CN109559230B - 基于重叠社区发现算法的银行交易群体发现方法和系统 - Google Patents

基于重叠社区发现算法的银行交易群体发现方法和系统 Download PDF

Info

Publication number
CN109559230B
CN109559230B CN201811529275.9A CN201811529275A CN109559230B CN 109559230 B CN109559230 B CN 109559230B CN 201811529275 A CN201811529275 A CN 201811529275A CN 109559230 B CN109559230 B CN 109559230B
Authority
CN
China
Prior art keywords
transaction
node
community
network
bank
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
Application number
CN201811529275.9A
Other languages
English (en)
Other versions
CN109559230A (zh
Inventor
王海荣
肖万来
刘娟
李鑫
张兵
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.)
Sugon Nanjing Research Institute Co ltd
Original Assignee
Sugon Nanjing Research Institute Co ltd
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 Sugon Nanjing Research Institute Co ltd filed Critical Sugon Nanjing Research Institute Co ltd
Priority to CN201811529275.9A priority Critical patent/CN109559230B/zh
Publication of CN109559230A publication Critical patent/CN109559230A/zh
Application granted granted Critical
Publication of CN109559230B publication Critical patent/CN109559230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于重叠社区发现算法的银行交易群体发现方法和系统，其中银行交易群体发现方法包括：1、读入银行交易流水数据，构建有向交易网络；2、对有向交易网络进行初始化，每一个节点初始化为一个社区；3、对每个节点，根据模块度增益决定该节点是否加入相邻节点所属的社区以及加入哪个相邻节点所属的社区，然后重构交易网络；将重构后的交易网络中的每一个社区合并为一个节点，跳转至步骤3应用模块度增益理论重构交易网络，直至所有节点所属社区不再变化，或整个网络的重叠模块度不再增加或者增加幅度低于某一指定阈值为止，最终获得划分好的社区，即得到银行交易群体。该方法能够快速划分出交易网络中的重叠社区，发现银行交易群体。

Description

基于重叠社区发现算法的银行交易群体发现方法和系统
技术领域
本发明属于金融数据处理分析技术领域，具体涉及一种银行交易中特定群体的发现方法和系统。
背景技术
商业银行拥有海量客户交易数据，其中蕴含着许多潜在的规律，充分挖掘并利用这些规律是商业银行提高管理水平与业务竞争力的必要手段。随着大数据时代的来临，在网点交易之外，移动互联网上产生了海量的银行交易数据，可以轻松达到PB量级。海量客户交易数据的汇聚、存储、挖掘、探索挑战性呈几何倍数增长，需要新的技术及算法支持。
复杂网络是对银行客户交易行为建模的有效手段，网络中的实体根据连结程度不同，存在着各类社区拓扑结构。社区发现为复杂网络的研究提供了可行的切入点，对社区进行多维度的特征刻画，能够为研究网络的拓扑结构及其动力学行为提供独特视角，进而有效挖掘复杂系统中潜在的规律。
中国专利公开号为CN107832964A的发明专利申请公开了一种银行客户关系圈的分析方法，该方法根据银行的交易数据构建无向网络，采用Modularity增益的社区划分理论获取银行客户关系圈，再根据每个关系圈中客户的重要度指标获得每个关系圈的中心客户，根据其资金流向获取客户链。
上述方法可以获取银行客户关系圈，但由于构建的是无向网络，在进行社区划分时无法充分利用银行交易行为有向性的特点，得到的客户关系圈体现不出资金的流向；此外，上述方法获取客户关系圈采用非重叠社区发现算法，每个客户只属于一个关系圈，没有体现出真实的交易关系。基于银行客户交易行为构建有向网络，对有向网络进行社区划分更为合适。目前的研究集中于社区发现算法解决全量网络数据中的社区划分问题，但是每个个体仅属于单个社区，结果过于理想化，在复杂网络中每个个体往往从属于多个社区拥有多个属性。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供了一种基于重叠社区发现算法的银行交易群体发现方法，该方法充分利用了银行交易的有向性和交易网络的重叠结构，能够快速划分出内部交易紧密但与外界交易较少的重叠社区，发现银行交易群体。
技术方案：本发明一方面提供了一种基于重叠社区发现算法的银行交易群体发现方法，包括如下步骤：
(1)读入银行交易流水数据，构建以资金转出方和资金转入方为节点、交易关系为边、资金流向为边的方向、交易权重为边的权重的交易网络；
(2)对构建的交易网络进行初始化，每一个节点初始化为一个社区；
(3)对每个节点，根据模块度增益决定该节点是否加入相邻节点所属的社区以及加入哪个相邻节点所属的社区，然后重构交易网络；将重构后的交易网络中的每一个社区合并为一个节点，跳转至步骤(3)应用模块度增益理论重构交易网络，直至所有节点所属社区不再变化，或整个网络的重叠模块度不再增加或者增加幅度低于某一指定阈值为止，最终获得划分好的社区，即得到银行交易群体；所述重叠模块度的计算为：
Figure BDA0001903686900000021
其中Ai,j表示节点i和节点j之间是否直接相连，如果直接相连，Ai,j＝1；否则Ai,j＝0；ri,j表示节点i和节点j之间边的权重，
Figure BDA0001903686900000022
表示整个网络所有的权重之和，而ki＝∑jAi,jri,j表示所有与节点i连接的边的权重之和，kj＝∑iAi,jri,j表示所有与节点j连接的边的权重之和，ci表示节点i被分到的社区；初始时每一个节点都是一个单独的社区，在进行社区运算后ci会发生变化，当ci＝cj时，δ(ci,cj)＝1，否则δ(ci,cj)＝0；si,j节点i和节点j共同存在的社区中所有边的权重之和。
所述交易权重为交易资金总额、交易次数或交易资金平均金额。
本发明采用Sqoop组件将银行交易流水数据读入HDFS中，SparkSQL读取HDFS中的数据，并转化为RDD进行数据处理；SparkGraphx将处理后的数据转化图结构。
进一步地，还包括对划分得到的社区进行可视化展示，所属可视化展示采用的图布局算法包括Force Atlas、Force Atlas 2、圆形布局或胡一凡布局。
进一步地，步骤(1)中还包括对构建好的交易网络进行子图提取。
进一步地，还包括采用图合并的方法将划分好的多个社区合并为一个社区。
另一方面，本发明提供了一种基于重叠社区发现算法的银行交易群体发现系统，包括：包括银行交易流水数据获取模块、交易数据存储模块、交易网络构建模块、社区发现模块；
所述银行交易流水数据获取模块获取存储在本地文件中或数据库中的银行交易流水数据；所述交易数据存储模块用于存储银行交易流水数据获取模块获取到的银行交易流水数据；所述交易网络构建模块根据银行交易流水数据构建交易网络，所述交易网络以资金转出方和资金转入方为节点、交易关系为边、资金流向为边的方向、交易权重为边的权重；所述社区发现模块应用模块度增益理论重构交易网络，将交易网络划分为多个社区，得到银行交易群体；所述模块度增益理论中采用重叠模块度，计算式为：
Figure BDA0001903686900000031
其中Ai,j表示节点i和节点j之间是否直接相连，如果直接相连，Ai,j＝1；否则Ai,j＝0；ri,j表示节点i和节点j之间边的权重，
Figure BDA0001903686900000032
表示整个网络所有的权重之和，而ki＝∑jAi,jri,j表示所有与节点i连接的边的权重之和，kj＝∑iAi,jri,j表示所有与节点j连接的边的权重之和，ci表示节点i被分到的社区；初始时每一个节点都是一个单独的社区，在进行社区运算后ci会发生变化，当ci＝cj时，δ(ci,cj)＝1，否则δ(ci,cj)＝0；si,j节点i和节点j共同存在的社区中所有边的权重之和。
所述银行交易流水数据获取模块采用Sqoop组件获取存储在数据库中的银行交易流水数据；交易数据存储模块将获取到的银行交易流水数据存储在HDFS中；交易网络构建模块采用SparkSQL读取HDFS中的数据，并转化为RDD进行数据处理，采用SparkGraphx将处理后的数据转化图结构；社区发现模块运行于Spark框架中的Spark Core中。
还包括可视化展示模块，所述可视化展示模块用于对划分得到的社区进行可视化展示，所述可视化展示模块采用的图布局算法包括Force Atlas、Force Atlas 2、圆形布局或胡一凡布局。
还包括子图提取模块或社区合并模块；所述子图提取模块用于根据交易网络的节点进行子图提取；所述社区合并模块用于将社区发现模块划分好的多个社区合并为一个社区。
有益效果：与现有技术相比，本发明公开的基于重叠社区发现算法的银行交易群体发现方法具有以下优点：1、通过构建有向网络，充分利用了银行交易的有向性特点，划分出的社区根据准确；2、利用重叠社区发现算法对银行交易数据进行处理，可以划分出具有重叠结构的不同社区；3、优化了重叠模块度的计算，通过引入δ参数，可以挖掘出社区间有共同交易特征的节点。
附图说明
图1为本发明公开的银行交易群体发现方法的流程图；
图2为实施例中的银行交易群体发现方法的流程图；
图3为实施例中的银行交易群体发现系统的组成框图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。
本发明公开了一种银行交易群体发现方法，流程如图1所示，包括如下步骤：
步骤1、读入银行交易流水数据，构建以资金转出方和资金转入方为节点、交易关系为边、资金流向为边的方向、交易权重为边的权重的交易网络；
步骤2、对构建的交易网络进行初始化，每一个节点初始化为一个社区；
步骤3、对每个节点，根据模块度增益决定该节点是否加入相邻节点所属的社区以及加入哪个相邻节点所属的社区，然后重构交易网络；将重构后的交易网络中的每一个社区合并为一个节点，跳转至步骤(3)应用模块度增益理论重构交易网络，直至所有节点所属社区不再变化，或整个网络的重叠模块度不再增加或者增加幅度低于某一指定阈值为止，最终获得划分好的社区，即得到银行交易群体；所述重叠模块度的计算为：
Figure BDA0001903686900000041
其中Ai,j表示节点i和节点j之间是否直接相连，如果直接相连，Ai,j＝1；否则Ai,j＝0；ri,j表示节点i和节点j之间边的权重，
Figure BDA0001903686900000042
表示整个网络所有的权重之和，而ki＝∑jAi,jri,j表示所有与节点i连接的边的权重之和，kj＝∑iAi,jri,j表示所有与节点j连接的边的权重之和，ci表示节点i被分到的社区；初始时每一个节点都是一个单独的社区，在进行社区运算后ci会发生变化，当ci＝cj时，δ(ci,cj)＝1，否则δ(ci,cj)＝0；si,j则节点i和节点j共同存在的社区中所有边的权重之和。
本实施例基于Hadoop大数据生态系统，利用Spark计算框架进行海量银行交易流水数据的分析，如图2所示，具体步骤如下：
S1、获取银行交易流水数据，存储在HDFS中；
银行交易流水数据可能以文件的形式保存在本地磁盘中，比如以csv、xls、txt等格式的文件存储；也可能保存在oracle、mysql等数据库中。银行交易流水数据包括交易账号，客户名，客户身份证，交易对手名称，交易日期时间，交易金额，收付标志，对手账号，对手户名，对手开户行，备注等字段。为了分析海量的交易流水数据，本实施例将从各种来源获取的银行交易流水数据存储在分布式文件系统HDFS中。以本地文件格式存储的数据通过本地上传的方式上传至HDFS中，保存在数据库中的数据通过Sqoop组件导入HDFS。
S2、SparkSQL读取数据，转化为RDD；
SparkSQL读取HDFS分布式文件系统中存储的银行交易流水数据，将其转化为RDD(弹性分布式数据集)，进行数据处理提取所需字段，包括客户名、交易对手名称、交易金额、收付标志，统计交易流水次数和交易总金额。
S3、SparkGraphx将处理过的数据转化为图结构，构建交易网络，并初始化；
SparkGraphx将处理过的数据转化为由节点和有向边组成的图结构Graph。节点代表交易记录中的资金转出方和资金转入方名称；边表示交易关系，其起点为资金转出方，终点为资金转入方，即边的方向表示了资金的流向；边的权重为交易权重，根据需求，交易权重可采用交易资金总额、交易次数或交易资金平均金额，由此建立了交易网络。
根据具体的需求，对建立好的交易网络可以进行子图提取，对提取出的子图进行后续的社区划分。如针对企业账户进行子图提取，获取企业账户的社区划分结果。
S4、对建立的交易网络进行社区划分，获取银行交易群体；
在建立的Graph中应用重叠社区发现算法，可以得到不同的社区，具体步骤如前述步骤3所述。本实施例基于海量的交易流水数据，可以得到具有重叠结构的不同社区。同一个客户可能被划分至不同的多个社区，进一步发现不同交易群体之间的联系、跨社区的核心账户，为监管机构进行反洗钱或可疑交易筛选提供数据支持。
交易网络中节点和边的定义可以根据银行不同业务场景的进行修改。如采用交易次数，则可以通过挖掘交易频繁的群体；如采用交易总金额，则可以挖掘出交易金额巨大的群体；不同定义的边可以通过重叠社区发现算法挖掘不同交易规律的社区。
S5、对划分得到的社区进行可视化展示；
本实施例中将划分得到的社区提取出来在屏幕上展示，采用多种布局方法，包括Force Atlas、Force Atlas 2、圆形布局或胡一凡布局，以直观地向用户展示获取的银行交易群体和层级分布，便于进行进一步分析。对划分出的多个可疑社区，通过图合并的方法将其融合为一个社区进行可视化展示和分析。
本实施例还公开了实现上述方法的系统，包括：银行交易流水数据获取模块、交易数据存储模块、交易网络构建模块、社区发现模块、可视化展示模块、子图提取模块和社区合并模块；
银行交易流水数据获取模块采用Sqoop组件获取存储在数据库中的银行交易流水数据；交易数据存储模块包括分布式文件系统HDFS，将获取到的银行交易流水数据存储在HDFS中；交易网络构建模块采用SparkSQL读取HDFS中的数据，并转化为RDD进行数据处理，采用SparkGraphx将处理后的数据转化图结构，所建立的交易网络以资金转出方和资金转入方为节点、交易关系为边、资金流向为边的方向、交易权重为边的权重；社区发现模块运行于Spark框架中的Spark Core中，应用模块度增益理论重构交易网络，将交易网络划分为多个社区，得到银行交易群体；可视化展示模块用于对划分得到的社区进行可视化展示，采用的图布局算法包括Force Atlas、Force Atlas 2、圆形布局或胡一凡布局；子图提取模块用于根据交易网络的节点进行子图提取；社区合并模块用于将社区发现模块划分好的多个社区合并为一个社区。

Claims (10)

1.基于重叠社区发现算法的银行交易群体发现方法，其特征在于，包括如下步骤：
(1)读入银行交易流水数据，构建以资金转出方和资金转入方为节点、交易关系为边、资金流向为边的方向、交易权重为边的权重的交易网络；
(2)对构建的交易网络进行初始化，每一个节点初始化为一个社区；
(3)对每个节点，根据模块度增益决定该节点是否加入相邻节点所属的社区以及加入哪个相邻节点所属的社区，然后重构交易网络；将重构后的交易网络中的每一个社区合并为一个节点，跳转至步骤(3)应用模块度增益理论重构交易网络，直至所有节点所属社区不再变化，或整个网络的重叠模块度不再增加或者增加幅度低于某一指定阈值为止，最终获得划分好的社区，即得到银行交易群体；所述重叠模块度的计算为：
Figure FDA0002776280730000011
其中Ai，j表示节点i和节点j之间是否直接相连，如果直接相连，Ai，j＝1；否则Ai，j＝0；ri，j表示节点i和节点j之间边的权重，
Figure FDA0002776280730000012
表示整个网络所有的权重之和，而ki＝∑jAi，jri，j表示所有与节点i连接的边的权重之和，kj＝∑iAi，jri，j表示所有与节点j连接的边的权重之和，ci表示节点i被分到的社区；初始时每一个节点都是一个单独的社区，在进行社区运算后ci会发生变化，当ci＝cj时，δ(ci，cj)＝1，否则δ(ci，cj)＝0；si，j为节点i和节点j共同存在的社区中所有边的权重之和。
2.根据权利要求1所述的基于重叠社区发现算法的银行交易群体发现方法，其特征在于，所述交易权重为交易资金总额、交易次数或交易资金平均金额。
3.根据权利要求1所述的基于重叠社区发现算法的银行交易群体发现方法，其特征在于，采用Sqoop组件将银行交易流水数据读入HDFS中，SparkSQL读取HDFS中的数据，并转化为RDD进行数据处理；SparkGraphx将处理后的数据转化为图结构。
4.根据权利要求3所述的基于重叠社区发现算法的银行交易群体发现方法，其特征在于，还包括对划分得到的社区进行可视化展示，所属可视化展示采用的图布局算法包括Force Atlas、Force Atlas 2、圆形布局或胡一凡布局。
5.根据权利要求3所述的基于重叠社区发现算法的银行交易群体发现方法，其特征在于，步骤(1)中还包括对构建好的交易网络进行子图提取。
6.根据权利要求3所述的基于重叠社区发现算法的银行交易群体发现方法，其特征在于，还包括采用图合并的方法将划分好的多个社区合并为一个社区。
7.基于重叠社区发现算法的银行交易群体发现系统，其特征在于，包括银行交易流水数据获取模块、交易数据存储模块、交易网络构建模块、社区发现模块；
所述银行交易流水数据获取模块获取存储在本地文件中或数据库中的银行交易流水数据；
所述交易数据存储模块用于存储银行交易流水数据获取模块获取到的银行交易流水数据；
所述交易网络构建模块根据银行交易流水数据构建交易网络，所述交易网络以资金转出方和资金转入方为节点、交易关系为边、资金流向为边的方向、交易权重为边的权重；
所述社区发现模块应用模块度增益理论重构交易网络，将交易网络划分为多个社区，得到银行交易群体；所述模块度增益理论中采用重叠模块度，计算式为：
Figure FDA0002776280730000021
其中Ai，j表示节点i和节点j之间是否直接相连，如果直接相连，Ai，j＝1；否则Ai，j＝0；ri，j表示节点i和节点j之间边的权重，
Figure FDA0002776280730000022
表示整个网络所有的权重之和，而ki＝∑jAi，jri，j表示所有与节点i连接的边的权重之和，kj＝∑iAi，jri，j表示所有与节点j连接的边的权重之和，ci表示节点i被分到的社区；初始时每一个节点都是一个单独的社区，在进行社区运算后ci会发生变化，当ci＝cj时，δ(ci，cj)＝1，否则δ(ci，cj)＝0；si，j为节点i和节点j共同存在的社区中所有边的权重之和。
8.根据权利要求7所述的基于重叠社区发现算法的银行交易群体发现系统，其特征在于，所述银行交易流水数据获取模块采用Sqoop组件获取存储在数据库中的银行交易流水数据；交易数据存储模块将获取到的银行交易流水数据存储在HDFS中；交易网络构建模块采用SparkSQL读取HDFS中的数据，并转化为RDD进行数据处理，采用SparkGraphx将处理后的数据转化为图结构；社区发现模块运行于Spark框架中的Spark Core中。
9.根据权利要求7所述的基于重叠社区发现算法的银行交易群体发现系统，其特征在于，还包括可视化展示模块，所述可视化展示模块用于对划分得到的社区进行可视化展示，所述可视化展示模块采用的图布局算法包括Force Atlas、Force Atlas 2、圆形布局或胡一凡布局。
10.根据权利要求7所述的基于重叠社区发现算法的银行交易群体发现系统，其特征在于，还包括子图提取模块或社区合并模块；所述子图提取模块用于根据交易网络的节点进行子图提取；所述社区合并模块用于将社区发现模块划分好的多个社区合并为一个社区。
CN201811529275.9A 2018-12-13 2018-12-13 基于重叠社区发现算法的银行交易群体发现方法和系统 Active CN109559230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811529275.9A CN109559230B (zh) 2018-12-13 2018-12-13 基于重叠社区发现算法的银行交易群体发现方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811529275.9A CN109559230B (zh) 2018-12-13 2018-12-13 基于重叠社区发现算法的银行交易群体发现方法和系统

Publications (2)

Publication Number Publication Date
CN109559230A CN109559230A (zh) 2019-04-02
CN109559230B true CN109559230B (zh) 2021-03-30

Family

ID=65870004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811529275.9A Active CN109559230B (zh) 2018-12-13 2018-12-13 基于重叠社区发现算法的银行交易群体发现方法和系统

Country Status (1)

Country Link
CN (1) CN109559230B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111400614A (zh) * 2020-01-08 2020-07-10 上海观安信息技术股份有限公司 一种基于资金交易数据的涉案集群查找的方法
CN111309788A (zh) * 2020-03-08 2020-06-19 山西大学 一种银行客户交易网络的社区结构发现方法及系统
CN111476662A (zh) * 2020-04-13 2020-07-31 中国工商银行股份有限公司 反洗钱识别方法及装置
CN113159793A (zh) * 2020-12-09 2021-07-23 同盾控股有限公司 数据处理方法、装置、电子设备及计算机存储介质
CN112926999B (zh) * 2021-03-26 2023-10-10 东南大学 一种大宗商品交易平台关联监管范围的自适应推荐方法与系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104166731A (zh) * 2014-08-29 2014-11-26 河海大学常州校区 一种社交网络重叠社区发现系统及其方法
CN105069039A (zh) * 2015-07-22 2015-11-18 山东大学 一种基于spark平台的内存迭代的重叠社区并行发现方法
CN107103053A (zh) * 2017-04-10 2017-08-29 南京信息工程大学 基于重叠节点的复杂网络社区发现方法
CN107832964A (zh) * 2017-11-21 2018-03-23 江苏神威云数据科技有限公司 银行客户关系圈分析方法及系统
CN108074193A (zh) * 2016-11-14 2018-05-25 北京航天长峰科技工业集团有限公司 一种网络社区发现方法
CN108509607A (zh) * 2018-04-03 2018-09-07 三盟科技股份有限公司 一种基于Louvain算法的社区发现方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104166731A (zh) * 2014-08-29 2014-11-26 河海大学常州校区 一种社交网络重叠社区发现系统及其方法
CN105069039A (zh) * 2015-07-22 2015-11-18 山东大学 一种基于spark平台的内存迭代的重叠社区并行发现方法
CN108074193A (zh) * 2016-11-14 2018-05-25 北京航天长峰科技工业集团有限公司 一种网络社区发现方法
CN107103053A (zh) * 2017-04-10 2017-08-29 南京信息工程大学 基于重叠节点的复杂网络社区发现方法
CN107832964A (zh) * 2017-11-21 2018-03-23 江苏神威云数据科技有限公司 银行客户关系圈分析方法及系统
CN108509607A (zh) * 2018-04-03 2018-09-07 三盟科技股份有限公司 一种基于Louvain算法的社区发现方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Extending the definition of modularity to directed graphs with overlapping communities;V Nicosia 等;《Journal of Statistical Mechanics：Theory and Experiment》;20090316;全文 *
银行客户交易网络中社区发现的研究及应用;李雷;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180215;论文第17-18，22-30，36-38,42-45页 *

Also Published As

Publication number Publication date
CN109559230A (zh) 2019-04-02

Similar Documents

Publication Publication Date Title
CN109559230B (zh) 基于重叠社区发现算法的银行交易群体发现方法和系统
CN109389494B (zh) 借贷欺诈检测模型训练方法、借贷欺诈检测方法及装置
Wang et al. Large-scale ensemble model for customer churn prediction in search ads
US11741070B2 (en) System and method for behavioral pattern recognition
CN112241478B (zh) 一种基于图神经网络的大规模数据可视化降维方法
CN111090780B (zh) 可疑交易信息的确定方法及装置、存储介质、电子设备
US8984022B1 (en) Automating growth and evaluation of segmentation trees
CN111325619A (zh) 一种基于联合学习的信用卡欺诈检测模型更新方法及装置
CN111199474A (zh) 一种基于双方网络图数据的风险预测方法、装置和电子设备
CN111222976A (zh) 一种基于双方网络图数据的风险预测方法、装置和电子设备
CN112214499A (zh) 图数据处理方法、装置、计算机设备和存储介质
CN111951052A (zh) 基于知识图谱的获取潜在客户方法及装置
Santiago et al. A methodology for the characterization of flow conductivity through the identification of communities in samples of fractured rocks
US20170032707A1 (en) Method for determining a fruition score in relation to a poverty alleviation program
Vakeel et al. Machine learning models for predicting and clustering customer churn based on boosting algorithms and gaussian mixture model
Hui et al. Automatic morphological filtering algorithm for airborne lidar data in urban areas
Melanda et al. Identification of locational influence on real property values using data mining methods
CN110619564B (zh) 一种反欺诈特征生成方法和装置
CN113240513A (zh) 一种用户授信额度的确定方法和相关装置
Meng et al. In-depth analysis of financial market based on iris recognition algorithm of MATLAB GUI
CN105701007A (zh) 提取税务系统典型测试用例的方法及系统
Shah et al. A Three-Way Clustering Mechanism to Handle Overlapping Regions
CN116883145A (zh) 贷款资金汇聚链路的生成方法、装置及电子设备
CN113205338A (zh) 基于人工智能的外汇业务处理方法及装置
Atan et al. Corporate Network Analysis Based on Graph 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
GR01 Patent grant
GR01 Patent grant