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217634A (zh) * | 2023-11-07 | 2023-12-12 | 数据空间研究院 | 一种基于复杂网络的企业合作社区发现方法 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110442800B (zh) * | 2019-07-22 | 2022-05-20 | 哈尔滨工程大学 | 一种融合节点属性和图结构的半监督社区发现方法 |
CN110591394B (zh) * | 2019-08-19 | 2021-09-03 | 江苏增光新材料科技股份有限公司 | 一种微表处用的改性乳化沥青 |
CN110956553A (zh) * | 2019-12-16 | 2020-04-03 | 电子科技大学 | 基于社交网络节点双标签传播算法的社区结构划分方法 |
CN111382843B (zh) * | 2020-03-06 | 2023-10-20 | 浙江网商银行股份有限公司 | 企业上下游关系识别模型建立、关系挖掘的方法及装置 |
CN112287039A (zh) * | 2020-10-30 | 2021-01-29 | 税友软件集团股份有限公司 | 一种团伙识别方法及相关装置 |
CN112417060A (zh) * | 2020-11-19 | 2021-02-26 | 中国建设银行股份有限公司 | 识别企业关系的方法、装置、设备和计算机可读介质 |
CN112784057B (zh) * | 2021-01-11 | 2022-05-13 | 武汉大学 | 一种基于区域产业企业的三网产业图谱构建方法 |
CN112966054A (zh) * | 2021-02-07 | 2021-06-15 | 撼地数智(重庆)科技有限公司 | 基于企业图谱节点间关系的族群划分方法和计算机设备 |
CN114201663B (zh) * | 2021-07-23 | 2022-09-02 | 北京恒通慧源大数据技术有限公司 | 一种基于标签传播的集团客户挖掘方法、装置和电子设备 |
CN115118693A (zh) * | 2022-06-28 | 2022-09-27 | 平安银行股份有限公司 | 群组成员的数据处理方法、装置、电子设备和存储介质 |
CN116452014B (zh) * | 2023-03-21 | 2024-02-27 | 深圳市蕾奥规划设计咨询股份有限公司 | 应用于城市规划的企业集群确定方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678669A (zh) * | 2013-12-25 | 2014-03-26 | 福州大学 | 一种社交网络中的社区影响力评估系统及方法 |
CN105335438A (zh) * | 2014-08-11 | 2016-02-17 | 天津科技大学 | 一种基于局部最短回路的社会网络群体划分方法 |
-
2017
- 2017-07-14 CN CN201710573295.5A patent/CN109255054B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678669A (zh) * | 2013-12-25 | 2014-03-26 | 福州大学 | 一种社交网络中的社区影响力评估系统及方法 |
CN105335438A (zh) * | 2014-08-11 | 2016-02-17 | 天津科技大学 | 一种基于局部最短回路的社会网络群体划分方法 |
Non-Patent Citations (4)
Title |
---|
Finding and evaluating community structure in networks;M.E.J.Newman等;《arXiv:cond-mat/0308217v1》;20030811;第1-16页 * |
基于Web of Science的社会化媒体环境下社区发现研究综述;方倩等;《中文信息学报》;20170531;第31卷(第3期);第1-8页 * |
基于兴趣图谱的社会化电子商务社区发现研究;丁绪武;《中国优秀硕士学位论文全文数据库(电子期刊)经济与管理科学辑》;20151215(第12期);J157-41 * |
基于模块度优化的加权复杂网络社团发现算法分析;杨春明等;《西南科技大学学报》;20161231;第31卷(第4期);第84-89页 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217634A (zh) * | 2023-11-07 | 2023-12-12 | 数据空间研究院 | 一种基于复杂网络的企业合作社区发现方法 |
CN117217634B (zh) * | 2023-11-07 | 2024-02-02 | 数据空间研究院 | 一种基于复杂网络的企业合作社区发现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109255054A (zh) | 2019-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255054B (zh) | 一种基于关系权重的企业图谱中的社区发现方法 | |
CN111901392B (zh) | 一种面向移动边缘计算的内容部署与分发方法及系统 | |
US10078802B2 (en) | Method and system of discovering and analyzing structures of user groups in microblog | |
KR20200081630A (ko) | 무선 네트워크에서 기계 학습을 이용하여 자원을 할당하는 방법 및 그 방법을 수행하기 위한 기록 매체 | |
CN113379176A (zh) | 电信网络异常数据检测方法、装置、设备和可读存储介质 | |
Riihijarvi et al. | Exploiting spatial statistics of primary and secondary users towards improved cognitive radio networks | |
CN110995597A (zh) | 一种电力通信网安全链路选择方法和系统 | |
CN108810139B (zh) | 一种基于蒙特卡洛树搜索辅助的无线缓存方法 | |
Jiao et al. | [Retracted] An Improved Cuckoo Search Algorithm for Multithreshold Image Segmentation | |
Hajri et al. | Caching improvement using adaptive user clustering | |
Aggarwal et al. | Spatio-temporal frequent itemset mining on web data | |
CN110413579A (zh) | 基于缓存价值的图片缓存方法、设备、存储介质及装置 | |
US20230209367A1 (en) | Telecommunications network predictions based on machine learning using aggregated network key performance indicators | |
Fu et al. | Modeling Customer Experience in a Contact Center through Process Log Mining | |
CN107784363B (zh) | 数据处理方法、装置及系统 | |
Du et al. | Monte-carlo tree search aided contextual online learning approach for wireless caching | |
US20230419172A1 (en) | Managing training of a machine learning model | |
CN112948502A (zh) | 多来源传输数据分类存储方法、装置、设备及存储介质 | |
CN110020087B (zh) | 一种基于相似度估计的分布式PageRank加速方法 | |
Mishra et al. | Efficient proactive caching in storage constrained 5g small cells | |
CN107908722B (zh) | 基于距离的逆向k排名查询方法 | |
Hui et al. | Detection algorithm based on closeness rank and signal transimission | |
Yu | Application of mobile edge computing technology in civil aviation express marketing | |
CN111274498A (zh) | 一种网络特征社区查找方法 | |
CN114385359B (zh) | 一种物联网云边端任务时序协同方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Community Discovery Method in Enterprise Atlas Based on Relationship Weights Effective date of registration: 20221222 Granted publication date: 20211210 Pledgee: Beijing first financing Company limited by guarantee Pledgor: ELEMENT CREDIT INFORMATION Co.,Ltd. Registration number: Y2022980028727 |
|
PP01 | Preservation of patent right | ||
PP01 | Preservation of patent right |
Effective date of registration: 20231207 Granted publication date: 20211210 |