CN109617871B - 基于社团结构信息和阈值的网络节点免疫方法 - Google Patents

基于社团结构信息和阈值的网络节点免疫方法 Download PDF

Info

Publication number
CN109617871B
CN109617871B CN201811487223.XA CN201811487223A CN109617871B CN 109617871 B CN109617871 B CN 109617871B CN 201811487223 A CN201811487223 A CN 201811487223A CN 109617871 B CN109617871 B CN 109617871B
Authority
CN
China
Prior art keywords
node
immunized
nodes
social network
community
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
CN201811487223.XA
Other languages
English (en)
Other versions
CN109617871A (zh
Inventor
张玮桐
尚荣华
焦李成
王蓉芳
马文萍
刘芳
侯彪
王爽
刘园园
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN201811487223.XA priority Critical patent/CN109617871B/zh
Publication of CN109617871A publication Critical patent/CN109617871A/zh
Application granted granted Critical
Publication of CN109617871B publication Critical patent/CN109617871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/30—Network architectures or network communication protocols for network security for supporting lawful interception, monitoring or retaining of communications or communication related information
    • H04L63/308—Network architectures or network communication protocols for network security for supporting lawful interception, monitoring or retaining of communications or communication related information retaining data, e.g. retaining successful, unsuccessful communication attempts, internet access, or e-mail, internet telephony, intercept related information or call content
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/30—Network architectures or network communication protocols for network security for supporting lawful interception, monitoring or retaining of communications or communication related information
    • H04L63/306—Network architectures or network communication protocols for network security for supporting lawful interception, monitoring or retaining of communications or communication related information intercepting packet switched data communications, e.g. Web, Internet or IMS communications

Landscapes

  • Engineering & Computer Science (AREA)
  • Technology Law (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明提出了一种基于社团结构信息和阈值的网络节点免疫方法，克服现有技术中过分依赖提前设置的网络节点免疫数目，节点免疫的有效性低、节点免疫缺少灵活性，节点免疫效果差的问题。其实现步骤是：(1)读入一幅包含30到10000个节点的待免疫社交网络图；(2)计算节点间信息传播概率；(3)生成有害信息节点集合；(4)对网络节点进行免疫处理；(5)分别输出有害信息节点集合与免疫节点集合内节点的总数。本发明提出的方法依赖网络图的社团结构信息，计算节点间信息传播概率，利用影响力与阈值组成免疫节点集合，对网络节点进行免疫处理，提高了节点免疫能力。

Description

基于社团结构信息和阈值的网络节点免疫方法
技术领域
本发明属于通信技术领域，更进一步涉及网络通信技术领域中的一种基于社团结构信息和阈值的网络节点免疫方法。本发明通过对信息传播系统抽象成的复杂网络进行节点免疫，可有效地抑制信息传播系统中的有害信息传播。
背景技术
将信息传播系统抽象成复杂网络结构，有助于研究信息传播的特性、功能及安全等问题。信息传播网络与人类生活息息相关，对信息传播网络中的有害信息的传播的抑制就尤为重要。为了保证信息传播系统的正常运行，越来越多的学者开始研究高效准确的网络节点免疫方法。首先建立信息传播网络模型，描述信息传播趋势，然后将信息传播过程中的部分节点进行免疫。
电子科技大学在其申请的专利文献“一种复杂网络中的谣言传播控制方法”(专利申请号2014106334932，公布号CN104361231A)中公开了一种通过节点免疫控制谣言传播的方法。该方法考虑到感染率随着传播谣言节点数量增加反而下降，引入一个分段函数来描述感染率，建立一个新的谣言传播模型。在该新模型的基础上，引入一个最优控制变量，通过数学方法可以求出最优控制变量，将最优控制变量加入到该模型中，可以使得尽量多的健康节点转变为免疫节点，从而使网络中传播谣言的节点最少，达到控制谣言传播的目的。但是，该方法仍然存在的不足之处是，信息传播过程中通过分布函数描述感染率，过分依赖传播谣言的节点数量，节点免疫的有效性较低。
Dingda Yang,Xiangwen Liao,Huawei Shen,Xueqi Cheng,Guolong Chen在其发表的论文“Dynamic Node Immunization for Restraint of Harmful InformationDiffusion in Social Networks”(Physica A:Statistical Mechanics and itsApplications，2018)中提出了一种网络节点免疫方法。该方法采用独立级联模型(Independent Cascade，IC)作为信息传播模型，给定一个免疫节点数目，首先在当前时间步选择需要被免疫的节点，然后通过比较该节点在当前时间步和下一个时间步中被免疫之后得到的免疫增益函数值的大小，如果当前时间步的免疫增益函数值较大，则将该节点进行免疫操作，遍历所有时间步，直到免疫足够数目的节点，抑制信息传播系统中的有害信息传播。但是，该方法仍然存在的不足之处是，过分依赖提前设置的网络节点免疫数目，极容易在信息传播过程中产生无效免疫，节点免疫缺少灵活性，节点免疫效果较差。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于社团结构信息和阈值的网络节点免疫方法。
实现本发明目的的思路是，利用网络社团结构信息和节点间相似度计算传播概率，建立新的信息传播模型，更好地描绘信息传播趋势，并提出网络中待免疫节点对有连线节点的影响力的公式，利用节点影响力与阈值组成免疫节点集合，提高节点免疫能力，可有效地抑制信息传播系统中的有害信息传播。
本发明的具体步骤如下：
(1)读入一幅包含30到10000个节点的待免疫社交网络图；
(2)计算节点间信息传播概率：
(2a)利用余弦相似度公式，计算待免疫社交网络图中每对节点的相似度值；
(2b)利用网络社团划分方法，得到待免疫社交网络图的社团结构信息；
(2c)按照下式，计算待免疫社交网络图中有连线节点间的信息传播概率：
Figure BDA0001894825250000021
其中，p(i,j)表示待免疫社交网络图中第i个节点与其第j个有连线节点间的信息传播概率，Sim(i,j)表示待免疫社交网络图中第i个节点与其第j个有连线节点的相似度值，Ni表示待免疫社交网络图中与第i个节点在同一个社团内的所有连线节点的总数；
(3)生成有害信息节点集合：
在[6,50]范围内，随机选取待免疫社交网络图中的多个节点，组成有害信息节点集合，将剩余节点组成节点集合；
(4)对网络节点进行免疫处理：
(4a)利用概率公式，计算待免疫社交网络图中每个节点的激活概率；
(4b)按照下式，计算待免疫社交网络图中节点集合内每个节点对其所有连线节点的影响力：
I(i)＝∑(Пv≠i(1-A(v)*p(v,j)))-(П(1-A(v)*p(v,j)))
其中，I(i)表示待免疫社交网络图中节点集合内第i个节点对其所有连线节点的影响力，∑表示求和操作，П表示求积操作，v表示待免疫社交网络图中每个与第j个节点有连线节点的节点序号，A(v)表示待免疫社交网络图中第v个节点的激活概率，p(v,j)表示待免疫社交网络图中第v个节点与第j个节点间的信息传播概率；
(4c)将节点集合内影响力大于阈值0.2的所有节点，组成免疫节点集合；
(4d)从节点集合中删除免疫节点集合中的所有节点，得到更新后的节点集合；
(4e)利用概率公式，计算更新后节点集合内每个节点的激活概率；
(4f)将更新后节点集合内激活概率大于阈值0.5的所有节点，加入到有害信息节点集合中；
(4g)判断有害信息节点集合中节点的总数是否大于待免疫社交网络图中所有节点的总数的50％，若是，则完成对网络节点的免疫处理，执行步骤(5)，否则，执行步骤(4)；
(5)分别输出有害信息节点集合与免疫节点集合内节点的总数。
本发明与现有技术相比具有以下优点：
第一，由于本发明依赖节点间相似度值与网络图的社团结构信息，计算节点间信息传播概率，利用节点激活概率与阈值更新有害信息节点集合，克服了现有技术由于在信息传播过程中通过分布函数描述感染率，过分依赖传播谣言的节点数量，节点免疫的有效性低的问题，使得本发明可以更有效地利用网络结构信息，提高了网络节点免疫的有效性。
第二，由于本发明通过计算待免疫节点对其所有连线节点的影响力，利用影响力与阈值组成免疫节点集合，对网络节点进行免疫处理，克服了现有技术过分依赖提前设置的网络节点免疫数目，极容易在信息传播过程中产生无效免疫，节点免疫缺少灵活性，节点免疫效果差的问题，使得本发明可以不需要提前设置免疫节点数目，针对有害信息节点的连线节点进行免疫，更灵活地对网络节点进行免疫处理，减少了无效免疫的情况，提高了节点免疫能力。
附图说明
图1为本发明的流程图；
图2为本发明的仿真图。
具体实施方式
下面结合图对本发明做进一步的详细描述。
参照图1，对本发明的具体步骤做进一步的详细描述。
步骤1.读入一幅包含30到10000个节点的待免疫社交网络图。
步骤2.计算节点间信息传播概率。
利用余弦相似度公式，计算待免疫社交网络图中每对节点的相似度值。
所述余弦相似度公式如下：
Figure BDA0001894825250000041
其中，Sim(i,j)表示待免疫社交网络图中第i个节点与第j个节点的相似度值，|·|表示取模操作，N(i)表示待免疫社交网络图中第i个节点的所有连线节点，∩表示相交操作，N(j)表示待免疫社交网络图中第j个节点的所有连线节点。
利用网络社团划分方法，得到待免疫社交网络图的社团结构信息。
所述网络社团划分方法的步骤如下：
第1步，为待免疫社交网络图中的每个节点设置一个单独的标签；
第2步，从待免疫社交网络图中选取任意一个节点；
第3步，按照下式，计算所选节点与其每个连线节点间的单标签融合模块密度增量：
Figure BDA0001894825250000042
其中，ΔDij表示待免疫社交网络图中第i个节点与第j个节点间的单标签融合模块密度增量，di表示待免疫社交网络图中与第i个节点的相连节点的总数，dj表示待免疫社交网络图中与第j个节点的相连节点的总数；
第4步，找到所选节点与其每个连线节点间的单标签融合模块密度增量的最大值，用该单标签融合模块密度增量最大值对应的与所选节点有连线节点的标签更新所选节点的标签；
第5步，判断是否选取完待免疫社交网络图中的所有节点，若是，则执行第六步，否则，执行第二步；
第6步，将待免疫社交网络图中所有标签相同的节点作为一个社团，从待免疫社交网络图中选取任意一个社团；
第7步，按照下式，计算所选社团与其每个连线社团间的多标签融合改进模块密度增量：
Figure BDA0001894825250000051
其中，ΔDLuv表示待免疫社交网络图中第u个社团与第v个社团间的多标签融合模块密度增量，liu表示待免疫社交网络图中第u个社团内节点间的连线数，lou表示待免疫社交网络图中第u个社团与其他社团间的连线数，lov表示待免疫社交网络图中第v个社团与其他社团间的连线数，luv表示待免疫社交网络图中第u个社团与第v个社团间的连线数，du表示待免疫社交网络图中与第u个社团内节点相连节点的总数的和，dv表示待免疫社交网络图中与第v个社团内节点相连节点的总数的和，liv表示待免疫社交网络图中第v个社团内节点间的连线数；
第8步，找到待免疫社交网络图中所选社团与其每个连线社团间的多标签融合改进模块密度增量的最大值，用该多标签融合模块密度增量最大值对应的与所选社团有连线社团的标签更新所选社团的标签，将所选社团放回待免疫社交网络图中参与下一次选取；
第9步，判断是否多标签融合改进模块密度增量的最大值小于0，若是，则得到待免疫社交网络图的社团结构信息，否则，执行第6步。
按照下式，计算待免疫社交网络图中有连线节点间的信息传播概率：
Figure BDA0001894825250000052
其中，p(i,j)表示待免疫社交网络图中第i个节点与其第j个有连线节点间的信息传播概率，Sim(i,j)表示待免疫社交网络图中第i个节点与其第j个有连线节点的相似度值，Ni表示待免疫社交网络图中与第i个节点在同一个社团内的所有连线节点的总数。
步骤3.生成有害信息节点集合。
在[6,50]范围内，随机选取待免疫社交网络图中的多个节点，组成有害信息节点集合，将剩余节点组成节点集合。
步骤4.对网络节点进行免疫处理：
利用概率公式，计算待免疫社交网络图中每个节点的激活概率。
所述的概率公式如下：
Figure BDA0001894825250000061
其中，A(v)表示待免疫社交网络图中的第v个节点的激活概率，П表示求积操作，p(w,v)表示待免疫社交网络图中有害信息节点集合内第w个节点与有害信息节点集合外的第v个节点间的信息传播概率。
按照下式，计算待免疫社交网络图中节点集合内每个节点对其所有连线节点的影响力：
I(i)＝∑(Πv≠i(1-A(v)*p(v,j)))-(Π(1-A(v)*p(v,j)))
其中，I(i)表示待免疫社交网络图中节点集合内第i个节点对其所有连线节点的影响力，∑表示求和操作，Π表示求积操作，v表示待免疫社交网络图中每个与第j个节点有连线节点的节点序号，A(v)表示待免疫社交网络图中第v个节点的激活概率，p(v,j)表示待免疫社交网络图中第v个节点与第j个节点间的信息传播概率。
将节点集合内影响力大于阈值0.2的所有节点，组成免疫节点集合。
从节点集合中删除免疫节点集合中的所有节点，得到更新后的节点集合。
利用概率公式，计算更新后节点集合内每个节点的激活概率。
所述的概率公式如下：
Figure BDA0001894825250000071
其中，A(v)表示待免疫社交网络图中的第v个节点的激活概率，∏表示求积操作，p(w,v)表示待免疫社交网络图中有害信息节点集合内第w个节点与有害信息节点集合外的第v个节点间的信息传播概率。
将更新后节点集合内激活概率大于阈值0.5的所有节点，加入到有害信息节点集合中。
判断有害信息节点集合中节点的总数是否大于待免疫社交网络图中所有节点的总数的50％，若是，则完成对网络节点的免疫处理，执行步骤5，否则，执行步骤4。
步骤5.分别输出有害信息节点集合与免疫节点集合内节点的总数。
下面通过仿真实验对本发明的效果做进一步说明。
1.仿真条件：
本发明仿真实验是采用Matlab R2014a软件在配置为Intel(R)Core(TM)i5-8250UCPU@1.60GHz 1.80GHz、内存8GB、WINDOWS10系统的计算机上进行的。
2.仿真内容与结果：
本发明仿真实验以karate网络图作为待免疫社交网络图，karate网络图是由W.W.Zachary在研究空手道俱乐部成员的社团结构信息时构建的网络。Karate网络的下载网址是http://konect.uni-koblenz.de/networks/ucidata-zachary。该网络将34个俱乐部成员组成网络中的34个节点，各个成员之间的连线有78条，作为网络中节点间的连线，如图2所示。图2中的1～34编号分别表示karate网络图中的节点序号。
仿真1，去掉本发明方法中步骤(4a)、步骤(4b)、步骤(4c)、步骤(4d)后，采用本发明方法中的其余步骤，经过计算节点间信息传播概率、生成有害信息节点集合、更新有害信息节点集合步骤后，得到如图2(a)所示的有害信息节点的分布图。
仿真2，采用本发明的方法，经过计算节点间信息传播概率、生成有害信息节点集合、组成免疫节点集合、更新有害信息节点集合后，得到如图2(b)所示的有害信息节点与免疫节点的分布图。
在图2(a)和图2(b)中，三角形表示组成有害信息节点集合的所有节点，菱形表示组成免疫节点集合的所有节点，圆形表示组成节点集合的所有节点。
对比图2(a)和图2(b)可以看出，仿真1得到有害信息节点集合内节点的总数为23个，无免疫节点集合内节点数，仿真2得到有害信息节点集合内节点的总数为12个，免疫节点集合内节点的总数为5个。说明采用本发明的方法对网络节点进行免疫处理，可以通过免疫5个节点，将网络中的有害信息节点集合内节点的总数从23个减少到12个。
综上所述，本发明提出的基于社团结构信息和阈值的网络节点免疫方法，依赖节点间相似度值与网络图的社团结构信息，计算节点间信息传播概率，利用节点激活概率与阈值更新有害信息节点集合，通过计算待免疫节点对其所有连线节点的影响力，利用影响力与阈值组成免疫节点集合，对网络节点进行免疫处理。本发明不需要提前设置免疫节点数目，并且，针对有害信息节点的连线节点进行免疫，更灵活地对网络节点进行免疫处理，减少了无效免疫的情况，改善了节点免疫效果。

Claims (4)

1.一种基于社团结构信息和阈值的网络节点免疫方法，其特征在于，计算节点间信息传播概率，对网络节点进行免疫处理，该方法的步骤包括如下：
(1)读入一幅包含30到10000个节点的待免疫社交网络图；
(2)计算节点间信息传播概率：
(2a)利用余弦相似度公式，计算待免疫社交网络图中每对节点的相似度值；
(2b)利用网络社团划分方法，得到待免疫社交网络图的社团结构信息；
(2c)按照下式，计算待免疫社交网络图中有连线节点间的信息传播概率：
Figure FDA0002328133130000011
其中，p(i,j)表示待免疫社交网络图中第i个节点与其第j个有连线节点间的信息传播概率，Sim(i,j)表示待免疫社交网络图中第i个节点与其第j个有连线节点的相似度值，Ni表示待免疫社交网络图中与第i个节点在同一个社团内的所有连线节点的总数；
(3)生成有害信息节点集合：
随机选取待免疫社交网络图中的多个节点，所述多个节点的选取数目在[6,50]范围内，组成有害信息节点集合，将剩余节点组成节点集合；
(4)对网络节点进行免疫处理：
(4a)利用概率公式，计算待免疫社交网络图中每个节点的激活概率；
(4b)按照下式，计算待免疫社交网络图中节点集合内每个节点对其所有连线节点的影响力：
I(i)＝∑(Πv≠i(1-A(v)*p(v,j)))-(Π(1-A(v)*p(v,j)))
其中，I(i)表示待免疫社交网络图中节点集合内第i个节点对其所有连线节点的影响力，∑表示求和操作，Π表示求积操作，v表示待免疫社交网络图中每个与第j个节点有连线节点的节点序号，A(v)表示待免疫社交网络图中第v个节点的激活概率，p(v,j)表示待免疫社交网络图中第v个节点与第j个节点间的信息传播概率；
(4c)将节点集合内影响力大于阈值0.2的所有节点，组成免疫节点集合；
(4d)从节点集合中删除免疫节点集合中的所有节点，得到更新后的节点集合；
(4e)利用概率公式，计算更新后节点集合内每个节点的激活概率；
(4f)将更新后节点集合内激活概率大于阈值0.5的所有节点，加入到有害信息节点集合中；
(4g)判断有害信息节点集合中节点的总数是否大于待免疫社交网络图中所有节点的总数的50％，若是，则完成对网络节点的免疫处理，执行步骤(5)，否则，执行步骤(4)；
(5)分别输出有害信息节点集合与免疫节点集合内节点的总数。
2.根据权利要求1所述的基于社团结构信息和阈值的网络节点免疫方法，其特征在于，步骤(2a)中所述余弦相似度公式如下：
Figure FDA0002328133130000021
其中，Sim(i,j)表示待免疫社交网络图中第i个节点与第j个节点的相似度值，|·|表示取模操作，N(i)表示待免疫社交网络图中第i个节点的所有连线节点，∩表示相交操作，N(j)表示待免疫社交网络图中第j个节点的所有连线节点。
3.根据权利要求1所述的基于社团结构信息和阈值的网络节点免疫方法，其特征在于，步骤(2b)中所述网络社团划分方法的步骤如下：
第一步，为待免疫社交网络图中的每个节点设置一个单独的标签；
第二步，从待免疫社交网络图中选取任意一个节点；
第三步，按照下式，计算所选节点与其每个连线节点间的单标签融合模块密度增量：
Figure FDA0002328133130000022
其中，ΔDij表示待免疫社交网络图中第i个节点与第j个节点间的单标签融合模块密度增量，di表示待免疫社交网络图中与第i个节点的相连节点的总数，dj表示待免疫社交网络图中与第j个节点的相连节点的总数；
第四步，找到所选节点与其每个连线节点间的单标签融合模块密度增量的最大值，用该单标签融合模块密度增量最大值对应的与所选节点有连线节点的标签更新所选节点的标签；
第五步，判断是否选取完待免疫社交网络图中的所有节点，若是，则执行第六步，否则，执行第二步；
第六步，将待免疫社交网络图中所有标签相同的节点作为一个社团，从待免疫社交网络图中选取任意一个社团；
第七步，按照下式，计算所选社团与其每个连线社团间的多标签融合改进模块密度增量：
Figure FDA0002328133130000031
其中，ΔDLuv表示待免疫社交网络图中第u个社团与第v个社团间的多标签融合模块密度增量，liu表示待免疫社交网络图中第u个社团内节点间的连线数，lou表示待免疫社交网络图中第u个社团与其他社团间的连线数，lov表示待免疫社交网络图中第v个社团与其他社团间的连线数，luv表示待免疫社交网络图中第u个社团与第v个社团间的连线数，du表示待免疫社交网络图中与第u个社团内节点相连节点的总数的和，dv表示待免疫社交网络图中与第v个社团内节点相连节点的总数的和，liv表示待免疫社交网络图中第v个社团内节点间的连线数；
第八步，找到待免疫社交网络图中所选社团与其每个连线社团间的多标签融合改进模块密度增量的最大值，用该多标签融合模块密度增量最大值对应的与所选社团有连线社团的标签更新所选社团的标签，将所选社团放回待免疫社交网络图中参与下一次选取；
第九步，判断是否多标签融合改进模块密度增量的最大值小于0，若是，则得到待免疫社交网络图的社团结构信息，否则，执行第六步。
4.根据权利要求1所述的基于社团结构信息和阈值的网络节点免疫方法，其特征在于，步骤(4a)、步骤(4e)中所述的概率公式如下：
Figure FDA0002328133130000041
其中，A(v)表示待免疫社交网络图中的第v个节点的激活概率，Π表示求积操作，p(w,v)表示待免疫社交网络图中有害信息节点集合内第w个节点与有害信息节点集合外的第v个节点间的信息传播概率。
CN201811487223.XA 2018-12-06 2018-12-06 基于社团结构信息和阈值的网络节点免疫方法 Active CN109617871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811487223.XA CN109617871B (zh) 2018-12-06 2018-12-06 基于社团结构信息和阈值的网络节点免疫方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811487223.XA CN109617871B (zh) 2018-12-06 2018-12-06 基于社团结构信息和阈值的网络节点免疫方法

Publications (2)

Publication Number Publication Date
CN109617871A CN109617871A (zh) 2019-04-12
CN109617871B true CN109617871B (zh) 2020-04-14

Family

ID=66006172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811487223.XA Active CN109617871B (zh) 2018-12-06 2018-12-06 基于社团结构信息和阈值的网络节点免疫方法

Country Status (1)

Country Link
CN (1) CN109617871B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110086670A (zh) * 2019-04-29 2019-08-02 安徽大学 基于局部邻居信息的大规模复杂网络社团发现方法及应用

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102703A (zh) * 2014-07-08 2014-10-15 华中师范大学 一种复杂网络中节点传播能力的评估方法
CN106022936A (zh) * 2016-05-25 2016-10-12 南京大学 适用论文合作网络的基于社团结构的影响最大化算法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8990209B2 (en) * 2012-09-06 2015-03-24 International Business Machines Corporation Distributed scalable clustering and community detection
US20150058277A1 (en) * 2013-08-23 2015-02-26 Thomson Licensing Network inference using graph priors
CN104572766B (zh) * 2013-10-25 2018-03-09 华为技术有限公司 一种社交网络的用户状态识别方法及装置
CN103678669B (zh) * 2013-12-25 2017-02-08 福州大学 一种社交网络中的社区影响力评估系统及方法
CN104050245B (zh) * 2014-06-04 2018-02-27 江苏大学 一种基于活跃度的社交网络影响力最大化方法
CN104598605B (zh) * 2015-01-30 2018-01-12 福州大学 一种社交网络中的用户影响力评估方法
CN105335892A (zh) * 2015-10-30 2016-02-17 南京邮电大学 一种社交网络重要用户发现的实现方法
CN108492201B (zh) * 2018-03-29 2022-02-08 山东科技大学 一种基于社区结构的社交网络影响力最大化方法
CN108510115A (zh) * 2018-03-29 2018-09-07 山东科技大学 一种面向动态社交网络的影响力最大化分析方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102703A (zh) * 2014-07-08 2014-10-15 华中师范大学 一种复杂网络中节点传播能力的评估方法
CN106022936A (zh) * 2016-05-25 2016-10-12 南京大学 适用论文合作网络的基于社团结构的影响最大化算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
多关系网络上的流行病传播动力学研究;李睿琪等;《物理学报》;20130625;第62卷(第16期);正文第1-7页 *

Also Published As

Publication number Publication date
CN109617871A (zh) 2019-04-12

Similar Documents

Publication Publication Date Title
CN108985732B (zh) 基于无区块的dag技术的共识和账本数据组织方法及系统
CN112712182A (zh) 一种基于联邦学习的模型训练方法、装置及存储介质
CN111224905B (zh) 一种大规模物联网中基于卷积残差网络的多用户检测方法
CN109617871B (zh) 基于社团结构信息和阈值的网络节点免疫方法
CN112132606B (zh) 一种基于图注意力算法的动态调价方法及系统
CN109120460A (zh) 社交网络中基于移动节点的辟谣方法
Pu et al. Trace augmentation: What can be done even before preprocessing in a profiled sca?
CN114116707A (zh) 确定联合学习中参与方贡献度的方法及装置
CN107358308A (zh) 实现社会网络影响力最大化的方法和装置
CN106557566A (zh) 一种文本训练方法及装置
CN111144347B (zh) 一种数据处理方法、装置、平台及存储介质
CN112749403A (zh) 一种适用于边缘物联代理装置的边缘数据加密方法
CN109697511A (zh) 数据推理方法、装置及计算机设备
Lee et al. Branching process approach to avalanche dynamics on complex networks
Treadgold et al. Exploring architecture variations in constructive cascade networks
CN116050546A (zh) 一种数据非独立同分布下的拜占庭鲁棒的联邦学习方法
Li et al. Evolutionary virus immune strategy for temporal networks based on community vitality
CN114528596A (zh) 一种基于深度学习的有向无环图区块链可扩展性增强方法
CN107171767A (zh) 针对BitTorrent协议中基于矩阵编码的Bitfield消息隐蔽通信检测方法
CN112446463B (zh) 一种神经网络全连接层运算方法、装置以及相关产品
CN110266781B (zh) 一种基于哈希函数的网络节点随机选取方法
CN107256425B (zh) 随机权网络泛化能力改进方法及装置
Sarkar et al. Neural weight coordination-based vector-valued neural network synchronization
CN110176015A (zh) 基于深度学习的图像处理方法、装置及存储介质
CN117474736B (zh) 一种既有线交通线网改造复合协同规划优化方法及系统

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