CN109919458B - 社交网络中基于概念格的协作成本任务分配方法及其系统 - Google Patents

社交网络中基于概念格的协作成本任务分配方法及其系统 Download PDF

Info

Publication number
CN109919458B
CN109919458B CN201910127936.3A CN201910127936A CN109919458B CN 109919458 B CN109919458 B CN 109919458B CN 201910127936 A CN201910127936 A CN 201910127936A CN 109919458 B CN109919458 B CN 109919458B
Authority
CN
China
Prior art keywords
task
social network
team
skill
model
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
CN201910127936.3A
Other languages
English (en)
Other versions
CN109919458A (zh
Inventor
尹小燕
王倩倩
孙婷
孟一
金博
陈�峰
陈晓江
房鼎益
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.)
Northwest University
Original Assignee
Northwest 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 Northwest University filed Critical Northwest University
Priority to CN201910127936.3A priority Critical patent/CN109919458B/zh
Publication of CN109919458A publication Critical patent/CN109919458A/zh
Application granted granted Critical
Publication of CN109919458B publication Critical patent/CN109919458B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了社交网络中基于概念格的协作成本任务分配方法及其系统。本发明对社交网络、社交网络中的任务、社交网络中的参与者以及参与者所具备的技能进行建模，得到任务分配系统模型；利用形式概念分析获得社交网络中的小团体，基于小团体的内部强联系属性，为任务招募满足其技能需求的参与者，快速获得足以完成任务的强联系团队，提升协作性任务的完成效率。利用社交网络中小团体成员间的紧密联系特性，即任一成员均可代表整个小团队，从不同的小团体中选择专家构建弱联系团队，全方位、多层次地构建团队，保证竞争型性任务的公平性。与已有任务分配算法相比，本发明所提方法在协作成本、团队规模与运行时间等性能均有显著的提升。

Description

社交网络中基于概念格的协作成本任务分配方法及其系统
技术领域
本发明涉及社交网络，具体涉及社交网络中基于概念格的协作成本任务分配方法及其系统。
背景技术
一项复杂任务通常需要团队的参与者间协作完成。例如，对于一项互联网金融工程，需要来自软件开发、金融分析等不同领域的专家组成技术团队，才能保证该项工程的顺利完成。因此，参与者的选择，进而形成一个高效的团队是社交网络中协作任务得以成功完成的保障。研究表明，参与者间的社会关系对于任务完成的效率具有重要影响。低协作成本的团队能提升协作任务完成的质量，而高协作成本的团队能保证竞争型任务的公平性。
在社交网络中，多项任务共存，每项任务对应数种技能的组合，每位参与者具备不同技能。任务分配的本质在于为每项任务招募团队，满足任务对技能的需求。现实生活中，参与者之间亲疏有别，关系紧密的团队参与者导致低的通信和协作成本。同时，一些任务希望参与者来自不同的阵营，能代表各个阶层的声音，如项目评审或各级评奖，评审团参与者之间弱联系的存在，能保证评审结果的客观公正。根据社交网络中不同类型任务的不同目标，将两种情况下的任务分配问题分别建模为强联系组队问题(TFP-ST，Team FormationProblem with Strong Ties)与弱联系组队问题(TFP-WT，Team Formation Problem withWeak Ties)。
现有工作研究了强联系团队的形成方法，设计不同的协作成本函数作为度量标准，用以评估形成团队的性能。加州大学河滨分校引入两个概念，即最小生成树(MST，Minimum Spanning Tree)和团队的最大直径作为度量标准，并提出启发式算法。多伦多约克大学设计了技能之间通信成本之和以及到领导者的距离之和两种度量标准，并提出了带领导者的组队算法。马克斯普朗克计算机科学研究所使用子图的密度选出一个协作团队。基于紧密中心性和特征向量中心性，西拉大学形成低协作成本的高效团队。另外，罗马大学考虑了负载均衡，黑龙江大学考虑了时间限制等。然而，这些贪心启发式算法只能实现局部最优，无法保证全局最优。
组建弱联系团队的相关研究不多，北京大学提出社会影响度量标准，并找出最小化社会影响的团队。然而，该研究中所需的权威参数在现实中难以获取；先前的工作提出以团队参与者之间最短距离的最小值作为弱联系的通信成本，选择使得团队通信成本最大化的参与者，形成弱联系团队。然而对于评审类的任务而言，团队的权威性未加入考虑。
发明内容
针对现有算法存在的问题，本发明的目的是提供社交网络中基于概念格的协作成本任务分配方法及其系统，解决现有的协作成本任务分配方法中获得足以完成任务的强联系团队的速度慢、无法保证全局最优的技术问题。
为了实现上述目标，本发明采用以下技术方案：
社交网络中基于概念格的协作成本任务分配方法，包括以下步骤：
步骤1：对社交网络、社交网络中的任务、社交网络中的参与者以及参与者所具备的技能进行建模，得到任务分配系统模型，所述的任务分配系统模型包括社交网络模型、任务-技能模型和参与者-技能模型；
步骤2：从所述的任务分配系统模型中分别构建TFP-ST模型和TFP-WT模型，所述的TFP-ST模型包括目标函数及约束条件，所述的TFP-WT模型包括目标函数及约束条件，所述的TFP-ST为强联系组队问题，所述的TFP-WT为弱联系组队问题；
步骤3：对社交网络模型采用形式概念分析得到社交网络中的概念格，然后用InClose算法对社交网络中的概念格处理获得社交网络模型中的小团体gi的集合g；
步骤4：对任务分配系统模型中任务，获取所述的小团体gi的技能矩阵f(gi)，根据f(gi)找出满足所述的TFP-ST模型中的约束条件和目标函数的小团体，构建强联系团队；
对任务分配系统模型中任务，从步骤3中的小团体集合g中找出满足所述的TFP-WT模型中的约束条件和目标函数的参与者集合，构建弱联系团队。
具体的，步骤1中所述的社交网络模型为图G，G＝(V,E)，其中V为G中节点的集合，表示社交网络中参与者的集合，G中的节点u∈V，表示一个社交网络中的参与者；|V|＝N，N为节点的数目，表示社交网络中参与者的数目，N＞0；E表示图G中边的集合，E中边的权重表示两个相邻参与者之间的通信成本；
所述的任务-技能模型具体为：
ti＝[ti1 … tik … tiM]，ti∈T，其中，ti为任务矩阵，表示任务分配系统模型中第i个任务；tik表示任务分配系统模型中任务ti是否需要第k个技能；M表示任务分配系统模型中所有技能领域的数目，M≥1，为有限的正整数，1≤k≤M；T表示任务分配系统模型中任务的集合，T≥1，为有限的正整数；
所述的参与者-技能模型具体为：
pj＝[pj1 … pjk … pjM]
Figure BDA0001973835630000041
其中，sk表示任务分配系统模型中第k个技能；pj表示参与者j拥有的技能信息表；pjk表示参与者j对技能sk的熟练度，0≤pjk≤1，若pjk＝0，表示参与者j未掌握技能sk，若pjk＞0，表示参与者j掌握技能sk，pjk的值越大，表示参与者j对技能sk的掌握熟练度越高；Sj为参与者j掌握的技能集合。
具体地，步骤2中所述的TFP-ST模型包括目标函数及约束条件，可表示为，
目标函数为：
Min(Mst(V′))
约束条件为：
Figure BDA0001973835630000042
Figure BDA0001973835630000043
步骤2中所述的TFP-WT模型包括目标函数及约束条件，具体为，
目标函数为：
Max(Min(V′))
约束条件：
Figure BDA0001973835630000044
Figure BDA0001973835630000045
其中，V′表示构建的团队中包含的参与者的集合；E′表示子集V′构建的子图中边的集合；若tik＝1，表示任务ti需要技能sk，若tik＝0，表示任务ti不需要技能sk；Mst(V′)表示构建的团队的最小生成树；Min(V′)表示团队V′的最小通信成本。
具体的，步骤3中获得社交网络模型中的小团体gi集合g的方法如下：
对社交网络模型采用形式概念分析，将社交网络模型图G转化为形式背景FC(G)，然后用InClose算法从形式背景FC(G)中获得小团体gi的集合g，g＝{g1,…,gi,…,gp}，1≤i≤p，|g|＝p，p表示小团体的数目，p＞0，gi＝[gi1 … gij … giN]，1≤j≤N，N表示社交网络中参与者的数目，gij表示小团体gi中是否包含参与者j，若gij＝1，表示小团体gi中包含参与者j，若gij＝0，表示小团体gi中不包含参与者j。
进一步地，根据步骤1中所述的参与者j拥有的技能列表pj和所述的小团体gi，获得小团体代表的团队的技能矩阵f(gi)，所述的小团体代表的团队的技能矩阵f(gi)具体为：
Figure BDA0001973835630000051
其中gijpjk表示如果gij＝1，则gi中存在参与者j，才能考虑参与者j对技能sk的技能熟练度pjk；0≤fik≤1，fik表示小团体gi代表的团队对技能sk的技能熟练度，若fik＝0，表示小团体gi代表的团队不能完成包含技能sk的任务，若fik＞0，表示小团体gi代表的团队掌握技能sk，若fik的值越大，表示小团体gi代表的团队对技能sk的掌握熟练度越高，1≤k≤M，M表示任务分配系统模型中所有技能领域的数目；N表示社交网络中参与者的数目；
具体的，所述的构建强联系团队的步骤包括：
步骤a：对于任务分配系统模型中任务ti，存在小团体gx，都有fxk＞0，将小团体{gx}中的小团体gxmax匹配给任务ti，小团体gxmax包含的参与者即为所要构建的强联系团队，将已匹配的任务ti从任务分配系统模型中删除；
其中，gx∈g，gx表示小团体集合g中任意一个小团体；fxk表示小团体gx对任务ti要求的技能sk的技能熟练度；小团体gxmax表示对任务ti要求的技能sk，都满足fxmaxk＞0，且其包含的参与者技能水平最高的一个小团体，小团体gxmax满足TFP-ST模型中的约束条件；
步骤b：重复步骤a，直至匹配完任务分配系统模型中所有任务，完成强联系团队的构建。
具体的，所述的构建弱联系团队的步骤包括：
步骤a：对于任务分配系统模型中任务ti，从任务ti中未被覆盖的技能集合U选择候选集规模最小的技能smin，从技能smin的候选集C(smin)中选择节点度最小的节点作为初始节点加入到构建的团队V′中，得到包含初始节点的团队；
步骤b：初始化候选集合C(C)为空，从小团体gj中选择一个代表leaderj加入候选集合C(C)中，再从侯选集合C(C)中选择满足所述的TFP-WT模型中的目标函数的节点
Figure BDA0001973835630000061
加入到步骤a中所述的包含初始节点的团队中；
其中，gj∈g，gj表示小团体集合g中第j个小团体；所述的leaderj掌握未被覆盖的技能，且leaderj不在构建的团队V′中，
步骤c：然后重复步骤b直到覆盖任务分配系统模型中任务的所有技能要求，完成弱联系团队的构建。
社交网络中基于概念格的协作成本任务分配系统，由社交网络中基于概念格的协作成本任务分配方法构成。
与已有技术相比，本发明具有以下特点：
1、本发明对社交网络中的任务分配构建系统模型，利用形式概念分析获得社交网络中的小团体，基于小团体的内部强联系属性，为任务招募满足其技能需求的参与者，快速获得足以完成任务的强联系团队，提升协作性任务的完成效率。
2、本发明利用社交网络中小团体成员间的紧密联系特性，即任一成员均可代表整个小团队，从不同的小团体中选择专家构建弱联系团队，全方位、多层次地构建团队，保证竞争型性任务的公平性。
附图说明
图1为本发明的强联系组队实例；
图2为强联系组队算法的通信成本比较图；
图3为强联系组队算法的团队规模比较图；
图4为强联系组队算法的运行时间比较图；
图5为弱联系组队算法的通信成本比较图；
图6为弱联系组队算法的团队规模比较图；
图7为弱联系组队算法的运行时间比较图；
具体实施方式
本发明的贡献是提出了社交网络中基于概念格的协作成本任务分配方法及其系统，利用概念格获得社交网络中具有内部强联系属性的小团体，并基于小团体的强联系特性构建强联系团队，提升协作性任务的完成效率。另外，利用小团体的行为共享特性，从不同的小团体中选择专家构建弱联系团队，全方位、多层次地构建团队，保证竞争型性任务的公平性。
本发明的社交网络中基于概念格的协作成本任务分配方法，主要包括四个步骤：
步骤1：对社交网络、社交网络中的任务、社交网络中的参与者以及参与者所具备的技能进行建模，得到任务分配系统模型，所述的任务分配系统模型包括社交网络模型、任务-技能模型和参与者-技能模型；
步骤2：从所述的任务分配系统模型中分别构建TFP-ST模型和TFP-WT模型，所述的TFP-ST为强联系组队问题，所述的TFP-WT为弱联系组队问题；
步骤3：对社交网络模型采用形式概念分析得到社交网络中的概念格，然后用InClose算法对社交网络中的概念格获得社交网络模型中的小团体集合g；
步骤4：对任务分配系统模型中的任务，获取所述的小团体gi的技能矩阵f(gi)，根据f(gi)找出满足所述的TFP-ST模型中的约束条件和目标函数的小团体，构建强联系团队；
对任务分配系统模型中的任务，从步骤3中的小团体集合g中找出满足所述的TFP-WT模型中的约束条件和目标函数的参与者集合，构建弱联系团队。
实施例1：
步骤1：对社交网络、社交网络中的任务、社交网络中的参与者以及参与者所具备的技能进行建模，得到任务分配系统模型，所述的任务分配系统模型包括社交网络模型、任务-技能模型和参与者-技能模型；
社交网络模型的建模方法具体如下：
将社交网络视为一个带权无向图G＝(V,E)，即社交网络模型为图G，其中V为G中节点的集合，表示社交网络中参与者的集合，G中任意的节点u∈V，表示一个社交网络中的参与者；|V|＝N，N为节点的数目，表示社交网络中参与者的数目，N＞0；E表示图G中边的集合，E中边的权重表示两个相邻参与者之间的通信成本，若边的权重越小，则表示参与者之间协作效率越高，反之亦然；若两个参与者u和v之间不存在边，即
Figure BDA0001973835630000091
他们之间的通信成本为u和v在图G中的最短距离d(u,v)，即u到v的最短路径上的权重之和。节点u到v的最短路径上的节点的集合表示为path(u,v)。另外，从节点u到集合A的最短距离为d(u,A)＝minx∈Ad(u,x)，A∈V，u到集合A的最短路径上的节点的集合表示为path(u,Y(u,A))，其中Y(u,A)＝x*，
Figure BDA0001973835630000092
使得d(u,x*)≤d(u,x)。
任务-技能模型的建模方法具体如下：
任务通常对应若干技能的集合，ti＝[ti1 … tik … tiM]，ti∈T，其中，ti为任务矩阵，表示任务分配系统模型中第i个任务；tik表示任务分配系统模型中任务ti是否需要第k个技能，若tik＝1，表示任务ti需要技能sk，若tik＝0，则表示任务ti不需要技能sk；M表示任务分配系统模型中所有技能领域的数目，M≥1，为有限的正整数，1≤k≤M；T表示任务分配系统模型中任务的集合，T≥1，为有限的正整数。技能之间相互独立，那么任务的解决过程等同于所有技能的解决过程。
参与者-技能模型如下：
pj＝[pj1 … pjk … pjM]
Figure BDA0001973835630000101
其中，sk表示任务分配系统模型中第k个技能；pj表示参与者j拥有的技能列表，参与者通常具备数个技能且技能熟练度不同；0≤pjk≤1，pjk表示参与者j对技能sk的熟练度，若pjk＝0，表示参与者j不掌握技能sk，若pjk＞0，表示参与者j掌握技能sk，若pjk的值越大，表示参与者j对技能sk的掌握熟练度越高，M表示任务分配系统模型中所有技能领域的数目，M≥1，为有限的正整数，1≤k≤M；Sj为参与者j掌握的技能集合。
系统建模形式化表示如表1所示：
表1：参数与定义
Figure BDA0001973835630000102
Figure BDA0001973835630000111
社交网络中任务分配问题本质上是招募拥有特殊技能的参与者。因此，需要构建TFP-ST模型和TFP-WT模型，明确模型的目标函数以及约束条件。对于团队的强联系和弱联系水平的度量，一般使用团队的通信成本衡量，此处使用已有的团队通信成本定义。
步骤2：从所述的任务分配系统模型中分别构建TFP-ST模型和TFP-WT模型，所述的TFP-ST为强联系组队问题，所述的TFP-WT为弱联系组队问题；
TFP-ST模型包括目标函数及约束条件，TFP-ST模型的度量标准为最小生成树，
TFP-ST模型构建方法包括：给定一个社交网络图G＝(V,E)，一个任务ti＝[ti1 …tik … tiM]，集合V中的每个参与者j的技能矩阵pj＝[pj1 … pjk … pjM]，j∈V，如果对于团队V′，
Figure BDA0001973835630000112
都
Figure BDA0001973835630000113
则称团队V′可以覆盖任务ti中的所有技能。强联系组队的目标就是从社交网络图G中选择一个团队V′满足任务对技能的要求且最小化协作成本。其目标函数为：
Min(Mst(V′))
约束条件为：
Figure BDA0001973835630000114
Figure BDA0001973835630000115
V′表示构建的团队中包含的参与者的集合；E′表示子集V′构建的子图中边的集合；若tik＝1，表示任务ti需要技能sk，若tik＝0，表示任务ti不需要技能sk；Mst(V′)表示构建的团队的最小生成树。
其中，TFP-ST模型的度量标准选用为最小生成树。团队成员间的联系越强，团队参与者之间的通信成本越低，已有的团队通信成本定义如下：
对于一个社交网络G＝(V,E)，从中选择的团队V′的通信成本等同于它在图G中的最小生成树MST(V′)。
最小生成树的定义为：对于给定的带权无向图G＝(V,E)，V为G中节点的集合，E为G中边的集合，如果存在
Figure BDA0001973835630000121
为E的子集且为无循环图，使得
Figure BDA0001973835630000122
中所有边权重之和
Figure BDA0001973835630000123
最小，则
Figure BDA0001973835630000124
为G的最小生成树。
TFP-WT模型包括目标函数及约束条件，TFP-WT模型的度量标准为最小通信成本，构建TFP-WT模型的具体方法同TFP-ST模型的构建方法，与其不同的是：弱联系组队的目标是从社交网络图G中选择一个团队V′满足任务对技能的要求且最大化Min(V′)，因此，
目标函数为：
Max(Min(V′))
约束条件：
Figure BDA0001973835630000125
Figure BDA0001973835630000126
V′表示构建的团队中包含的参与者的集合；E′表示子集V′构建的子图中边的集合；若tik＝1，表示任务ti需要技能sk，若tik＝0，表示任务ti不需要技能sk；Min(V′)表示团队V′的最小通信成本。
其中，TFP-WT模型的度量标准为最小通信成本。最小通信成本表示团队中任意节点之间最小通信成本，这个值越大，则团队弱联系水平越高。
最小通信成本定义为：给定一个社交网络G＝(V,E)，从中选择的团队V′中任意两个参与者间的通信成本等同于V′中任意两个节点之间最短距离的最小值Min(V′)＝minu,v∈V′d(u,v)。
加利福尼亚大学河滨分校已经证明TFP-ST问题可以约简为GST(Group SteinerTree)问题。GST问题已经被证明为NP(Non-Deterministic Polynomial)问题，因此TFP-ST问题为NP问题，同理，TFP-WT问题为NP问题。
步骤3：对社交网络模型采用形式概念分析得到社交网络中的概念格，然后用InClose算法对社交网络中的概念格获得社交网络模型中的小团体gi的集合g；
根据已有研究，社交网络中存在一种特殊的结构，具有参与者组织紧密或共享相同行为模式的特性，称之为小团体。因而，考虑利用小团体的强联系属性和行为共享特性解决任务分配问题。
本发明创新性的引入形式概念分析，获得社交网络中的概念格，并根据等概念的定义获得网络中的小团体。首先将代表社交网络的图G转化为形式背景，利用现有的InClose算法获得形式概念以及等概念，已有研究(陕师大团队)证明，等概念等同于小团体结构，由此获得社交网络中的小团体分布。
因此，步骤3中获得社交网络模型中的小团体集合g的方法具体为：
对社交网络模型采用形式概念分析，将社交网络模型图G转化为形式背景FC(G)，然后用InClose算法从形式背景FC(G)中获得小团体gi的集合g，g＝{g1,…,gi,…,gp}，
其中，1≤i≤p，|g|＝p，p表示小团体的个数，p＞0，
Figure BDA0001973835630000141
gi＝[gi1 … gij …giN]，1≤j≤N，N表示社交网络中参与者的数目，gij表示小团体gi中是否包含参与者j，若gij＝1，表示小团体gi中包含参与者j，若gij＝0，表示小团体gi中不包含参与者j。
此处将社交网络模型图G转化为形式背景FC(G)作详细解释：形式背景由三元组(U,I,R)表示，U＝{x1,x2,…xn}，U为对象集合，I＝{y1,y2,…ym}，I为属性集合，R表示U和I之间的二元关系，
Figure BDA0001973835630000142
若对象属性对(x,y)∈R，则对象x有属性y；反之亦然。因此，将代表社交网络的图G＝(V,E)转化为形式背景FC(G)，对象与属性都为V中的节点，也就是参与者，二元关系用0或者1表示，1表示参与者之间存在二元关系，反之亦然。形式背景与数据结构中图的存储结构邻接矩阵相似，不同点在于形式背景中节点与其自身存在二元关系。表2为一个包含7个参与者{x1,…,x7}的网络图G7转化为形式背景的实例。在真实的社交网络中，参与者与参与者之间并不是简单的二元关系，更多的是模糊关系，介于0到1之间，因此，将参与者与参与者之间转化为二元关系时需设置一个阈值Θ，阈值Θ可根据实际情况进行选取，可选地，只要阈值Θ大于0，即参与者之间有联系即可，若参与者之间的关系大于阈值Θ，则二元关系为1，反之则为0。
表2：形式背景FC(G7)
Figure BDA0001973835630000151
在形式背景(U,I,R)中，算子*的定义如下：
对象集合
Figure BDA0001973835630000152
属性集合
Figure BDA0001973835630000153
Figure BDA0001973835630000154
Figure BDA0001973835630000155
概念和等概念的定义如下：一个三元组(U,I,R)，
Figure BDA0001973835630000156
若(A,B)满足A*＝B，且B*＝A，则(A,B)是一个概念；若满足A*＝B，B*＝A且A＝B，则(A,B)是一个等概念，其中，A被称为外延，B为内涵。
以表2为例，({x2,x3,x5}，{x2,x3,x5})就是一个等概念，对象{x2,x3,x5}都拥有属性{x2,x3,x5}；三个参与者{x2,x3,x5}组成了一个小团体，其中任意两个参与者之间都有直接联系。
由小团体的定义可知，小团体中包含多个节点，且节点间都有合作经历，关系紧密，因此每个小团体都可以视为一个强联系团队，且每一个小团体代表的团队可以完成不同的任务。系统中同时存在多个任务，考虑基于获得的小团体以及参与者的技能列表，对小团体与任务进行匹配，找出满足对应任务要求的小团体作为强联系组队的结果，从而解决强联系要求下的任务分配。此处，对每个小团体可以参与的任务数目不做限制。现有技术中通常采用贪心启发式算法获得近似解，而本发明中利用小团体的内部强联系属性，提出新的任务分配方法，解决了该问题。
然后，根据步骤1中的参与者j拥有的技能列表pj和步骤3中所述的小团体gi，获得小团体代表的团队的技能矩阵f(gi)，每个小团体可以视为掌握多个技能领域的团队。基于参与者的技能矩阵和获得的小团体集合g，因此，小团体代表的团队的技能矩阵f(gi)具体为：
Figure BDA0001973835630000161
其中gijpjk表示如果gij＝1，则gi中存在参与者j，才能考虑参与者j对技能sk的技能熟练度pjk；0≤fik≤1，fik表示小团体gi代表的团队对技能sk的技能熟练度，若fik＝0，表示小团体gi代表的团队不掌握技能sk，若fik＞0，表示小团体gi代表的团队掌握技能sk，若fik的值越大，表示小团体gi代表的团队对技能sk的掌握熟练度越高，1≤k≤M，M表示任务分配系统模型中所有技能领域的数目，M≥1，为有限的正整数，；N表示社交网络中参与者的数目；若多个参与者同时掌握技能sk，则fik取所述的团队中对技能sk的技能熟练度最大的参与者对应的值。
步骤4：对任务分配系统模型中任务，获取所述的小团体gi的技能矩阵f(gi)，根据f(gi)找出满足所述的TFP-ST模型中的约束条件和目标函数的小团体，构建强联系团队；
构建强联系团队的步骤包括：
步骤a：对于任务分配系统模型中任务ti，ti∈T，ti＝[ti1 … tik … tiM]，若存在小团体gx，都有fxk＞0，将小团体{gx}中的小团体gxmax匹配给任务ti，小团体gxmax包含的参与者即为所要构建的强联系团队，将已匹配的任务ti从任务分配系统模型中删除，此处不限制每个参与者可参与的任务数量；
其中，gx∈g，gx表示小团体集合g中任意一个小团体；fxk表示小团体gx对任务ti要求的技能sk的技能熟练度；小团体gxmax表示对任务ti要求的技能sk，都满足fxmaxk＞0，且其为包含的参与者技能水平最高的一个小团体，小团体gxmax满足TFP-ST模型中的约束条件；
步骤b：重复步骤a，直至匹配完任务分配系统模型中所有任务，完成强联系团队的构建。
本实例还给出一个该任务分配系统模型任务进行强联系团队的构建的具体实例，如图1所示，对于任务t1＝{1,1,1,0,0}，可以找到一个小团体g1，满足任务t1的技能要求，那么，V′＝{V1，V2，V3}就是满足任务t1的技能需求的一个强联系团队。
上述构建强联系团队的方法基本能解决TFP-ST问题，但还存在特殊情况，即不存在小团体代表的团队可以完全覆盖任务ti，ti∈T，此时，上述的小团体与任务的匹配算法不能完全解决，本发明在上述小团体与任务的匹配算法的最好的结果V′上进行了补充，提出了另外一种补充方法，贪心的选择节点加入上述V′中，直到完全覆盖任务ti。
步骤a：首先定义团队收益fincome(V′,ti)：
Figure BDA0001973835630000171
Figure BDA0001973835630000181
fincome(V′,ti)为当前团队V′的收益，即对任务ti覆盖的技能数。对于j∈V′，若满足
Figure BDA0001973835630000182
则收益fincome(V′,tik)＝1，反之则为0。
选择最大化fincome(V′,ti)的小团体gx，gx∈g，得到当前团队V′，V′＝V′∪{j|gxj＝1,j∈V}。由于收益最大的小团体代表的团队也不能完全覆盖任务要求的技能，本发明贪心的从候选集C(U)中选择节点加入V′中覆盖未被覆盖的技能直至完全覆盖任务ti。
其中，任务ti中未被覆盖的技能集合为U，
Figure BDA0001973835630000183
候选集C(U)为未被覆盖的技能候选集的并集，
Figure BDA0001973835630000184
步骤b：从候选集C(C)中选择使得效益E(j)最大化的节点
Figure BDA0001973835630000185
将节点
Figure BDA0001973835630000186
加入到集合V′中，
Figure BDA0001973835630000187
更新U，
Figure BDA0001973835630000188
同时更新C(C)；重复步骤二直到U＝Φ。
步骤b中所述的效益E(j)的定义为：
Figure BDA0001973835630000189
其中，E(j)为加入节点j到团队V′后的效益，fincome(V′∪{j},ti)为将节点j加入到团队V′后的收益，fincome(V′,ti)为团队V′的收益，Mst(V′∪{j})为将节点j加入到团队V′后的最小生成树。
此时，采用上述的两种构建强联系团队的方法，利用社交网络中的小团体可直接选出满足技能要求的参与者，且小团体在社交网络中具有强联系属性，TFP-ST问题目标和约束都得到满足。
小团体中的参与者两两之间都有联系，因此可以视为一个专家团。考虑从每个小团体中选出一人作为代表，形成的弱联系团队更加权威，弱联系组队问题同样是NP问题。
本发明提出一个贪心启发式算法，对任务分配系统模型中任务，从步骤3中的小团体集合g中找出满足所述的TFP-WT模型中的约束条件和目标函数的参与者集合，构建弱联系团队，其步骤包括：
步骤a：对于任务分配系统模型中任务ti，ti∈T，从任务ti中未被覆盖的技能集合U中选择候选集规模最小的技能smin，从技能smin的候选集C(smin)中选择节点度最小的节点作为初始节点加入到构建的团队V′中，得到包含初始节点的团队；
步骤b：初始化候选集合C(C)为空，从小团体gj中选择一个代表leaderj加入候选集合C(C)中，再从侯选集合C(C)中选择满足所述的TFP-WT模型中的目标函数的节点
Figure BDA0001973835630000196
加入到步骤a中所述的包含初始节点的团队中；
其中，gj∈g，gj表示小团体集合g中每个小团体；leaderj满足
Figure BDA0001973835630000192
且|leaderj∩V′|＝Φ，即leaderj掌握未被覆盖的技能，且leaderj不在构建的团队V′中，其中
Figure BDA0001973835630000197
为leaderj掌握的技能集合；若小团体gj中不存在满足条件的leaderj，则，leaderj＝Φ，由此获得候选集合C(C)，C(C)＝∪1≤j≤|g|{leaderj}；从C(C)中选择满足所述的TFP-WT模型中的目标函数的节点
Figure BDA0001973835630000194
加入到步骤a中的包含初始节点的团队中，并更新U；
Figure BDA0001973835630000195
步骤c：重复步骤b直到覆盖任务分配系统模型中任务的所有技能要求，完成弱联系团队的构建。
本发明还提出一种任务分配系统，由本发明的社交网络中基于概念格的协作成本任务分配方法构成。
本发明方法的性能分析：
使用数据集，对本发明提出的组队方法进行性能评估与分析。
步骤1：数据集的选取
在本实验中，使用现有的DBLP数据集。该数据集统计了计算机领域不同学者的论文发表情况。学者间的论文合作关系隐含作者之间的社会联系，不同的研究方向表示作者的知识领域。该数据集包含若干个计算机科学领域的会议，如表3所示。本实验中使用的社交网络只包含在所列会议上发表至少三篇论文的作者，两个作者至少合作两次才可以建立有效连接，论文标题的关键字即为技能项，论文的作者即其对应技能项的候选集中的参与者。
表3数据集
领域 会议
DB SIGMOD,VLDB,ICDE,ICDT,PODS
DM WWW,KDD,SDM,PKDD,ICDM,WSDM
AI IJCAI,NIPS,ICML,COLT,UAI,CVPR
T SODA,FOCS,STOC,STACS,ICALP,ESA
本实验根据杰卡德距离公式计算两个作者间的通信成本，Ni和Nj为作者i和j的论文发表数，根据上述公式计算作者i和j之间的通信成本为
Figure BDA0001973835630000201
其中，Nj∩Nj为作者i和j合作的论文数，Nj∪Nj为作者i和j至少有一人参与的论文数。取该网络的最大连通子集，保留候选集规模最大的前100个技能项，包含854个专家。
步骤2：贪心算法GreedyST
本实验选择贪心算法GreedyST作为基准算法与本发明中的强联系的任务匹配算法进行对比。
本实验系统中同时存在的任务个数分别为20，30，40，50，60，70，80，每个任务包含随机生成的5项技能。所有技能候选集中的参与者具备相应技能。
贪心算法GreedyST如下：
步骤a：对于每个任务ti∈T，初始化其所求的团队V′，V′＝Φ，任务ti中未被覆盖的技能集合为U，
Figure BDA0001973835630000211
候选集C(U)为未被覆盖的技能候选集的并集，
Figure BDA0001973835630000212
步骤b：选择初始节点，从C(U)中选择掌握技能数最多的参与者v*作为起始节点加入到V′，V′＝V′∪{v*}，v*＝argmaxj∈C(U)|Sj∩U|，更新U以及C(U)；
步骤c：从候选集C(U)中选择使得效益E(j)最大化的节点
Figure BDA0001973835630000213
将节点
Figure BDA00019738356300002113
以及
Figure BDA0001973835630000215
到集合V′的路径上的节点加入到集合V′中，
Figure BDA0001973835630000216
更新U，
Figure BDA0001973835630000217
并更新C(U)，
Figure BDA0001973835630000218
重复步骤2中的步骤c直到U＝Φ。
效益公式为：
Figure BDA0001973835630000219
Figure BDA00019738356300002110
Figure BDA00019738356300002111
fincome(V′,ti)为当前团队V′的收益，即对任务ti覆盖的技能数。对于j∈V′，若满足
Figure BDA00019738356300002112
则收益fincome(V′,tik)＝1，反之则为0。fincome(V′∪{path(j,V′)},ti)为加入节点j以及节点j到集合V′路径上的节点之后的收益；Mst(V′∪path(j,V′))为加入节点j以及节点j到集合V′路径上的节点之后的最小生成树。
将贪心算法与本发明中的强联系任务分配算法进行性能对比，具体如图2-4所示。图2、图3以及图4中的实验结果为完成系统中所有任务分配的效果。
图2显示了强联系组队通信成本比较结果。从图2直观上来看，使用的强联系组队策略通信成本小于贪心算法GreedyST。贪心算法只能达到局部最优，在大型网络中，整体优越性无法保证。
图3显示了强联系组队团队规模比较结果，团队规模是指团队人数，可以看到强联系组队策略对应的团队规模明显小于贪心算法GreedyST。
图4显示了强联系组队策略运行时间比较结果。在图4中，可以看到本发明的强联系的任务分配算法对应的运行时间明显小于贪心算法GreedyST。贪心算法每一步都要遍历候选集，计算当前效益，选出使得效益最大的一个，因此网络规模越大，运行时间越多。
步骤3：贪心算法GreedyWT
本实验选择贪心算法GreedyWT作为基准算法与本发明中的弱联系的任务匹配算法进行对比。
本实验系统中同时存在的任务个数分别为20，30，40，50，60，70，80，每个任务包含随机生成的5个任务。所有技能候选集中的参与者均保证拥有解决相应技能的资格。贪心算法GreedyWT如下：
步骤a：对于每个任务ti∈T，初始化其所求的团队V′，V′＝Φ，任务ti中未被覆盖的技能集合为U，
Figure BDA0001973835630000221
候选集C(U)为未被覆盖的技能候选集的并集，
Figure BDA0001973835630000222
步骤b：选择初始节点，从C(U)中任意选择一个节点v*作为起始节点加入到V′，V′＝V′∪{v*}，更新U以及C(U)；
步骤c：从候选集C(U)中选择使得效益E(j)最大的节点
Figure BDA0001973835630000231
将节点
Figure BDA0001973835630000232
加入到集合V′中，
Figure BDA0001973835630000238
更新U，
Figure BDA0001973835630000233
并更新C(U)，
Figure BDA0001973835630000234
重复步骤3中的步骤c，直到U＝Φ。
效益公式为：E(j)＝Min(V′∪{j})·(|fincome(V′∪{j},ti)-fincome(V′,ti)|)
Figure BDA0001973835630000235
Figure BDA0001973835630000236
fincome(V′,ti)为当前团队V′的收益，即对任务ti覆盖的技能数。若对于j∈V′，若满足
Figure BDA0001973835630000237
则收益fincome(V′,tik)＝1，反之则为0。fincome(V′∪{j},ti)为加入节点j之后的团队收益。Min(V′∪{j})为加入节点j之后的团队最小通信成本。
将贪心算法与本发明中的弱联系任务分配算法进行性能对比，其任务分配的效果具体如图5-7所示。
图5、图6以及图7分别显示了弱联系组队的通信成本，团队规模以及运行时间的比较结果。本发明所提弱联系组队策略在通信成本上，性能明显优于贪心算法GreedyWT，团队规模与贪心算法的结果相当，运行时间大于贪心算法GreedyWT。由于本发明的弱联系的任务分配算法目的在于最大化团队最小通信成本，在通信成本性能上明显优于贪心算法GreedyWT，而贪心算法在考虑通信成本的同时，还考虑了添加节点的收益，因此，贪心算法GreedyWT在运行时间上优于本发明算法，但随着任务要求的技能数增加，时间上的差距会缩小。

Claims (8)

1.社交网络中基于概念格的协作成本任务分配方法，包括以下步骤：
步骤1：对社交网络、社交网络中的任务、社交网络中的参与者以及参与者所具备的技能进行建模，得到任务分配系统模型，所述的任务分配系统模型包括社交网络模型、任务-技能模型和参与者-技能模型；
步骤2：从所述的任务分配系统模型中分别构建TFP-ST模型和TFP-WT模型，所述的TFP-ST模型包括目标函数及约束条件，所述的TFP-WT模型包括目标函数及约束条件，所述的TFP-ST为强联系组队问题，所述的TFP-WT为弱联系组队问题；
其特征在于：
步骤3：对社交网络模型采用形式概念分析得到社交网络中的概念格，然后用InClose算法对社交网络中的概念格处理获得社交网络模型中的小团体gi的集合g；
步骤4：对任务分配系统模型中的任务，获取所述的小团体gi的技能矩阵f(gi)，根据f(gi)找出满足所述的TFP-ST模型中的约束条件和目标函数的小团体，构建强联系团队；
对任务分配系统模型中的任务，从步骤3中的小团体集合g中找出满足所述的TFP-WT模型中的约束条件和目标函数的参与者集合，构建弱联系团队。
2.如权利要求1所述的社交网络中基于概念格的协作成本任务分配方法，其特征在于，
步骤1中所述的社交网络模型为图G，G＝(V,E)，其中V为G中节点的集合，表示社交网络中参与者的集合，G中的节点u∈V，表示一个社交网络中的参与者；|V|＝N，N为节点的数目，表示社交网络中参与者的数目，N>0；E表示图G中边的集合，E中边的权重表示两个相邻参与者之间的通信成本；
所述的任务-技能模型具体为：
ti＝[ti1…tik…tiM]，ti∈T，其中，ti为任务矩阵，表示任务分配系统模型中第i个任务；tik表示任务分配系统模型中任务ti是否需要第k个技能；M表示任务分配系统模型中所有技能领域的数目，M≥1，为有限的正整数，1≤k≤M；T表示任务分配系统模型中任务的集合，T≥1，为有限的正整数；
所述的参与者-技能模型具体为：
pj＝[pj1…pjk…pjM]
Figure FDA0001973835620000021
其中，sk表示任务分配系统模型中第k个技能；pj表示参与者j拥有的技能信息表；pjk表示参与者j对技能sk的熟练度，0≤pjk≤1，若pjk＝0，表示参与者j未掌握技能sk，若pjk>0，表示参与者j掌握技能sk，pjk的值越大，表示参与者j对技能sk的掌握熟练度越高；Sj为参与者j掌握的技能集合。
3.如权利要求2所述的社交网络中基于概念格的协作成本任务分配方法，其特征在于，步骤2中所述的TFP-ST模型包括目标函数及约束条件，具体为，
目标函数为：
Min(Mst(V′))
约束条件为：
Figure FDA0001973835620000031
Figure FDA0001973835620000032
步骤2中所述的TFP-WT模型包括目标函数及约束条件，其中，
目标函数为：
Max(Min(V′))
约束条件：
Figure FDA0001973835620000033
Figure FDA0001973835620000034
其中，V′表示构建的团队中包含的参与者的集合；E′表示子集V′构建的子图中边的集合；若tik＝1，表示任务ti需要技能sk，若tik＝0，表示任务ti不需要技能sk；Mst(V′)表示构建的团队的最小生成树；Min(V′)表示团队V′的最小通信成本。
4.如权利要求3所述的社交网络中基于概念格的协作成本任务分配方法，其特征在于，步骤3中获得社交网络模型中的小团体gi集合g的方法如下：
对社交网络模型采用形式概念分析，将社交网络模型图G转化为形式背景FC(G)，然后用InClose算法从形式背景FC(G)中获得小团体gi的集合g，g＝{g1,…,gi,…,gp}，1≤i≤p，|g|＝p，p表示小团体的数目，p＞0，gi＝[gi1…gij…giN]，1≤j≤N，N表示社交网络中参与者的数目，gij表示小团体gi中是否包含参与者j，若gii＝1，表示小团体gi中包含参与者j，若gij＝0，表示小团体gi中不包含参与者j。
5.如权利要求4所述的社交网络中基于概念格的协作成本任务分配方法，其特征在于，根据步骤1中所述的参与者j拥有的技能列表pj和所述的小团体gi，获得小团体代表的团队的技能矩阵f(gi)，所述的小团体代表的团队的技能矩阵f(gi)具体为：
Figure FDA0001973835620000041
其中gijpjk表示如果gij＝1，则gi中存在参与者j，才能考虑参与者j对技能sk的技能熟练度pjk；0≤fik≤1，fik表示小团体gi代表的团队对技能sk的技能熟练度，若fik＝0，表示小团体gi代表的团队不能完成包含技能sk的任务，若fik>0，表示小团体gi代表的团队掌握技能sk，若fik的值越大，表示小团体gi代表的团队对技能sk的掌握熟练度越高，1≤k≤M，M表示任务分配系统模型中所有技能领域的数目；N表示社交网络中参与者的数目。
6.如权利要求5所述的社交网络中基于概念格的协作成本任务分配方法，其特征在于，所述的构建强联系团队的步骤包括：
步骤a：对于任务分配系统模型中任务ti，存在小团体gx，都有fxk＞0，将小团体{gx}中的小团体gxmax匹配给任务ti，小团体gxmax包含的参与者即为所要构建的强联系团队，将已匹配的任务ti从任务分配系统模型中删除；
其中，gx∈g，gx表示小团体集合g中任意一个小团体；fxk表示小团体gx对任务ti要求的技能sk的技能熟练度；小团体gxmax表示对任务ti要求的技能sk，都满足fxmaxk＞0，且其包含的参与者技能水平最高的一个小团体，小团体gxmax满足TFP-ST模型中的约束条件；
步骤b：重复步骤a，直至匹配完任务分配系统模型中所有任务，完成强联系团队的构建。
7.如权利要求5所述的社交网络中基于概念格的协作成本任务分配方法，其特征在于，所述的构建弱联系团队的步骤包括：
步骤a：对于任务分配系统模型中任务ti，从任务ti中未被覆盖的技能集合U选择候选集规模最小的技能smin，从技能smin的候选集C(smin)中选择节点度最小的节点作为初始节点加入到构建的团队V′中，得到包含初始节点的团队；
步骤b：初始化候选集合C(C)为空，从小团体gj中选择一个代表leaderj加入候选集合C(C)中，再从侯选集合C(C)中选择满足所述的TFP-WT模型中的目标函数的节点
Figure FDA0001973835620000051
加入到步骤a中所述的包含初始节点的团队中；
其中，gj∈g，gj表示小团体集合g中第j个小团体；所述的leaderj掌握未被覆盖的技能，且leaderj不在构建的团队V′中，
步骤c：然后重复步骤b直到覆盖任务分配系统模型中任务的所有技能要求，完成弱联系团队的构建。
8.社交网络中基于概念格的协作成本任务分配系统，其特征在于，由权利要求1～7中任一社交网络中基于概念格的协作成本任务分配方法构成。
CN201910127936.3A 2019-02-20 2019-02-20 社交网络中基于概念格的协作成本任务分配方法及其系统 Active CN109919458B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910127936.3A CN109919458B (zh) 2019-02-20 2019-02-20 社交网络中基于概念格的协作成本任务分配方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910127936.3A CN109919458B (zh) 2019-02-20 2019-02-20 社交网络中基于概念格的协作成本任务分配方法及其系统

Publications (2)

Publication Number Publication Date
CN109919458A CN109919458A (zh) 2019-06-21
CN109919458B true CN109919458B (zh) 2022-11-15

Family

ID=66961958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910127936.3A Active CN109919458B (zh) 2019-02-20 2019-02-20 社交网络中基于概念格的协作成本任务分配方法及其系统

Country Status (1)

Country Link
CN (1) CN109919458B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443513B (zh) * 2019-08-09 2023-08-29 深圳前海微众银行股份有限公司 团队任务的员工组建方法、装置、终端及存储介质
CN110503396B (zh) * 2019-08-22 2022-12-27 电子科技大学 基于多技能的复杂空间众包任务分配方法
CN113409160B (zh) * 2021-07-14 2023-05-26 浙江工商大学 基于k桁架建立社交网络中关键关系的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6832203B1 (en) * 1999-11-05 2004-12-14 Cim, Ltd. Skills based contact routing
CN103268520A (zh) * 2013-05-09 2013-08-28 武汉大学 一种基于技能贡献值的网络团队自动组建方法
CN108241933A (zh) * 2018-02-09 2018-07-03 南京航空航天大学 基于归一化加权的双向选择任务分配方法
CN108537569A (zh) * 2018-03-07 2018-09-14 西北大学 在线社交网络中人际关系感知的广告推送方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6952678B2 (en) * 2000-09-01 2005-10-04 Askme Corporation Method, apparatus, and manufacture for facilitating a self-organizing workforce
US20040076930A1 (en) * 2002-02-22 2004-04-22 Steinberg Linda S. Partal assessment design system for educational testing
US20060168565A1 (en) * 2005-01-24 2006-07-27 International Business Machines Corporation Method and system for change classification
WO2010048172A1 (en) * 2008-10-20 2010-04-29 Cascaad Srl Social graph based recommender
US20130218687A1 (en) * 2012-02-17 2013-08-22 Graphdive, Inc. Methods, systems and devices for determining a user interest and/or characteristic by employing a personalization engine

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6832203B1 (en) * 1999-11-05 2004-12-14 Cim, Ltd. Skills based contact routing
CN103268520A (zh) * 2013-05-09 2013-08-28 武汉大学 一种基于技能贡献值的网络团队自动组建方法
CN108241933A (zh) * 2018-02-09 2018-07-03 南京航空航天大学 基于归一化加权的双向选择任务分配方法
CN108537569A (zh) * 2018-03-07 2018-09-14 西北大学 在线社交网络中人际关系感知的广告推送方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
K-Clique_Community_Detection_in_Social_Networks_Based_on_Formal_Concept_Analysis;Fei Hao, Geyong Min等;《IEEE SYSTEMS JOURNAL》;20170330(第11期);第250-259页 *
Shampa Chakraverty ; Ashish Sachdeva ; Arjun Singh.A genetic algorithm for task allocation in collaborative software developmentusing formal concept analysis.《International Conference on Recent Advances and Innovations in Engineering (ICRAIE-2014)》.2014, *
Social Connection Aware Team Formation for Participatory Tasks;XIAOYAN YIN 等;《SPECIAL SECTION ON CYBER-PHYSICAL-SOCIAL COMPUTING AND NETWORKING》;20180327(第06期);第20309-20319页 *
基于概念格的角色工程相关算法研究;张磊;《中国博士学位论文全文数据库信息科技辑》;20160215(第02期);I138-2 *
概念格的属性渐减原理与算法研究;张磊等;《计算机研究与发展》;20130215(第02期);第26-37页 *
经典概念格与三支概念格的构造及知识获取理论;钱婷;《中国博士学位论文全文数据库基础科学辑》;20170415(第04期);A002-5 *

Also Published As

Publication number Publication date
CN109919458A (zh) 2019-06-21

Similar Documents

Publication Publication Date Title
Li et al. On team formation with expertise query in collaborative social networks
CN109919458B (zh) 社交网络中基于概念格的协作成本任务分配方法及其系统
Li et al. Team formation for generalized tasks in expertise social networks
Yin et al. Finding a wise group of experts in social networks
CN102902772A (zh) 一种基于多目标优化的Web社区发现方法
Koçak et al. The dual challenge of search and coordination for organizational adaptation: How structures of influence matter
CN107194672B (zh) 一种融合学术专长与社会网络的评审分配方法
Banerjee et al. Come play with me: Experimental evidence of information diffusion about rival goods
Wang et al. A vertex similarity index using community information to improve link prediction accuracy
Li et al. Composing activity groups in social networks
CN111292062B (zh) 基于网络嵌入的众包垃圾工人检测方法、系统及存储介质
Sundar et al. Metaheuristic approaches for the blockmodel problem
Wang et al. [Retracted] Overlapping Community Detection Based on Node Importance and Adjacency Information
CN113657083B (zh) 面向意图计算与推理的dikw资源交互填充系统
CN109039698A (zh) 工业互联网智能服务处理方法、可读存储介质、终端
Lung et al. A game theoretic approach to community detection in social networks
Matin et al. Community recommendation in social network using strong friends and quasi-clique approach
Dai et al. A framework of recommendation system based on both network structure and messages
Li et al. An improved chaotic ant colony algorithm
CN107231252B (zh) 一种基于贝叶斯估计和种子节点邻居集合的链路预测方法
Gilles et al. Simulating social network formation: A case-based decision theoretic model
Yeh et al. Greedy-Based Precise Expansion Algorithm for Customized Group Team Formation Problem
Mu et al. A memetic algorithm using local structural information for detecting community structure in complex networks
CN110162400B (zh) 复杂网络环境下实现mas系统中智能体合作的方法和系统
Chen et al. A game theoretic approach for modeling privacy settings of an online social network

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