CN109859063B - 一种社区发现方法、装置、存储介质及终端设备 - Google Patents

一种社区发现方法、装置、存储介质及终端设备 Download PDF

Info

Publication number
CN109859063B
CN109859063B CN201910049502.6A CN201910049502A CN109859063B CN 109859063 B CN109859063 B CN 109859063B CN 201910049502 A CN201910049502 A CN 201910049502A CN 109859063 B CN109859063 B CN 109859063B
Authority
CN
China
Prior art keywords
network
matrix
constraint
analyzed
target
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
CN201910049502.6A
Other languages
English (en)
Other versions
CN109859063A (zh
Inventor
顾军华
武君艳
许馨匀
谢志坚
陈博
佘士耀
张亚娟
张素琪
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.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN201910049502.6A priority Critical patent/CN109859063B/zh
Publication of CN109859063A publication Critical patent/CN109859063A/zh
Application granted granted Critical
Publication of CN109859063B publication Critical patent/CN109859063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明实施例公开了一种社区发现方法、装置、存储介质及终端设备。所述社区发现方法包括:基于预设规则确定待分析网络中预设数量的目标网络节点,并基于所述目标网络节点构建约束点集合;根据所述约束点集合构建约束矩阵;根据所述约束矩阵对所述待分析网络进行社区结构划分。通过本发明实施例提供的技术方案,能够充分利用待分析网络中的约束信息,但又不会过分依赖先验知识,准确、高效地对待分析网络进行社区结构的划分,有利于进一步指导待分析网络的社区结构的挖掘。

Description

一种社区发现方法、装置、存储介质及终端设备
技术领域
本发明实施例涉及复杂网络技术领域,尤其涉及社区发现方法、装置、存储介质及终端设备。
背景技术
现实世界中,许多复杂系统都可以被描述成复杂网络的形式。复杂网络一般是指节点数量庞大,连接关系复杂的网络,网络中的节点由各个实体抽象而成,实体与实体之间的关系构成了网络中的边,例如,社会网络、Internet网络、城市交通网络及科研项目合作网络等等。社区结构作为复杂网络的重要特征之一,在人们的生活正扮演着重要的角色。及时、准确的发现网络中所隐藏的社区结构,进而分析复杂系统的内部特征,不仅可以指导人们的生产活动,而且对于理解并控制复杂系统也有很大帮助。
以科研合作项目网络为例,阐述一下对复杂网络中社区结构进行挖掘的重要性。随着现代科学的不断发展,跨区域、跨机构和跨学科的科研合作已成为科学研究的主流趋势,在科学研究过程中日益重要。科研项目合作可以使科研人员之间相互取长补短,充分利用现有的科研条件,共享各种科研资源,出色完成高水平的科研任务。据研究统计,诺贝尔奖获得者的科研成果中有70%是与别人合作研究而取得的。通过分析科研项目中的论文合著关系,可以构建科研项目合著网络,对该网络进行社区结构挖掘,可以获取个人、机构以及地区之间的科研合作与学术交流水平,同时也能反映出特定领域的研究热度和科研合作质量;通过分析科研项目中的项目合作关系,可以构建项目合作网络,对该网络进行社区结构挖掘,可以获取科研网络中科研人员合作的紧密程度与合作模式以及各个学科发展趋势,并且通过对潜在科研团队进行挖掘,可以为整个科研团队的发展提供指导性意见。基于此,对科研项目网络的社区结构挖掘,能帮助科研人员了解所在学科的研究热点及趋势;有助于政府和有关决策部门制定宏观科研政策、优化科研资源配置及培植优秀科研团队;有助于政府和国家了解各个学科的发展趋势,推动创新型国家的发展与建设。同样的,对于其他复杂网络进行社区结构的挖掘,同样至关重要。
相关技术中,社区发现算法大致分为两类:无监督学习和半监督学习。然而,现有的基于无监督社区发现算法中,仅依赖网络中的拓扑结构,忽视了网络中的拓扑信息,而这些拓扑信息对社区发现具有很大的影响,因此,无监督的社区发现方法具有一定的盲目性。基于此,半监督聚类变成数据挖掘与网络分析中研究的热点问题。半监督聚类首先对少量先验知识进行学习,进而实现对聚类过程的指导,从而提高聚类的精度和性能。
然而,现有的基于半监督社区发现方法中,存在如下不足:(1)仅适用于小规模的复杂网络;(2)没有充分利用约束对链接信息,或者过分依赖先验信息;(3)无法发现网络中重叠社区结构,降低了网络的可解释性。因此,提供一种高效、准确的社区发现方法,变得至关重要。
发明内容
本发明实施例提供一种社区发现方法、装置、存储介质及终端设备,可以有效提高复杂网络中社区发现的准确率和效率。
第一方面,本发明实施例提供了一种社区发现方法,包括:
基于预设规则确定待分析网络中预设数量的目标网络节点,并基于所述目标网络节点构建约束点集合;
根据所述约束点集合构建约束矩阵;
根据所述约束矩阵对所述待分析网络进行社区结构划分。
进一步的,基于预设规则确定待分析网络中预设数量的目标网络节点,包括:
获取待分析网络对应的网络邻接矩阵;其中,所述网络邻接矩阵表示所述待分析网络的网络拓扑结构;
根据网络邻接矩阵及预先获取的随机初始化矩阵构建第一目标函数;
通过最小化所述第一目标函数生成所述随机初始化矩阵的第一更新规则,并根据所述第一更新规则对所述随机初始化矩阵进行更新直至所述随机初始化矩阵收敛;
根据收敛后的随机初始化矩阵确定所述待分析网络中预设数量的目标网络节点。
进一步的,根据收敛后的随机初始化矩阵确定所述待分析网络中预设数量的目标网络节点,包括:
计算收敛后的随机初始化矩阵中每行元素之和,并对每行元素之和按照递减的顺序排序;
将各个元素之和中预设数量的最大的元素之和对应的随机初始化矩阵中的网络节点,确定为所述待分析网络中的目标网络节点。
进一步的,根据网络邻接矩阵及预先获取的随机初始化矩阵构建第一目标函数,包括:
根据如下公式构建第一目标函数:
Figure BDA0001950277620000041
其中,L(B)表示第一目标函数,A表示网络邻接矩阵,B表示随机初始化矩阵,β表示预先设定的正则化系数,||A-AB||F表示对矩阵A-AB求F范数。
进一步的,所述第一更新规则如下:
Figure BDA0001950277620000042
其中,D为对角矩阵,
Figure BDA0001950277620000043
进一步的,获取待分析网络对应的网络邻接矩阵,包括:
读取待分析网络对应的数据集文件;
根据所述数据集文件构建所述待分析网络对应的网络邻接矩阵。
进一步的,根据所述约束点集合构建约束矩阵,包括:
对所述约束点集合中的目标网络节点进行must-link约束对约束,将所述约束点集合划分为至少两个约束点子集合;其中,所述约束点子集合中包括至少两个约束到相同社区的目标网络节点;
根据所述约束点子集合及所述待分析网络中的非约束节点构建目标约束点集合;其中,所述非约束节点包括所述待分析网络中除所述目标网络节点外的网络节点;
根据所述目标约束点集合构建约束矩阵。
进一步的,根据所述约束点子集合及所述待分析网络中的非约束节点构建目标约束点集合,包括:
根据如下公式构建目标约束点集合:
Figure BDA0001950277620000051
相应的,所述约束矩阵如下:
C=(Cij)∈R(q+n-p)*n
其中,Mi表示第i个目标约束点集合,Pi表示第i个约束点子集合,C表示约束矩阵,Cij表示约束矩阵C中第i行第j列的元素,q表示约束点子集合的个数,n表示所述待分析网络中网络节点的个数,p表示所述约束点集合中包含的目标网络节点的个数;当待分析网络中网络节点j属于所述第i个目标约束点集合时,Cij=1,否则,Cij=0。
进一步的,根据所述约束矩阵对所述待分析网络进行社区结构划分,包括:
根据所述约束矩阵及预先设定的辅助矩阵构建第二目标函数;
通过最小化所述第二目标函数生成所述辅助矩阵的第二更新规则,并根据所述第二更新规则对所述辅助矩阵进行更新直至所述辅助矩阵收敛;
计算收敛后的辅助矩阵与所述约束矩阵的乘积,得到所述待分析网络中社区结构的划分结果。
进一步的,根据所述约束矩阵及预先设定的辅助矩阵构建第二目标函数,包括:
根据如下公式构建第二目标函数:
Figure BDA0001950277620000052
其中,C表示约束矩阵,Z表示辅助矩阵,A表示所述待分析网络对应的网络邻接矩阵,||A-CTZTZC||F表示对矩阵A-CTZTZC求F范数。
进一步的,所述第二更新规则如下:
Figure BDA0001950277620000061
进一步的,所述待分析网络包括科研项目合作网络。
第二面,本发明实施例还提供了一种社区发现装置,包括:
约束点集合构建模块,用于基于预设规则确定待分析网络中预设数量的目标网络节点,并基于所述目标网络节点构建约束点集合;
约束矩阵构建模块,用于根据所述约束点集合构建约束矩阵;
社区结构划分模块,用于根据所述约束矩阵对所述待分析网络进行社区结构划分。
第三方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例第一方面所述的社区发现方法。
第四方面,本发明实施例提供了一种终端设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例第一方面所述社区发现方法。
本发明实施例提供的社区发现方案,基于预设规则确定待分析网络中预设数量的目标网络节点,并基于所述目标网络节点构建约束点集合;根据所述约束点集合构建约束矩阵;根据所述约束矩阵对所述待分析网络进行社区结构划分。通过采用上述技术方案,能够充分利用待分析网络中的约束信息,但又不会过分依赖先验知识,准确、高效地对待分析网络进行社区结构的划分,有利于进一步指导待分析网络的社区结构的挖掘。
附图说明
图1是本发明实施例一提供的一种社区发现方法的流程示意图;
图2是本发明实施例一提供的待分析网络的网络拓扑结构示意图;
图3是本发明实施例二提供的一种社区发现方法的流程示意图;
图4是本发明实施例三提供的一种社区发现方法的流程示意图;
图5为本发明实施例三提供的社区结构划分结果示意图;
图6是本发明实施例四提供的一种社区发现装置的结构示意图;
图7是本发明实施例六提供的一种终端设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例提供的社区发现方法的流程示意图,该方法可适用于终端设备对复杂网络中社区结构划分的情况,可以由社区发现装置执行,其中该装置可由软件和/或硬件实现,一般可集成在终端设备中。如图1所示,该方法包括:
步骤101、基于预设规则确定待分析网络中预设数量的目标网络节点,并基于所述目标网络节点构建约束点集合。
示例性的,待分析网络可以包括演员合作网络、城市交通网络、电力网、社交网络(如QQ、微信及微博等构成的社交网络)及科研项目合作网络。需要说明的是,本发明实施例对待分析网络的网络类型不做限定。
在本发明实施例中,待分析网络可以理解为需要进行社区结构挖掘或社区发现的复杂网络。其中,在待分析网络结构中包含多个网络节点,存在至少两个网络节点存在关联关系,构成网络节点对。示例性的,图2为本发明实施例提供的待分析网络的网络拓扑结构示意图,在图2中共包含16个网络节点,存在连接关系的网络节点,表示该网络节点间存在关联关系。例如,图2中的待分析网络代表社交网络,则该待分析网络中的各个网络节点表示社交网络中一个个的用户,而连接网络节点间的边则表示用户与用户之间的关系,当然,如果需要对用户与用户间的关系强度(或亲密度)进行区分的话,可以为每条边赋予一个权重,权重值越大表示关系强度越大(或越亲密)。若图2中的待分析网络代表演员合作网络,则图2中的各个网络节点表示演艺圈中的演员,连接网络节点间的边表示演员之间的合作关系。若图2中的待分析网络代表科研项目合作网络,则图2中的各个网络节点表示科研项目中的各个科研人员,连接网络节点间的边表示科研人员之间的合作关系。
在本发明实施例中,基于预设规则从待分析网络包含的网络节点中,确定预设数量个目标网络节点,其中,目标网络节点可以理解为待分析网络中的关键网络节点。可选的,可以通过主动学习的方法从待分析网络中挖掘预设数量个关键网络节点,作为目标网络节点。可选的,还可基于用户的圈选操作从待分析网络中确定预设数量的目标网络节点。可选的,还可根据待分析网络中各个边的权重,确定目标网络节点,如将权重较大边连接的预设数量个网络节点确定为目标网络节点。需要说明的是,本发明实施例对从待分析网络中确定预设数量的目标网络节点的方式不做限定。在确定目标网络节点后,基于确定的目标网络节点构建约束点集合,也即约束点集合是由各个目标网络节点构成的集合。
可选的,基于预设规则确定待分析网络中预设数量的目标网络节点,包括获取待分析网络对应的网络邻接矩阵;其中,所述网络邻接矩阵表示所述待分析网络的网络拓扑结构;根据网络邻接矩阵及预先获取的随机初始化矩阵构建第一目标函数;通过最小化所述第一目标函数生成所述随机初始化矩阵的第一更新规则,并根据所述第一更新规则对所述随机初始化矩阵进行更新直至所述随机初始化矩阵收敛;根据收敛后的随机初始化矩阵确定所述待分析网络中预设数量的目标网络节点。
步骤102、根据所述约束点集合构建约束矩阵。
可选的,根据所述约束点集合构建约束矩阵,包括:对所述约束点集合中的目标网络节点进行must-link约束对约束,将所述约束点集合划分为至少两个约束点子集合;其中,所述约束点子集合中包括至少两个约束到相同社区的目标网络节点;根据所述约束点子集合及所述待分析网络中的非约束节点构建目标约束点集合;其中,所述非约束节点包括所述待分析网络中除所述目标网络节点外的网络节点;根据所述目标约束点集合构建约束矩阵。
可选的,根据所述约束点子集合及所述待分析网络中的非约束节点构建目标约束点集合,包括:根据如下公式(1)构建目标约束点集合:
Figure BDA0001950277620000101
相应的,所述约束矩阵如下公式(2):
C=(Cij)∈R(q+n-p)*n (2)
其中,Mi表示第i个目标约束点集合,Pi表示第i个约束点子集合,C表示约束矩阵,Cij表示约束矩阵C中第i行第j列的元素,q表示约束点子集合的个数,n表示所述待分析网络中网络节点的个数,p表示所述约束点集合中包含的目标网络节点的个数;当待分析网络中网络节点j属于所述第i个目标约束点集合时,Cij=1,否则,Cij=0。
示例性的,通过步骤101确定的约束点集合可用P表示,例如P包含p个目标网络节点。对约束点集合P中的p个目标网络节点进行must-link约束对约束,从而产生对待分析网络的半监督信息,并将约束到相同社区的目标网络节点划分到同一个约束点子集合中。例如。约束点集合P包含10个目标网络节点,分别为待分析网络中的网络节点1,2,3,4,5,6,7,8,9,10,也即P={1,2,3,4,5,6,7,8,9,10},p=10。若网络节点1和2属于第一社区,网络节点5和10属于第二社区,则可将网络节点1,2,5和10划分到同一约束点子集合中;若网络节点3,4和9属于第三社区,网络节点3和6属于第四社区,则可将网络节点3,4,6和9划分到同一约束点子集合中;若网络节点7和8属于第五社区,则可将网络7和8划分到同一约束点子集合中,显然,可将约束点集合划分为三个约束点子集合。示例性的,通过上述方法,将约束点集合P划分为q个约束点子集合Pi,其中,i=1,2,......,q,则P={P1∪P2∪...∪Pq},并且当i≠j时,Pi∩Pj=Φ。
示例性的,待分析网络中共包含n个网络节点,除了被must-link约束对约束的p个网络节点(约束点集合P中的p个目标网络节点)外,在待分析网络中还剩余n-p个未被约束的网络节点,可以将这n-p个未被约束的网络节点称为非约束节点。以n-p个非约束节点中的每个节点为一个集合中的构成元素,可将待分析网络中的非约束节点划分到n-p个集合中,并且基于对约束点集合P划分为q个约束点子集合,因此,可将待分析网络中的n个网络节点划分到n-p+q个集合中,也即基于约束点子集合及待分析网络中的非约束节点构建的目标约束点集合,其中,目标约束点集合可表示为
Figure BDA0001950277620000111
相应的,根据目标约束点集合构建的约束矩阵为C=(Cij)∈R(q+n-p)*n,其中,当待分析网络中网络节点j属于第i个目标约束点集合时,Cij=1,否则,Cij=0。由此可知,如果待分析网络中的两个网络节点属于同一个目标约束点集合时,约束矩阵C的第i列元素与第j列元素相同。其中,约束矩阵C反映了约束点集合P和待分析网络中各个网络节点间的关系。
步骤103、根据所述约束矩阵对所述待分析网络进行社区结构划分。
可选的,根据所述约束矩阵对所述待分析网络进行社区结构划分,包括:根据所述约束矩阵及预先设定的辅助矩阵构建第二目标函数;通过最小化所述第二目标函数生成所述辅助矩阵的第二更新规则,并根据所述第二更新规则对所述辅助矩阵进行更新直至所述辅助矩阵收敛;计算收敛后的辅助矩阵与所述约束矩阵的乘积,得到所述待分析网络中社区结构的划分结果。
可选的,根据所述约束矩阵及预先设定的辅助矩阵构建第二目标函数,包括:根据如下公式(3)构建第二目标函数:
Figure BDA0001950277620000121
其中,C表示约束矩阵,Z表示辅助矩阵,A表示所述待分析网络对应的网络邻接矩阵,||A-CTZTZC||F表示对矩阵A-CTZTZC求F范数。
示例性的,为了得到待分析网络中最终社区与待分析网络中各个网络节点间的关系,获取预先设定的辅助矩阵,其中,预先设定的辅助矩阵可以理解为基于初始化数据库进行初始化设置的辅助矩阵。根据约束矩阵C和辅助矩阵Z构建第二目标函数
Figure BDA0001950277620000122
其中,矩阵A表示待分析网络对应的网络邻接矩阵,网络邻接矩阵A反映了待分析网络的网络拓扑结构。示例性的,待分析网络中包含16个网络节点,则网络邻接矩阵A可表示为A16×16。在本发明实施例中,可采用拉格朗日乘数法不断优化辅助矩阵Z,将第二目标函数转换为第三目标函数
Figure BDA0001950277620000123
其中,U=ZC,对第三目标函数求导并根据KKT条件δijZij=0,可得(ZCCTZTZCCT)ijZij-(ZCACT)ijZij=0,继而可确定辅助矩阵Z的第二更新规则为:
Figure BDA0001950277620000124
通过上述第二更新规则不断对辅助矩阵Z进行更新直至辅助矩阵Z收敛,此时,可使得第二目标函数值最小。收敛后的辅助矩阵可将待分析网络中的约束点集合映射到社区中,其中,收敛后的辅助矩阵可表示为Z'=(Zij)∈Rk*(q+n-p),其中,k表示预先设定的待分析网络中的社区数量。然后,计算收敛后的辅助矩阵Z'与约束矩阵C的乘积,也即U'=Z'C,根据计算结果可得到待分析网络中社区结构的划分结果,即实现对待分析网络的社区发现。
本发明实施例提供的社区发现方法,基于预设规则确定待分析网络中预设数量的目标网络节点,并基于所述目标网络节点构建约束点集合;根据所述约束点集合构建约束矩阵;根据所述约束矩阵对所述待分析网络进行社区结构划分。通过采用上述技术方案,能够充分利用待分析网络中的约束信息,但又不会过分依赖先验知识,准确、高效地对待分析网络进行社区结构的划分,有利于进一步指导待分析网络的社区结构的挖掘。
实施例二
图3是本发明实施例二提供的一种社区发现方法的流程图。本实施例以上述实施例为基础进行优化,在本实施例中,基于预设规则确定待分析网络中预设数量的目标网络节点,包括:获取待分析网络对应的网络邻接矩阵;其中,所述网络邻接矩阵表示所述待分析网络的网络拓扑结构;根据网络邻接矩阵及预先获取的随机初始化矩阵构建第一目标函数;通过最小化所述第一目标函数生成所述随机初始化矩阵的第一更新规则,并根据所述第一更新规则对所述随机初始化矩阵进行更新直至所述随机初始化矩阵收敛;根据收敛后的随机初始化矩阵确定所述待分析网络中预设数量的目标网络节点。相应的,本实施例的方法具体包括:
步骤301、获取待分析网络对应的网络邻接矩阵。
其中,所述网络邻接矩阵表示所述待分析网络的网络拓扑结构。
可选的,获取待分析网络对应的网络邻接矩阵,包括:读取待分析网络对应的数据集文件;根据所述数据集文件构建所述待分析网络对应的网络邻接矩阵。示例性的,待分析网络对应的数据集文件中包含了待分析网络中的网络节点对构成的数据,根据数据集文件中的网络节点对可确定待分析网络的网络邻接矩阵。示例性的,网络邻接矩阵用A表示,则网络邻接矩阵A反映了待分析网络的网络拓扑结构。例如,待分析网络中包含16个网络节点,则网络邻接矩阵A可表示为A16×16。其中,可用Ai表示网络邻接矩阵A的第i行元素构成的向量,则Ai中的各个元素分别表示待分析网络中第i个网络节点与待分析网络中的其他网络节点是否存在关联关系,也即在待分析网络的网络拓扑结构中是否存在边。当Ai中的某元素的取值为1时,如Aij=1,则表示在待分析网络中,第i个网络节点与第j个网络节点存在关联关系,也即在待分析网络的网络拓扑结构图中,第i个网络节点与第j个网络节点间存在连接的边;当Ai中的某元素的取值为0时,如Aij=0,则表示在待分析网络中,第i个网络节点与第j个网络节点不存在关联关系,也即在待分析网络的网络拓扑结构图中,第i个网络节点与第j个网络节点间不存在连接的边。
步骤302、根据网络邻接矩阵及预先获取的随机初始化矩阵构建第一目标函数。
可选的,根据网络邻接矩阵及预先获取的随机初始化矩阵构建第一目标函数,包括:根据如下公式(4)构建第一目标函数:
Figure BDA0001950277620000141
其中,L(B)表示第一目标函数,A表示网络邻接矩阵,B表示随机初始化矩阵,β表示预先设定的正则化系数,||A-AB||F表示对矩阵A-AB求F范数。
示例性的,获取预先设定的随机初始化矩阵,其中,随机初始化矩阵可以理解为基于初始化数据库进行初始化设置的矩阵。根据网络邻接矩阵A和随机初始化矩阵B构建第一目标函数
Figure BDA0001950277620000142
其中,β表示预先设定的正则化系数,||B||2,1表示正则化项。在本发明实施例中,正则化项||B||2,1可以使得随机初始化矩阵B中的元素尽可能稀疏,可以使得随机初始化矩阵B中某些行的元素全部为0,同时也可控制随机初始化矩阵B过拟合的现象。然而,随机初始化矩阵B中的元素太过稀疏,容易使得待分析网络的网络拓扑结构的线性表示效果较差,在第一目标函数中增加正则化系数β,可有效解决该问题。
步骤303、通过最小化所述第一目标函数生成所述随机初始化矩阵的第一更新规则,并根据所述第一更新规则对所述随机初始化矩阵进行更新直至所述随机初始化矩阵收敛。
示例性的,可采用拉格朗日乘数法不断优化随机初始化矩阵B,将第一目标函数
Figure BDA0001950277620000151
转化为第四目标函数I(B)=L(B)+λTr(BT)。对第四目标函数求导并根据KKT条件λijBij=0,可得(ATA)ijBij-(ATAB+βDB)ijBij=0,其中,D为对角矩阵,
Figure BDA0001950277620000152
继而可确定随机初始化矩阵B的第一更新规则为:
Figure BDA0001950277620000153
通过上述第一更新规则不断对随机初始化矩阵进行更新直至随机初始化矩阵收敛,此时,可使得第一目标函数取得最小值。收敛后的随机初始化矩阵可用B'表示,则B'可表示待分析网络中的任意一个网络节点与其他各个网络节点的线性相关性,如收敛后的随机初始化矩阵B'中的元素B′ij表示待分析网络中第i个网络节点与第j个网络节点间的线性相关性。
步骤304、根据收敛后的随机初始化矩阵确定所述待分析网络中预设数量的目标网络节点,并基于所述目标网络节点构建约束点集合。
可选的,根据收敛后的随机初始化矩阵确定所述待分析网络中预设数量的目标网络节点,包括:计算收敛后的随机初始化矩阵中每行元素之和,并对每行元素之和按照递减的顺序排序;将各个元素之和中预设数量的最大的元素之和对应的随机初始化矩阵中的网络节点,确定为所述待分析网络中的目标网络节点。
示例性的,预设数设置为t,即需要从待分析网络中确定t个目标网络节点,计算收敛后的随机初始化矩阵B'中每行元素之和,并对每行元素之后进行按照从大到小的顺序排序后,选取前t个元素之和对应的收敛后的随机初始化矩阵中的网络节点,作为目标网络节点。例如,t=5,B′16×16,对收敛后的随机矩阵B′16×16中的每行元素求和后,发现第1、5、7、10及14行元素的和最大,则可将待分析网络中第1、5、7、10及14个网络节点确定为目标网络节点。
步骤305、根据所述约束点集合构建约束矩阵。
步骤306、根据所述约束矩阵对所述待分析网络进行社区结构划分。
本发明实施例提供的社区发现方法,获取待分析网络对应的网络邻接矩阵,其中,网络邻接矩阵表示待分析网络的网络拓扑结构,根据网络邻接矩阵及预先获取的随机初始化矩阵构建第一目标函数,通过最小化第一目标函数生成随机初始化矩阵的第一更新规则,并根据第一更新规则对随机初始化矩阵进行更新直至随机初始化矩阵收敛,根据收敛后的随机初始化矩阵确定待分析网络中预设数量的目标网络节点并基于目标网络节点构建约束点集合,然后根据约束点集合构建约束矩阵,最后根据约束矩阵对待分析网络进行社区结构划分。通过采用上述技术方案,通过主动学习挖掘待分析网络中的关键节点,也即将待分析网络中能够被其他网络节点的拓扑结构线性表示的网络节点确定为目标网络节点,可以捕获待分析网络中除网络邻接信息之外的网络深层结构相似性,尽管待分析网络中某些网络节点之间并没有直接连接,能够充分利用待分析网络中的约束信息,但又不会过分依赖先验知识,准确、高效地对待分析网络进行社区结构的划分,有利于进一步指导待分析网络的社区结构的挖掘。
实施例三
图4是本发明实施例三提供的一种社区发现方法的流程图,该方法包括:
步骤401、读取待分析网络对应的数据集文件。
步骤402、根据所述数据集文件构建所述待分析网络对应的网络邻接矩阵。
其中,所述网络邻接矩阵表示所述待分析网络的网络拓扑结构;
步骤403、根据网络邻接矩阵及预先获取的随机初始化矩阵构建第一目标函数。
步骤404、通过最小化所述第一目标函数生成所述随机初始化矩阵的第一更新规则,并根据所述第一更新规则对所述随机初始化矩阵进行更新直至所述随机初始化矩阵收敛。
步骤405、计算收敛后的随机初始化矩阵中每行元素之和,并对每行元素之和按照递减的顺序排序。
步骤406、将各个元素之和中预设数量的最大的元素之和对应的随机初始化矩阵中的网络节点,确定为所述待分析网络中的目标网络节点。
步骤407、对所述约束点集合中的目标网络节点进行must-link约束对约束,将所述约束点集合划分为至少两个约束点子集合。
其中,所述约束点子集合中包括至少两个约束到相同社区的目标网络节点。
步骤408、根据所述约束点子集合及所述待分析网络中的非约束节点构建目标约束点集合。
其中,所述非约束节点包括所述待分析网络中除所述目标网络节点外的网络节点;
步骤409、根据所述目标约束点集合构建约束矩阵。
步骤410、根据所述约束矩阵及预先设定的辅助矩阵构建第二目标函数。
步骤411、通过最小化所述第二目标函数生成所述辅助矩阵的第二更新规则,并根据所述第二更新规则对所述辅助矩阵进行更新直至所述辅助矩阵收敛。
步骤412、计算收敛后的辅助矩阵与所述约束矩阵的乘积,得到所述待分析网络中社区结构的划分结果。
示例性的,图5为本发明实施例提供的社区结构划分结果示意图。以图2中的待分析网络为例,采用本发明实施例提供的社区发现方法,对待分析网络进行社区结构的划分结果如图5所示,其中,每一行代表待分析网络中的一个社区,每一列代表待分析网络中的一个网络节点,颜色越深,表示网络节点的社区参与度越低,反之,颜色越浅,表示网络节点的社区参与度越高。
在本发明实施例中,可采用归一化互信息(Normlized Mutual Information,NMI)对社区发现的性能进行评估。其中,
Figure BDA0001950277620000181
nh代表实验所得的社区中的网络节点个数,nl代表真实社区中的网络节点个数,nh,l代表存在于实验社区的前提下又存在于真实社区的网络节点个数,n代表待分析网络中的网络节点总数。其中,NMI值越大,代表对应的社区发现的方法越好。
本发明实施例提供的社区发现方法,首先,获取待分析网络对应的网络邻接矩阵,其中,网络邻接矩阵表示待分析网络的网络拓扑结构,根据网络邻接矩阵及预先获取的随机初始化矩阵构建第一目标函数,通过最小化第一目标函数生成随机初始化矩阵的第一更新规则,并根据第一更新规则对随机初始化矩阵进行更新直至随机初始化矩阵收敛,根据收敛后的随机初始化矩阵确定待分析网络中预设数量的目标网络节点并基于目标网络节点构建约束点集合。然后,对约束点集合中的目标网络节点进行must-link约束对约束,将约束点集合划分为至少两个约束点子集合,其中,约束点子集合中包括至少两个约束到相同社区的目标网络节点,根据约束点子集合及待分析网络中的非约束节点构建目标约束点集合,其中,非约束节点包括待分析网络中除目标网络节点外的网络节点,根据目标约束点集合构建约束矩阵。最后,根据约束矩阵及预先设定的辅助矩阵构建第二目标函数,通过最小化第二目标函数生成辅助矩阵的第二更新规则,并根据第二更新规则对辅助矩阵进行更新直至辅助矩阵收敛,计算收敛后的辅助矩阵与约束矩阵的乘积,得到待分析网络中社区结构的划分结果。通过采用上述技术方案,通过主动学习挖掘待分析网络中的关键节点,也即将待分析网络中能够被其他网络节点的拓扑结构线性表示的网络节点确定为目标网络节点,可以捕获待分析网络中除网络邻接信息之外的网络深层结构相似性,尽管待分析网络中某些网络节点之间并没有直接连接,能够充分利用待分析网络中的约束信息,但又不会过分依赖先验知识。另外,对挖掘的关键节点进行must-link约束对约束,构建约束矩阵,并通过构建的辅助矩阵将约束信息映射到社区结构中,利用非负矩阵分解法构建目标函数,通过对目标函数的不断优化使得目标网络与真实的待分析网络不断接近,直到找到待分析网络中的最优的社区结构,从而实现准确、高效地对待分析网络进行社区结构的划分,有利于进一步指导待分析网络的社区结构的挖掘。
实施例四
图6是本发明实施例四提供的一种社区发现装置的结构示意图。如图6所示,所述装置包括:约束点集合构建模块601、约束矩阵构建模块602及社区结构划分模块603,其中:
约束点集合构建模块601,用于基于预设规则确定待分析网络中预设数量的目标网络节点,并基于所述目标网络节点构建约束点集合;
约束矩阵构建模块602,用于根据所述约束点集合构建约束矩阵;
社区结构划分模块603,用于根据所述约束矩阵对所述待分析网络进行社区结构划分。
本发明实施例提供的社区发现装置,基于预设规则确定待分析网络中预设数量的目标网络节点,并基于所述目标网络节点构建约束点集合;根据所述约束点集合构建约束矩阵;根据所述约束矩阵对所述待分析网络进行社区结构划分。通过采用上述技术方案,能够充分利用待分析网络中的约束信息,但又不会过分依赖先验知识,准确、高效地对待分析网络进行社区结构的划分,有利于进一步指导待分析网络的社区结构的挖掘。
可选的,所述约束点集合构建模块,包括:
网络邻接矩阵获取单元,用于获取待分析网络对应的网络邻接矩阵;其中,所述网络邻接矩阵表示所述待分析网络的网络拓扑结构;
第一目标函数构建单元,用于根据网络邻接矩阵及预先获取的随机初始化矩阵构建第一目标函数;
随机初始化矩阵更新单元,用于通过最小化所述第一目标函数生成所述随机初始化矩阵的第一更新规则,并根据所述第一更新规则对所述随机初始化矩阵进行更新直至所述随机初始化矩阵收敛;
目标网络节点确定单元,用于根据收敛后的随机初始化矩阵确定所述待分析网络中预设数量的目标网络节点。
可选的,目标网络节点确定单元,用于:
计算收敛后的随机初始化矩阵中每行元素之和,并对每行元素之和按照递减的顺序排序;
将各个元素之和中预设数量的最大的元素之和对应的随机初始化矩阵中的网络节点,确定为所述待分析网络中的目标网络节点。
可选的,第一目标函数构建单元,用于:
根据如下公式构建第一目标函数:
Figure BDA0001950277620000211
其中,L(B)表示第一目标函数,A表示网络邻接矩阵,B表示随机初始化矩阵,β表示预先设定的正则化系数,||A-AB||F表示对矩阵A-AB求F范数。
可选的,所述第一更新规则如下:
Figure BDA0001950277620000212
其中,D为对角矩阵,
Figure BDA0001950277620000213
可选的,网络邻接矩阵获取单元,用于:
读取待分析网络对应的数据集文件;
根据所述数据集文件构建所述待分析网络对应的网络邻接矩阵。
可选的,约束矩阵构建模块,包括:
约束点集合划分单元,用于对所述约束点集合中的目标网络节点进行must-link约束对约束,将所述约束点集合划分为至少两个约束点子集合;其中,所述约束点子集合中包括至少两个约束到相同社区的目标网络节点;
目标约束点集合构建单元,用于根据所述约束点子集合及所述待分析网络中的非约束节点构建目标约束点集合;其中,所述非约束节点包括所述待分析网络中除所述目标网络节点外的网络节点;
约束矩阵构建单元,用于根据所述目标约束点集合构建约束矩阵。
可选的,目标约束点集合构建单元,用于:
根据如下公式构建目标约束点集合:
Figure BDA0001950277620000221
相应的,所述约束矩阵如下:
C=(Cij)∈R(q+n-p)*n
其中,Mi表示第i个目标约束点集合,Pi表示第i个约束点子集合,C表示约束矩阵,Cij表示约束矩阵C中第i行第j列的元素,q表示约束点子集合的个数,n表示所述待分析网络中网络节点的个数,p表示所述约束点集合中包含的目标网络节点的个数;当待分析网络中网络节点j属于所述第i个目标约束点集合时,Cij=1,否则,Cij=0。
可选的,社区结构划分模块,包括:
第二目标函数构建单元,用于根据所述约束矩阵及预先设定的辅助矩阵构建第二目标函数;
辅助矩阵更新单元,用于通过最小化所述第二目标函数生成所述辅助矩阵的第二更新规则,并根据所述第二更新规则对所述辅助矩阵进行更新直至所述辅助矩阵收敛;
社区结构划分单元,用于计算收敛后的辅助矩阵与所述约束矩阵的乘积,得到所述待分析网络中社区结构的划分结果。
可选的,第二目标函数构建单元,用于:
根据如下公式构建第二目标函数:
Figure BDA0001950277620000231
其中,C表示约束矩阵,Z表示辅助矩阵,A表示所述待分析网络对应的网络邻接矩阵,||A-CTZTZC||F表示对矩阵A-CTZTZC求F范数。
可选的,所述第二更新规则如下:
Figure BDA0001950277620000232
可选的,所述待分析网络包括科研项目合作网络。
实施例五
本发明实施例五提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于社区发现方法。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDRRAM、SRAM、EDORAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的社区发现操作,还可以执行本发明任意实施例所提供的社区发现方法中的相关操作。
实施例六
图7为本发明实施例六提供的一种终端设备的结构示意图。图7显示的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图7所示,本发明实施例六提供的终端设备,包括处理器71、存储器72、输入装置73和输出装置74;终端设备中处理器71的数量可以是一个或多个,图7中以一个处理器71为例;终端设备中的处理器71、存储器72、输入装置73和输出装置74可以通过总线或其他方式连接,图7中以通过总线连接为例。
存储器72作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的社区发现方法对应的程序指令/模块(例如,社区发现装置中的约束点集合构建模块601、约束矩阵构建模块602及社区结构划分模块603)。处理器71通过运行存储在存储器72中的软件程序、指令以及模块,从而执行各种功能应用以及文件处理,例如实现本发明实施例所提供的应用于终端设备的社区发现方法。
存储器72可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器72可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器72可进一步包括相对于处理器71远程设置的存储器,这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置73可用于接收用户输入的数字或字符信息,以产生与终端设备的用户设置以及功能控制有关的键信号输入。输出装置74可包括显示屏等显示设备。
上述实施例中提供的社区发现方法、存储介质及终端设备可执行本发明实施例所提供的对应的社区发现方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的社区发现、检索方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。

Claims (14)

1.一种社区发现方法,其特征在于,包括:
基于预设规则确定待分析网络中预设数量的目标网络节点,并基于所述目标网络节点构建约束点集合;
根据所述约束点集合构建约束矩阵;
根据所述约束矩阵对所述待分析网络进行社区结构划分;
其中,基于预设规则确定待分析网络中预设数量的目标网络节点,包括:
获取待分析网络对应的网络邻接矩阵;其中,所述网络邻接矩阵表示所述待分析网络的网络拓扑结构;
根据网络邻接矩阵及预先获取的随机初始化矩阵构建第一目标函数;
通过最小化所述第一目标函数生成所述随机初始化矩阵的第一更新规则,并根据所述第一更新规则对所述随机初始化矩阵进行更新直至所述随机初始化矩阵收敛;
根据收敛后的随机初始化矩阵确定所述待分析网络中预设数量的目标网络节点。
2.根据权利要求1所述的方法,其特征在于,根据收敛后的随机初始化矩阵确定所述待分析网络中预设数量的目标网络节点,包括:
计算收敛后的随机初始化矩阵中每行元素之和,并对每行元素之和按照递减的顺序排序;
将各个元素之和中预设数量的最大的元素之和对应的随机初始化矩阵中的网络节点,确定为所述待分析网络中的目标网络节点。
3.根据权利要求1所述的方法,其特征在于,根据网络邻接矩阵及预先获取的随机初始化矩阵构建第一目标函数,包括:
根据如下公式构建第一目标函数:
Figure FDA0004053558320000021
其中,L(B)表示第一目标函数,A表示网络邻接矩阵,B表示随机初始化矩阵,β表示预先设定的正则化系数,||A-AB||F表示对矩阵A-AB求F范数。
4.根据权利要求3所述的方法,其特征在于,所述第一更新规则如下:
Figure FDA0004053558320000022
其中,D为对角矩阵,
Figure FDA0004053558320000023
5.根据权利要求1所述的方法,其特征在于,获取待分析网络对应的网络邻接矩阵,包括:
读取待分析网络对应的数据集文件;
根据所述数据集文件构建所述待分析网络对应的网络邻接矩阵。
6.根据权利要求1所述的方法,其特征在于,根据所述约束点集合构建约束矩阵,包括:
对所述约束点集合中的目标网络节点进行must-link约束对约束,将所述约束点集合划分为至少两个约束点子集合;其中,所述约束点子集合中包括至少两个约束到相同社区的目标网络节点;
根据所述约束点子集合及所述待分析网络中的非约束节点构建目标约束点集合;其中,所述非约束节点包括所述待分析网络中除所述目标网络节点外的网络节点;
根据所述目标约束点集合构建约束矩阵。
7.根据权利要求6所述的方法,其特征在于,根据所述约束点子集合及所述待分析网络中的非约束节点构建目标约束点集合,包括:
根据如下公式构建目标约束点集合:
Figure FDA0004053558320000031
相应的,所述约束矩阵如下:
C=(Cij)∈R(q+n-p)*n
其中,Mi表示第i个目标约束点集合,Pi表示第i个约束点子集合,C表示约束矩阵,Cij表示约束矩阵C中第i行第j列的元素,q表示约束点子集合的个数,n表示所述待分析网络中网络节点的个数,p表示所述约束点集合中包含的目标网络节点的个数;当待分析网络中网络节点j属于所述第i个目标约束点集合时,Cij=1,否则,Cij=0。
8.根据权利要求1所述的方法,其特征在于,根据所述约束矩阵对所述待分析网络进行社区结构划分,包括:
根据所述约束矩阵及预先设定的辅助矩阵构建第二目标函数;
通过最小化所述第二目标函数生成所述辅助矩阵的第二更新规则,并根据所述第二更新规则对所述辅助矩阵进行更新直至所述辅助矩阵收敛;
计算收敛后的辅助矩阵与所述约束矩阵的乘积,得到所述待分析网络中社区结构的划分结果。
9.根据权利要求8所述的方法,其特征在于,根据所述约束矩阵及预先设定的辅助矩阵构建第二目标函数,包括:
根据如下公式构建第二目标函数:
Figure FDA0004053558320000032
其中,C表示约束矩阵,Z表示辅助矩阵,A表示所述待分析网络对应的网络邻接矩阵,||A-CTZTZC||F表示对矩阵A-CTZTZC求F范数。
10.根据权利要求9所述的方法,其特征在于,所述第二更新规则如下:
Figure FDA0004053558320000041
11.根据权利要求1-10任一所述的方法,其特征在于,所述待分析网络包括科研项目合作网络。
12.一种社区发现装置,其特征在于,包括:
约束点集合构建模块,用于基于预设规则确定待分析网络中预设数量的目标网络节点,并基于所述目标网络节点构建约束点集合;
约束矩阵构建模块,用于根据所述约束点集合构建约束矩阵;
社区结构划分模块,用于根据所述约束矩阵对所述待分析网络进行社区结构划分;
所述约束点集合构建模块,包括:
网络邻接矩阵获取单元,用于获取待分析网络对应的网络邻接矩阵;其中,所述网络邻接矩阵表示所述待分析网络的网络拓扑结构;
第一目标函数构建单元,用于根据网络邻接矩阵及预先获取的随机初始化矩阵构建第一目标函数;
随机初始化矩阵更新单元,用于通过最小化所述第一目标函数生成所述随机初始化矩阵的第一更新规则,并根据所述第一更新规则对所述随机初始化矩阵进行更新直至所述随机初始化矩阵收敛;
目标网络节点确定单元,用于根据收敛后的随机初始化矩阵确定所述待分析网络中预设数量的目标网络节点。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-11中任一所述的社区发现方法。
14.一种终端设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-11任一所述的社区发现方法。
CN201910049502.6A 2019-01-18 2019-01-18 一种社区发现方法、装置、存储介质及终端设备 Active CN109859063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910049502.6A CN109859063B (zh) 2019-01-18 2019-01-18 一种社区发现方法、装置、存储介质及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910049502.6A CN109859063B (zh) 2019-01-18 2019-01-18 一种社区发现方法、装置、存储介质及终端设备

Publications (2)

Publication Number Publication Date
CN109859063A CN109859063A (zh) 2019-06-07
CN109859063B true CN109859063B (zh) 2023-05-05

Family

ID=66895147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910049502.6A Active CN109859063B (zh) 2019-01-18 2019-01-18 一种社区发现方法、装置、存储介质及终端设备

Country Status (1)

Country Link
CN (1) CN109859063B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334285B (zh) * 2019-07-04 2021-08-06 仲恺农业工程学院 一种基于结构平衡约束的符号网络社区发现方法
CN112904239B (zh) * 2019-11-19 2023-02-17 中国商用飞机有限责任公司 电缆导通网络确定方法、装置、存储介质及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103227731A (zh) * 2013-04-23 2013-07-31 西北工业大学 基于改进“结构洞”的复杂网络节点重要性局部计算方法
CN105760426A (zh) * 2016-01-28 2016-07-13 仲恺农业工程学院 一种面向在线社交网络的主题社区挖掘方法
CN106411572A (zh) * 2016-09-06 2017-02-15 山东大学 一种结合节点信息和网络结构的社区发现方法
CN107818534A (zh) * 2017-10-31 2018-03-20 武汉大学 一种具有空间约束的人类活动网络区域划分方法
CN108334580A (zh) * 2018-01-25 2018-07-27 重庆邮电大学 一种结合链接和属性信息的社区发现方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103227731A (zh) * 2013-04-23 2013-07-31 西北工业大学 基于改进“结构洞”的复杂网络节点重要性局部计算方法
CN105760426A (zh) * 2016-01-28 2016-07-13 仲恺农业工程学院 一种面向在线社交网络的主题社区挖掘方法
CN106411572A (zh) * 2016-09-06 2017-02-15 山东大学 一种结合节点信息和网络结构的社区发现方法
CN107818534A (zh) * 2017-10-31 2018-03-20 武汉大学 一种具有空间约束的人类活动网络区域划分方法
CN108334580A (zh) * 2018-01-25 2018-07-27 重庆邮电大学 一种结合链接和属性信息的社区发现方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种半监督的局部扩展式重叠社区发现方法;陈俊宇等;《计算机研究与发展》;20160615(第06期);第1376-1388页 *
基于图正则化非负矩阵分解的二分网络社区发现算法;汪涛等;《电子与信息学报》;20150915(第09期);全文 *
复杂网络模糊重叠社区检测研究进展;肖婧等;《复杂系统与复杂性科学》;20170915(第03期);全文 *

Also Published As

Publication number Publication date
CN109859063A (zh) 2019-06-07

Similar Documents

Publication Publication Date Title
Lvovich et al. Optimization of the subsystem for the movement of electronic documents in educational organization
Song et al. A novel double deep ELMs ensemble system for time series forecasting
Chen et al. Techniques for automated machine learning
Ray et al. The multi-depot split-delivery vehicle routing problem: Model and solution algorithm
Zheng et al. Migo-nas: Towards fast and generalizable neural architecture search
Sublime et al. Entropy based probabilistic collaborative clustering
CN110851662B (zh) 基于元路径的异质信息网络链路预测方法
CN109859063B (zh) 一种社区发现方法、装置、存储介质及终端设备
CN113190688A (zh) 基于逻辑推理和图卷积的复杂网络链接预测方法及系统
CN111462088A (zh) 基于图卷积神经网络的数据处理方法、装置、设备及介质
CN111985623A (zh) 基于最大化互信息和图神经网络的属性图群组发现方法
CN117153260B (zh) 基于对比学习的空间转录组数据聚类方法、装置及介质
Hu et al. Privacy-preserving personalized federated learning
Salama et al. Ant colony algorithms for constructing Bayesian multi-net classifiers
Zamani Dadaneh et al. Bayesian module identification from multiple noisy networks
Fan et al. Cb-dsl: Communication-efficient and byzantine-robust distributed swarm learning on non-iid data
Li et al. Dynamic community detection based on graph convolutional networks and contrastive learning
Silva et al. JobPruner: A machine learning assistant for exploring parameter spaces in HPC applications
Ghebriout et al. Harmonic-NAS: Hardware-Aware Multimodal Neural Architecture Search on Resource-constrained Devices
Zou et al. FedDCS: Federated learning framework based on dynamic client selection
Prasad et al. A preprocessed induced partition matrix based collaborative fuzzy clustering for data analysis
Jantre et al. Learning active subspaces for effective and scalable uncertainty quantification in deep neural networks
Ran et al. A hybrid genetic-fuzzy ant colony optimization algorithm for automatic K-means clustering in urban global positioning system
CN114445692B (zh) 图像识别模型构建方法、装置、计算机设备及存储介质
Zhang et al. Low sample and communication complexities in decentralized learning: A triple hybrid approach

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