CN109831469B - 网络恢复方法、装置、服务器和存储介质 - Google Patents
网络恢复方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN109831469B CN109831469B CN201711180758.8A CN201711180758A CN109831469B CN 109831469 B CN109831469 B CN 109831469B CN 201711180758 A CN201711180758 A CN 201711180758A CN 109831469 B CN109831469 B CN 109831469B
- Authority
- CN
- China
- Prior art keywords
- matrix
- target
- nodes
- network
- determining
- 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
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种网络恢复方法、装置、服务器和存储介质,属于互联网技术领域。本发明通过更少的网络采样,利用网络的近似低秩特性,以最小化核范数为目标建立优化问题,得出的最优解经过后续的调整步骤进行完善,最终实现网络恢复的目的,由于网络的特性趋于相似,因此,其实用性更强,可以应用于多种不同的使用场景。进一步地,这种最小化核范数的优化问题,能够大大节约了计算资源和人力投入,提升了分析速度,为更实时的应用带来了可能。
Description
技术领域
本发明涉及互联网技术领域,特别涉及一种网络恢复方法、装置、服务器和存储介质。
背景技术
随着互联网技术的发展,可能会遇到各种各样的网络结构的数据,如社交网络、信息传播网络、传感器网络、通信网络、基因/蛋白质结构网络等。很多时候,由于数据获取方式的限制或者网络数据的特殊性,可能只能获取到部分网络,即部分节点或边缺失的网络数据,这给获取信息以及应用信息造成了困难。因此,需要一种方法能够根据部分网络推断出缺失的那部分网络信息,这种方法被称为网络恢复方法。
目前的网络恢复方法一般是:基于相似性的方法来解决网络恢复问题,即基于获取到的部分网络中的节点与边,根据已知节点之间的相似性、所有节点以及该场景下的相似性度量标准,推断出未知的连接关系。
在实现本发明的过程中,发明人发现相关技术至少存在以下问题:
在使用上述相似度的算法解决网络恢复问题时,以推荐系统为例,不同类型的推荐系统,如文本推荐与图像推荐,有着不同的相似性度量标准,因此相关的某个网络恢复方法只能解决单个方面的推荐问题,针对于不同的应用场景,需要不同的相应的网络恢复方法,导致网络恢复方法具有局限性。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种网络恢复方法、装置、服务器和存储介质。所述技术方案如下:
第一方面,提供了一种网络恢复方法,所述方法包括:
获取目标网络的采样数据,所述采样数据包括所述目标网络中已知节点以及所述已知节点之间的连接关系;
对所述采样数据进行转换,得到第一邻接矩阵,所述第一邻接矩阵采用矩阵的形式表示所述已知节点以及所述已知节点之间的连接关系;
以所述第一邻接矩阵的最小化核范数为目标函数,以预设约束条件为约束,确定目标矩阵;其中,所述目标矩阵是所述目标函数的最优解,所述目标矩阵采用矩阵的形式表示所述目标网络中的节点以及节点之间的连接关系。
第二方面,提供了一种网络恢复装置,所述装置包括:
获取模块,用于获取目标网络的采样数据,所述采样数据包括所述目标网络中已知节点以及所述已知节点之间的连接关系;
获取模块,还用于对所述采样数据进行转换,得到第一邻接矩阵,所述第一邻接矩阵采用矩阵的形式表示所述已知节点以及所述已知节点之间的连接关系;
确定模块,用于以所述第一邻接矩阵的最小化核范数为目标函数,以预设约束条件为约束,确定目标矩阵;其中,所述目标矩阵是所述目标函数的最优解,所述目标矩阵采用矩阵的形式表示所述目标网络中的节点以及节点之间的连接关系。
第三方面,提供了一种服务器,所述服务器包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述第一方面所述的网络恢复方法。
第四方面,一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述第一方面所述的网络恢复方法。
本发明实施例提供的技术方案带来的有益效果是:本发明实施例提供的实施例,通过更少的网络采样,利用网络的近似低秩特性,以最小化核范数为目标建立优化问题,得出的最优解经过后续的调整步骤进行完善,最终实现网络恢复的目的,由于网络的特性趋于相似,因此,其实用性更强,可以应用于多种不同的使用场景。进一步地,这种最小化核范数的优化问题,能够大大节约了计算资源和人力投入,提升了分析速度,为更实时的应用带来了可能。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种网络恢复方法的实施环境图;
图2是本发明实施例提供的一种网络恢复方法的流程图;
图3是本发明实施例提供的多种不同场景的流程框图;
图4是本发明实施例提供的实际使用性能验证的折线图;
图5是本发明实施例提供的实际使用性能验证的折线图;
图6是本发明实施例提供的实际使用性能验证的折线图;
图7是本发明实施例提供的一种网络恢复装置的结构示意图;
图8是本发明实施例提供的一种服务器的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
图1是本发明实施例提供的一种网络恢复方法的实施环境图。该实施环境包括多个终端101、用于为该多个终端提供服务的服务器102。
多个终端101通过无线或者有线网络和服务器102连接。该多个终端101可以为能够访问服务器102的电子设备,该电子设备可以为电脑、智能手机、平板电脑或者其他电子设备。
服务器102可以为一个或者多个网站服务器,该服务器102可以作为服务的载体,该服务器102可以根据其用户通过终端对社交网络平台、购物平台、多媒体资源平台进行的操作,例如发消息、点赞、购买商品、播放多媒体资源等操作,对网络中用户之间的关系或资源之间的关系进行更新。对于服务器102来说,该服务器102还可以具有至少一种数据库,用以存储用户之间的资源分享数据、用户关系链、用户资料等等。
图2是本发明实施例提供的一种网络恢复方法的流程图。参见图2,对各个步骤进行详述:
201、服务器获取目标网络的采样数据,该采样数据包括该目标网络中已知节点以及已知节点之间的连接关系。
为了能够获知该目标网络中节点和节点之间的关系,可以对该目标网络中的部分网络数据进行采样,得到该目标网络的采样数据。在采样过程中,可以采用爬虫来抓取目标网络中的网络数据,从网络数据中提取节点以及节点之间的连接关系,作为采样数据。
需要说明的是,服务器所获取到的采样数据可以是用拓扑结构来表示,该拓扑结构可以表现为节点以及节点之间的边。以每个节点代表网络内的一个用户,以节点和节点之间的边来代表用户之间的连接关系,例如,节点之间有边,则指示用户之间具有连接关系,而节点之间没有边,则指示用户之间不具有连接关系;进一步地,节点之间的边可以是有方向性的,则边的方向可以指示用户之间的关系,如果节点i和节点j之间是i→j,则可以指示节点i可以给节点j传递信息,但是节点j却不可以给节点i传递信息;当然,用户之间的关系可以是强关系(例如互为好友)或弱关系(例如跟随、订阅或关注),也即是,节点之间的连接强度(可通过节点之间的边的权重表示)不同,可以用于指示不同的关系,例如,节点i关注节点j,而节点j未关注节点i,则节点i到节点j的边的连接强度可以大于节点j到节点i的边的连接强度。需要说明的是,各个节点还可以代表网络内的任一种资源,而节点之间的边可以用来代表资源之间的相似度、相关性等,本发明实施例对此不做具体限定。
202、服务器对采样数据进行转换,得到第一邻接矩阵,该第一邻接矩阵采用矩阵的形式表示已知节点以及已知节点之间的连接关系。
由于采样数据一般是拓扑结构,为了进行后续恢复过程,可以对采样数据进行抽象化,也即是,服务器在获取到采样数据后,可以基于采样数据中的已知节点以及已知节点之间的连接关系,构建第一邻接矩阵,其中,该第一邻接矩阵采用矩阵的形式表示已知节点以及已知节点之间的连接关系。
在本发明实施例中,第一邻接矩阵的具体构建步骤可以如下:服务器基于采样数据中的已知节点的数目,确定第一邻接矩阵的行数和列数,然后,基于已知节点之间的边表示的连接关系,确定第一邻接矩阵中的元素值。例如,服务器获取采样数据中的已知节点的数目,将该数目确定为第一邻接矩阵的行数和列数,该第一邻接矩阵的每行和每列都对应于一个节点。然后,根据已知两个节点之间的边所表示的连接关系,确定每两个节点在第一邻接矩阵中对应的元素值,从而确定整个第一邻接矩阵中的所有元素值。例如,以f(A)来表示该第一邻接矩阵,则已知采样数据中某节点i与另一个节点j之间的连接关系,就可以确定第一邻接矩阵中的第i行、第j列对应的元素值以及第j行、第i列对应的元素值。
对于上述节点来说,可以为节点的不同连接关系事先预设对应的元素值,以便在构建矩阵时对元素进行赋值,例如,某节点i与另一个节点j之间存在一条边,则可以确定第一邻接矩阵中的元素值Aij以及Aji为1,否则该两个元素值为0。
当节点之间的边表示的连接关系为连接强度时,则元素值的赋值可以采用表示强度的任一数值。在一种实现方式中,服务器可以将一个参考强度对应的元素值定义为1,并基于节点之间的强度和参考强度之间的比值,来定义节点所对应的元素值,例如,参考强度为10,其对应元素值为10,而节点i和节点j之间的边所指示的强度为4,则其对应元素值为4,也即是,Aij以及Aji为4。当然,对于节点之间的边具有方向性的情况,Aij以及Aji的取值可以不同。
203、服务器以第一邻接矩阵的最小化核范数为目标函数,以预设约束条件为约束,确定目标矩阵;其中,该目标矩阵是目标函数的最优解,目标矩阵采用矩阵的形式表示目标网络中的节点以及节点之间的连接关系。
在本发明实施例中,核范数是网络邻接矩阵的奇异值之和,表征了网络的低秩特性。对核范数进行最小化,实际是上以构建具有低秩特性的网络为目标进行优化。因此,基于网络的近似低秩特性,服务器可以采用INM方法(Improved Nuclear-normMinimization,最小化核范数优化方法),该INM方法的主要步骤是,采用凸优化算法,以第一邻接矩阵的最小化核范数为目标函数,以下式(1)的预设约束条件为约束,求解优化问题,得到的最优解即为目标矩阵。
具体地,求解优化问题的过程可以是:服务器将第一邻接矩阵的核范数最小化,得到至少一个最小化核范数的邻接矩阵;在得到的最小化核范数的邻接矩阵中,将一个满足上式中的预设约束条件的邻接矩阵,确定为目标矩阵。
需要说明的是,当目标矩阵为对称矩阵时,服务器对目标矩阵进行调整,得到符合邻接矩阵形式的第二邻接矩阵,该第二邻接矩阵采用矩阵的形式表示目标网络中的节点以及节点之间的连接关系。
通过上述步骤得到目标矩阵后,对于对称的矩阵,服务器需要基于邻接矩阵的性质,采用调整公式对该目标矩阵的形式进行调整,如下述公式(2),将该目标矩阵调整为符合邻接矩阵形式的第二邻接矩阵,该第二邻接矩阵采用矩阵的形式表示目标网络中的节点以及节点之间的连接关系。对于非对称的矩阵可以不进行调整,对于对称的邻接矩阵需要上述调整,以对其对称形式进行约束,例如,将矩阵内所有元素值调整至0至1之间的数值。
本发明实施例提供的实施例,通过更少的网络采样,利用网络的近似低秩特性,以最小化核范数为目标建立优化问题,得出的最优解经过后续的调整步骤进行完善,最终实现网络恢复的目的,由于网络的特性趋于相似,因此,其实用性更强,可以应用于多种不同的使用场景。进一步地,这种最小化核范数的优化问题,能够大大节约了计算资源和人力投入,提升了分析速度,为更实时的应用带来了可能。
结合上述图2所示的流程,为了更明确的说明该网络恢复方法的应用场景,如图3所示,上述网络恢复方法可以应用于多种不同场景下,例如信息传播链路预测、资源推荐(如商品推荐)以及社交网络预测(如交友兴趣预测)等,在任一场景下,均可以通过对网络进行采样、并构建部分网络的邻接矩阵,再通过最小化核范数的优化问题,来进行网络恢复,从而进行基于恢复后网络的预测以及推荐。下面基于不同的场景对上述实际使用进行说明:
一、信息传播预测场景
基于上述得到的目标矩阵或第二邻接矩阵,可以根据该邻接矩阵中的节点之间的连接关系对信息传播进行预测。具体地,基于目标矩阵或第二邻接矩阵,确定第二用户对应的第二用户节点,基于目标矩阵或第二邻接矩阵,确定与第二用户节点存在连接关系的其它用户对应的其他用户节点,其中,连接关系为信息传播关系,基于其它用户节点的数目,预测第二用户所发布的信息的传播量。
当需要预测一个用户(即第二用户)发布的某条信息的传播趋势时,服务器先确定该第二用户在目标矩阵或第二邻接矩阵中对应的第二用户节点,并确定与该第二用户节点存在连接关系的其他用户对应的其他用户节点,确定其它用户节点的数目,即可预测第二用户所发布的信息的传播量。基于网络的近似低秩特性,通过部分网络可以得到较完整而准确的目标网络,基于该目标网络中的节点之间的关系预测信息传播趋势,提高了预测的准确度。
二、资源推荐场景
基于上述得到目标矩阵或第二邻接矩阵,可以根据该邻接矩阵中的节点之间的连接关系进行资源推荐。具体地,在目标矩阵或第二邻接矩阵中,确定第一用户对应的第一用户节点;基于目标矩阵或第二邻接矩阵,确定与第一用户节点存在连接关系的第一资源对应的第一资源节点;基于节点之间的连接关系,确定与第一资源节点存在连接关系的第二资源对应的第二资源节点;向第一用户发送第二资源的推荐信息。
需要说明的是,在此场景下,该邻接矩阵中的节点可以是用户节点,也可以是资源节点。服务器先确定进行推荐的目标用户(即第一用户),并在该邻接矩阵中确定该第一用户对应的第一用户节点,然后,基于目标矩阵或第二邻接矩阵,确定与第一用户节点存在连接关系的第一资源对应的第一资源节点,此时的节点之间的连接关系表示用户节点对应的用户使用过资源节点对应的资源。然后,确定与第一资源节点存在连接关系的第二资源对应的第二资源节点,此时的节点之间的连接关系表示资源与资源之间的相似度。然后,服务器向第一用户发送第二资源的推荐信息。
需要说明的是,在目标矩阵或第二邻接矩阵中,可能存在多个资源节点与第一资源节点连接,服务器可以将这些资源节点对应的资源均确定为第二资源,向用户进行推荐,也可以在这些资源中确定与第一资源相似度最大的至少一个资源,将其确定为第二资源,向用户进行推荐,本发明在此不做限定。
需要说明的是,上述资源可以是商品、多媒体资源、游戏等资源,本发明在此不做限定。上述方法通过资源之间的相似度,将与用户使用过的资源类似的资源推荐给用户,使相同类型的推荐信息满足用户的喜好,提高了推荐信息的推荐效率。
三、社交网络预测场景
基于上述得到目标矩阵或第二邻接矩阵,可以根据该邻接矩阵中的节点之间的连接关系对社交网络进行预测。具体地,基于目标矩阵或第二邻接矩阵,确定目标矩阵或第二邻接矩阵中的节点之间的连接关系,基于节点之间的连接关系,确定节点对应的用户之间的用户关系。
需要说明的是,当节点之间的连接关系仅表示节点之间是否连接时,基于节点之间的连接关系,可以确定该两个节点对应的用户之间的用户关系是否为好友关系,当节点之间的连接关系为连接时,可以确定该两个节点对应的用户之间的用户关系为好友关系,当节点之间的连接关系为未连接时,可以确定该两个节点对应的用户之间的用户关系为陌生人关系。当节点之间的连接关系表示节点之间的连接强度时,基于节点之间的连接关系,不仅可以确定两个节点对应的用户之间的用户关系是否为好友关系,还可以表示好友关系的亲密程度。节点之间的连接强度越大,则节点对应的用户之间的好友关系的亲密程度越大。通过一个用户与已知用户之间的用户关系,推测出该用户与其他未知用户之间的用户关系,提高了预测的准确度。
需要说明的是,可以对上述网络恢复方法的实际使用性能验证。
验证一:基于一则文章的实际传播网络数据,通过设置不同的采样率,对比上述网络恢复方法和其它现有方法在信息传播链路预测问题上的性能(采用AUC指标度量)。如图4所示,其中横轴为采样比,纵轴为AUC,不同形式的线代表不同方法的结果。由图4可以看出,无论在低采样比条件下还是高采样比条件下,上述网络恢复方法均优于其他方法。
验证二:在大型社交网络上,基于“部分用户之间的好友关系”来预测“全网所有用户之间的好友关系”,并对各种方法的预测结果进行了广泛的对比,如图5和图6所示,其中横轴为采样比,纵轴为AUC,不同形式的线代表不同方法的结果,由此可以看出,上述网络恢复方法优于其他方法。
通过上述验证过程可以证明,本发明实施例提供的网络恢复方法的效果比目前已知的其它方法都要优越(在相同采样率下的AUC指标显著高于现有的其它方法)。尤其在极小采样率的情况下(小于等于20%),具有较高的可用性。对诸多的社交网络、信息传播网络、传感器网络、通信网络等分析时,可望通过更少的网络采样,得到更加可靠的分析结论。同时,大大节约了计算资源和人力投入,提升了分析速度,为更实时的应用带来了可能。
图7是本发明实施例提供的一种网络恢复装置的结构示意图。参见图7,所述装置包括获取模块710和确定模块720。
该获取模块710,用于获取目标网络的采样数据,所述采样数据包括所述目标网络中已知节点以及所述已知节点之间的连接关系;
该获取模块710,还用于对所述采样数据进行转换,得到第一邻接矩阵,所述第一邻接矩阵采用矩阵的形式表示所述已知节点以及所述已知节点之间的连接关系;
该确定模块720,用于以所述第一邻接矩阵的最小化核范数为目标函数,以预设约束条件为约束,确定目标矩阵;其中,所述目标矩阵是所述目标函数的最优解,所述目标矩阵采用矩阵的形式表示所述目标网络中的节点以及节点之间的连接关系。
在任一种可能实现方式中,所述获取模块710,用于:
基于所述采样数据中的已知节点的数目,确定所述第一邻接矩阵的行数和列数;
基于所述已知节点之间的边表示的连接关系,确定所述第一邻接矩阵中的元素值。
在任一种可能实现方式中,所述已知节点之间的连接关系,包括连接状态或连接强度。
在任一种可能实现方式中,所述预设约束条件,包括约束所述目标矩阵中已知节点之间的连接关系与采样得到的连接关系一致,且约束所述目标网络的边数不超过所述采样数据边数的预设倍数。
在任一种可能实现方式中,所述装置还包括:
调整模块,用于当所述目标矩阵为对称矩阵时,对所述目标矩阵进行形式上的调整,得到符合邻接矩阵形式的第二邻接矩阵,所述第二邻接矩阵采用邻接矩阵的形式表示所述目标网络中的节点以及节点之间的连接关系。
在任一种可能实现方式中,所述调整模块,用于:
当所述目标矩阵为对称矩阵时,将所述目标矩阵内所有元素值调整为0至1之间的数值,得到的符合邻接矩阵形式的第二邻接矩阵。
在任一种可能实现方式中,所述装置还包括:
应用模块,用于基于所述目标矩阵,确定所述目标矩阵中的节点之间的连接关系;
基于所述节点之间的连接关系,确定所述节点对应的用户之间的用户关系。
在任一种可能实现方式中,所述应用模块,还用于:
在所述目标矩阵中,确定第一用户对应的第一用户节点;
基于所述目标矩阵,确定与所述第一用户节点存在连接关系的第一资源对应的第一资源节点;
基于所述节点之间的连接关系,确定与所述第一资源节点存在连接关系的第二资源对应的第二资源节点;
向所述第一用户发送所述第二资源的推荐信息。
在任一种可能实现方式中,所述应用模块,还用于:
基于所述目标矩阵,确定所述第二用户对应的第二用户节点;
基于所述目标矩阵,确定与第二用户节点存在连接关系的其它用户对应的其他用户节点;其中,所述连接关系为信息传播关系;
基于所述其它用户节点的数目,预测第二用户所发布的信息的传播量。
本发明实施例提供的实施例,通过更少的网络采样,利用网络的近似低秩特性,以最小化核范数为目标建立优化问题,得出的最优解经过后续的调整步骤进行完善,最终实现网络恢复的目的,由于网络的特性趋于相似,因此,其实用性更强,可以应用于多种不同的使用场景。进一步地,这种最小化核范数的优化问题,能够大大节约了计算资源和人力投入,提升了分析速度,为更实时的应用带来了可能。
图8是本发明实施例提供的一种服务器的结构框图。参照图8,服务器800包括处理组件822,其进一步包括一个或多个处理器,以及由存储器832所代表的存储器资源,用于存储可由处理组件822的执行的指令,例如应用程序。存储器832中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件822被配置为执行指令,以执行上述图2所示实施例提供的网络恢复方法。
服务器800还可以包括一个电源组件826被配置为执行服务器800的电源管理,一个有线或无线网络接口850被配置为将服务器800连接到网络,和一个输入输出(I/O)接口858。服务器800可以操作基于存储在存储器832的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种计算机可读存储介质,存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述实施例中的网络恢复方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种网络恢复方法,其特征在于,所述方法包括:
获取目标网络的采样数据,所述采样数据包括所述目标网络中已知节点以及所述已知节点之间的连接关系;
基于所述采样数据中的已知节点的数目,确定第一邻接矩阵的行数和列数,基于所述已知节点之间的连接关系,确实所述第一邻接矩阵中的元素值,其中,所述第一邻接矩阵采用矩阵的形式表示所述已知节点以及所述已知节点之间的连接关系;
以所述第一邻接矩阵的最小化核范数为目标函数,以预设约束条件为约束,确定目标矩阵;其中,所述目标矩阵是所述目标函数的最优解,所述目标矩阵采用矩阵的形式表示所述目标网络中的节点以及节点之间的连接关系,所述预设约束条件包括约束所述目标矩阵中已知节点之间的连接关系与采样得到的连接关系一致,且约束所述目标网络的边数不超过所述采样数据边数的预设倍数。
2.根据权利要求1所述的方法,其特征在于,所述已知节点之间的连接关系,包括连接状态或连接强度。
3.根据权利要求1所述的方法,其特征在于,所述确定目标矩阵之后,所述方法还包括:
当所述目标矩阵为对称矩阵时,对所述目标矩阵进行形式上的调整,得到符合邻接矩阵形式的第二邻接矩阵,所述第二邻接矩阵采用邻接矩阵的形式表示所述目标网络中的节点以及节点之间的连接关系。
4.根据权利要求3所述的方法,其特征在于,所述当所述目标矩阵为对称矩阵时,对所述目标矩阵进行调整,得到符合邻接矩阵形式的第二邻接矩阵,包括:
当所述目标矩阵为对称矩阵时,将所述目标矩阵内所有元素值调整为0至1之间的数值,得到的符合邻接矩阵形式的第二邻接矩阵。
5.根据权利要求1所述的方法,其特征在于,所述确定目标矩阵之后,还包括:
基于所述目标矩阵,确定所述目标矩阵中的节点之间的连接关系;
基于所述节点之间的连接关系,确定所述节点对应的用户之间的用户关系。
6.根据权利要求1所述的方法,其特征在于,所述确定目标矩阵之后,还包括:
在所述目标矩阵中,确定第一用户对应的第一用户节点;
基于所述目标矩阵,确定与所述第一用户节点存在连接关系的第一资源对应的第一资源节点;
基于所述节点之间的连接关系,确定与所述第一资源节点存在连接关系的第二资源对应的第二资源节点;
向所述第一用户发送所述第二资源的推荐信息。
7.根据权利要求1所述的方法,其特征在于,所述确定目标矩阵之后,还包括:
基于所述目标矩阵,确定第二用户对应的第二用户节点;
基于所述目标矩阵,确定与第二用户节点存在连接关系的其它用户对应的其他用户节点;其中,所述连接关系为信息传播关系;
基于所述其它用户节点的数目,预测第二用户所发布的信息的传播量。
8.一种网络恢复装置,其特征在于,所述装置包括:
获取模块,用于获取目标网络的采样数据,所述采样数据包括所述目标网络中已知节点以及所述已知节点之间的连接关系;
获取模块,还用于基于所述采样数据中的已知节点的数目,确定第一邻接矩阵的行数和列数;基于所述已知节点之间的连接关系,确定所述第一邻接矩阵中的元素值;所述第一邻接矩阵采用矩阵的形式表示所述已知节点以及所述已知节点之间的连接关系;
确定模块,用于以所述第一邻接矩阵的最小化核范数为目标函数,以预设约束条件为约束,确定目标矩阵;其中,所述目标矩阵是所述目标函数的最优解,所述目标矩阵采用矩阵的形式表示所述目标网络中的节点以及节点之间的连接关系,所述预设约束条件包括约束所述目标矩阵中已知节点之间的连接关系与采样得到的连接关系一致,且约束所述目标网络的边数不超过所述采样数据边数的预设倍数。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
调整模块,用于当所述目标矩阵为对称矩阵时,对所述目标矩阵进行形式上的调整,得到符合邻接矩阵形式的第二邻接矩阵,所述第二邻接矩阵采用邻接矩阵的形式表示所述目标网络中的节点以及节点之间的连接关系。
10.根据权利要求8所述的装置,其特征在于,所述装置还包括:
应用模块,用于在所述目标矩阵中,确定第一用户对应的第一用户节点;
基于所述目标矩阵,确定与所述第一用户节点存在连接关系的第一资源对应的第一资源节点;
基于所述节点之间的连接关系,确定与所述第一资源节点存在连接关系的第二资源对应的第二资源节点;
向所述第一用户发送所述第二资源的推荐信息。
11.一种服务器,其特征在于,所述服务器包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的网络恢复方法。
12.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至7任一所述的网络恢复方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711180758.8A CN109831469B (zh) | 2017-11-23 | 2017-11-23 | 网络恢复方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711180758.8A CN109831469B (zh) | 2017-11-23 | 2017-11-23 | 网络恢复方法、装置、服务器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109831469A CN109831469A (zh) | 2019-05-31 |
CN109831469B true CN109831469B (zh) | 2020-10-09 |
Family
ID=66858471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711180758.8A Active CN109831469B (zh) | 2017-11-23 | 2017-11-23 | 网络恢复方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109831469B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995954A (zh) * | 2014-04-08 | 2014-08-20 | 中国矿业大学 | 基于邻接矩阵的节点匹配模型及进化求解方法 |
US9082082B2 (en) * | 2011-12-06 | 2015-07-14 | The Trustees Of Columbia University In The City Of New York | Network information methods devices and systems |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201307702D0 (en) * | 2013-04-29 | 2013-06-12 | Maxymiser Ltd | Customer community analytics |
-
2017
- 2017-11-23 CN CN201711180758.8A patent/CN109831469B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9082082B2 (en) * | 2011-12-06 | 2015-07-14 | The Trustees Of Columbia University In The City Of New York | Network information methods devices and systems |
CN103995954A (zh) * | 2014-04-08 | 2014-08-20 | 中国矿业大学 | 基于邻接矩阵的节点匹配模型及进化求解方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109831469A (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10609433B2 (en) | Recommendation information pushing method, server, and storage medium | |
CN107657015B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
CN112231592A (zh) | 基于图的网络社团发现方法、装置、设备以及存储介质 | |
US20230103635A1 (en) | Interaction information determining method, interaction information prediction model training method, device, and medium | |
CN106651427B (zh) | 基于用户行为的数据关联方法 | |
CN108111591B (zh) | 推送消息的方法、装置及计算机可读存储介质 | |
US11470167B2 (en) | Method and apparatus for generating information | |
CN114119123A (zh) | 信息推送的方法和装置 | |
CN109831469B (zh) | 网络恢复方法、装置、服务器和存储介质 | |
CN109299351B (zh) | 内容推荐方法和装置、电子设备及计算机可读介质 | |
CN114092162B (zh) | 推荐质量确定方法、推荐质量确定模型的训练方法及装置 | |
CN110633971A (zh) | 资损估计方法以及装置 | |
CN113780703B (zh) | 一种指标调整方法和装置 | |
CN106611100B (zh) | 一种用户行为分析方法和装置 | |
CN115203564A (zh) | 信息流推荐方法、装置及计算机程序产品 | |
CN115858911A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN113961797A (zh) | 资源推荐方法、装置、电子设备和可读存储介质 | |
CN113468604A (zh) | 基于人工智能的大数据隐私信息解析方法及系统 | |
CN113868523A (zh) | 推荐模型训练方法、电子设备及存储介质 | |
CN113052509A (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN117056663B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN110765303A (zh) | 一种更新数据库的方法及系统 | |
CN114745310B (zh) | 基于遗传算法的流量阈值的确定方法及装置 | |
CN115098793B (zh) | 基于大数据的用户画像分析方法及系统 |
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 |