CN110069726A - 一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法 - Google Patents
一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法 Download PDFInfo
- Publication number
- CN110069726A CN110069726A CN201910343269.2A CN201910343269A CN110069726A CN 110069726 A CN110069726 A CN 110069726A CN 201910343269 A CN201910343269 A CN 201910343269A CN 110069726 A CN110069726 A CN 110069726A
- Authority
- CN
- China
- Prior art keywords
- node
- anchor
- follows
- arxiv
- dblp
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
- G06F16/9558—Details of hyperlinks; Management of linked annotations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法。首先在DBLP与arXiv预印本网络中采用基于结构特征并融合属性特征的方法表征论文节点;然后通过局部敏感哈希构建一个锚节点的稀疏加权二分图,最后通过冗余链接修剪得到最终预测的锚链接集合。本发明提出的方法可以将DBLP文献网络与arXiv预印本网络对齐,融合来自不同文献网络的信息,获得网络节点更全面的信息,在文献网络的关系预测中获得更加完备的预测结果。
Description
技术领域
本发明涉及信息检索领域,特别是一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法。
背景技术
随着预印本网络在各个学科的普及,催生了用户在使用它们时的各种需求。比如,为一篇尚未正式发表的预印本推荐合适的会议或者期刊;为一篇待审稿的预印本寻找合适的审稿人;为学者寻找其他可能感兴趣的最新预印本等等。文献网络中的推荐问题本质上是网络科学研究中的关系预测问题。
受限于arXiv这样的单一文献网络的信息不完备,单一文献网络内的关系预测结果有很大的局限性。例如,为arXiv中的数据挖掘领域作者进行引文推荐时,由于arXiv中仅收录该知名学者韩家炜十几篇论文,因此其引文关系预测显然完备性不佳。
不同的文献网络之间往往存在相同的对象,通过这些对象可以将不同网络关联在一起,因此,这些节点称为锚节点,两个匹配的锚节点之间的链接称为锚链接。而锚链接预测问题就是通过预测网络间两个节点属于同一个对象的概率获得锚节点,构建锚链接从而对齐不同网络。倘若能通过锚链接将DBLP文献网络与arXiv预印本网络对齐,则可以突破单一文献网络内关系预测的局限性,获得更加完备的预测结果。
不同的文献网络之间存在相同的论文。可以看出论文节点是文献网络的中心节点,作者、期刊、主题等节点都与它相连,因此可以选择论文节点作为锚链接预测的对象。实际上,DBLP文献网络和arXiv预印本网络中,arXiv中的预印本正式发表后在DBLP中通常存在论文题目不再一致的情况。因此,两者之间并不存在可以直接获得的锚链接。
当前一些锚链接预测方法大多基于已经存在部分锚链接这一前提预测剩余锚链接。然而,如前所述,DBLP和arXiv之间并不存在可以直接获得的锚链接。针对此类锚链接预测问题,其面临的最大挑战在于如何直接预测网络间两个论文节点属于同一个对象的概率。此外,对于锚链接预测问题而言,最简单的方法是基于节点的特征表示,计算不同网络之间所有两两论文类型节点间的相似度,然后保留相似度大于预设阈值的边。然而实际应用时,对于文献网络这样包含海量节点的网络,简单两两匹配的逐个计算需要耗费大量的时间,而阈值的选取又难以衡量其合理性。
发明内容
本发明的目的在于提供一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法,该方法在降低高维数据维度的同时保留节点的相似度,可以将DBLP文献网络与arXiv预印本网络对齐,获得网络节点更全面的信息。
为实现上述目的,本发明的技术方案是:一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法,包括如下步骤:
步骤S1、获取arXiv预印本网络及DBLP文献网络,分别表示为G1、G2,其相应的论文节点集分别为V1和V2;
步骤S2、分别对V1和V2中的节点进行特征表示;
步骤S3、采用局部敏感哈希对V1和V2中的节点进行对齐;
步骤S4、对于网络G1中的节点求出其候选锚节点集P1;
步骤S5、对于网络G2中的节点求出其候选锚节点集P2;
步骤S6、计算分别属于P1与P2的节点对之间的相似度,得到一个相似度稀疏矩阵Sim;
步骤S7、利用步骤S4获得的P1、步骤S5获得的P2以及步骤S6获得的相似度稀疏矩阵Sim,构建一个锚节点二分图BG=(P1∪P2,Y,θ),其中Y表示G1和G2之间的所有潜在的锚链接集,θ为Y对应的相似度值;
步骤S8、在锚节点二分图BG中对冗余的锚链接进行修剪,得到最终结果。
在本发明一实施例中,所述步骤S2中的具体实现步骤如下:
步骤S21、设V1/V2中的节点v的结构特征采用6个不同的指标构成:节点的度中心性C1(v)、中介中心性C2(v)、邻居平均度C3(v)、接近中心性C4(v)、PagerankC5(v)、自我中心网络密度C6(v);
步骤S22、节点v的属性特征Cattr用一个长度为26的向量表示,向量中的每个值分别对应于节点标题中26个字母的数量;
步骤S23、节点v的特征fG(v)由结构特征和属性特征组成,采用向量形式表示:
fG(v)=[C1(v),C2(v),C3(v),C4(v),C5(v),C6(v),Cattr(v)]。
在本发明一实施例中,节点的度中心性C1(v)的计算公式为:
C1(v)=deg(v)
其中,deg(v)表示节点v的度;
中介中心性C2(v)的计算公式为:
其中,其中表示节点va和节点vb之间最短路径的数量,表示节点va和vb的最短路径中经过节点v的数量;
邻居平均度C3(v)的计算公式为:
其中,Ov表示节点v的邻居数;
接近中心性C4(v)的计算公式为:
其中,dis(va,v)表示节点v和va之间的路径长度;
C5(v)的计算公式获得方式如下:
令PR表示网络中所有节点的PageRank值组成的列向量,首先为每个节点分配一个随机的PageRank值,得到初始的PR,然后通过PRi+1=A·PRi进行迭代;其中A为转移矩阵,定义如下:
其中,Oi表示节点vi的邻居数;
当时,为预设的阈值,PR收敛;此时,节点v的PageRank值计算公式为:
C5(v)=PR(v)
其中,PR表示网络中所有节点的PageRank值组成的列向量;
自我中心网络密度C6(v)的计算公式为:
其中,tiesv表示以节点v为中心的自我中心网络的边数,pairsv表示该自我中心网络中的邻居节点之间的边数。
在本发明一实施例中,所述步骤S3中的具体实现步骤如下:
步骤S31、将V1和V2中的每个节点的特征分为m个相同大小的块Bi,i=1,2,...,m;
步骤S32、遵循标准高斯分布,随机选择k个列向量{r1,r2,...,rk},其中,k是随机的超参数;定义一个局部敏感哈希组H={h1,h2,...,hk},将k个哈希函数分别定义为hi(v)=sign(fG(v)·ri),i=1,2,...,k,其中fG(v)表示节点v的特征;
步骤S33、在和对应的每个块Bi中,分别用各个哈希函数进行判断;若匹配,则两个节点和映射到同一个桶中;具体步骤为:基于每个哈希函数,两个节点点和映射到同一个桶中的概率为:其中,表示和间的余弦相似度;
步骤S34、为步骤S33得到的处于同一个桶中的节点对分配权值。
在本发明一实施例中,所述步骤S34的具体实现步骤如下:
步骤S341、对于每一个块,节点对的权值为桶b中节点数量的倒数,计算公式如下:
其中,|b|表示桶b中节点的数量;
步骤S342、对所有块求和,则计算节点对的权值为:
在本发明一实施例中,所述步骤S4中的具体实现方式如下:
对于网络G1中的节点其候选锚节点集P1定义如下:
其中,是对于权值最大的α个集合,α是一个自定义的参数。
在本发明一实施例中,所述步骤S8中的具体实现方式如下:
步骤S81、设置约束条件,即:设置每个节点可以连接的最大的锚链接数;对于每个锚节点,从它出发的锚链接数应等于将它当作对齐的锚节点的链接数;
步骤S82、利用约束条件选择置信度分数高的链接,即求解优化函数:
其中Y表示G1和G2之间的所有潜在的锚链接集,θ(p,q)为节点p、q对应的相似度值。
进一步的约束条件具体包括:
(1)边界约束条件设置为每个节点可以连接的最大的锚链接数λ;具体如下:
令把节点p当作对齐锚节点的锚链接集表示为令节点p和其对应的对齐的锚节点的锚链接集定义为边界约束设置如下:
其中,λ为预设的每个节点可以连接的最大的锚链接数。
(2)平衡约束条件设置为对于每个锚节点,从它出发的锚链接数应等于将它当作对齐的锚节点的链接数;平衡约束具体设置如下:
相较于现有技术,本发明具有以下有益效果:本发明方法可以将DBLP文献网络与arXiv预印本网络对齐,融合来自不同文献网络的信息,获得网络节点更全面的信息,在文献网络的关系预测中获得更加完备的预测结果。
附图说明
图1为本发明一实施例中的过程图。
图2为本发明一实施例中的节点特征表示。
图3为本发明一实施例中的锚节点二分图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明提供了一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法,如图1所示,包括如下步骤:
步骤S1、获取arXiv预印本网络及DBLP文献网络,分别表示为G1、G2,其相应的论文节点集分别为V1和V2;
步骤S2、分别对V1和V2中的节点进行特征表示,如图2所示;
步骤S3、采用局部敏感哈希对V1和V2中的节点进行对齐;
步骤S4、对于网络G1中的节点求出其候选锚节点集P1;
步骤S5、对于网络G2中的节点求出其候选锚节点集P2;
步骤S6、计算分别属于P1与P2的节点对之间的相似度,得到一个相似度稀疏矩阵Sim;
步骤S7、利用步骤S4获得的P1、步骤S5获得的P2以及步骤S6获得的相似度稀疏矩阵Sim,构建一个锚节点二分图BG=(P1∪P2,Y,θ),其中Y表示G1和G2之间的所有潜在的锚链接集,θ为Y对应的相似度值;
步骤S8、在锚节点二分图BG中对冗余的锚链接进行修剪,得到最终结果。
在本实施例中,如图2所示,所述步骤S2中的具体实现步骤如下:
步骤S21、设V1/V2中的节点v的结构特征采用6个不同的指标构成:节点的度中心性C1(v)、中介中心性C2(v)、邻居平均度C3(v)、接近中心性C4(v)、PagerankC5(v)、自我中心网络密度C6(v);
步骤S22、节点v的属性特征Cattr用一个长度为26的向量表示,向量中的每个值分别对应于节点标题中26个字母的数量;
步骤S23、节点v的特征fG(v)由结构特征和属性特征组成,采用向量形式表示:
fG(v)=[C1(v),C2(v),C3(v),C4(v),C5(v),C6(v),Cattr(v)]。
在本实施例中,节点的度中心性C1(v)的计算公式为:
C1(v)=deg(v)
其中,deg(v)表示节点v的度;
中介中心性C2(v)的计算公式为:
其中,其中表示节点va和节点vb之间最短路径的数量,表示节点va和vb的最短路径中经过节点v的数量;
邻居平均度C3(v)的计算公式为:
其中,Ov表示节点v的邻居数;
接近中心性C4(v)的计算公式为:
其中,dis(va,v)表示节点v和va之间的路径长度;
C5(v)的计算公式获得方式如下:
令PR表示网络中所有节点的PageRank值组成的列向量,首先为每个节点分配一个随机的PageRank值,得到初始的PR,然后通过PRi+1=A·PRi进行迭代;其中A为转移矩阵,定义如下:
其中,Oi表示节点vi的邻居数;
当时,为预设的阈值,PR收敛;此时,节点v的PageRank值计算公式为:
C5(v)=PR(v)
其中,PR表示网络中所有节点的PageRank值组成的列向量;
自我中心网络密度C6(v)的计算公式为:
其中,tiesv表示以节点v为中心的自我中心网络的边数,pairsv表示该自我中心网络中的邻居节点之间的边数。
在本实施例中,所述步骤S3中的具体实现步骤如下:
步骤S31、将V1和V2中的每个节点的特征分为m个相同大小的块Bi,i=1,2,...,m;
步骤S32、遵循标准高斯分布,随机选择k个列向量{r1,r2,...,rk},其中,k是随机的超参数;定义一个局部敏感哈希组H={h1,h2,...,hk},将k个哈希函数分别定义为hi(v)=sign(fG(v)·ri),i=1,2,...,k,其中fG(v)表示节点v的特征;
步骤S33、在和对应的每个块Bi中,分别用各个哈希函数进行判断;若匹配,则两个节点和映射到同一个桶中;具体步骤为:基于每个哈希函数,两个节点点和映射到同一个桶中的概率为:其中,表示和间的余弦相似度;
步骤S34、为步骤S33得到的处于同一个桶中的节点对分配权值。
在本实施例中,所述步骤S34的具体实现步骤如下:
步骤S341、对于每一个块,节点对的权值为桶b中节点数量的倒数,计算公式如下:
其中,|b|表示桶b中节点的数量;
步骤S342、对所有块求和,则计算节点对的权值为:
在本实施例中,所述步骤S4中的具体实现方式如下:
对于网络G1中的节点其候选锚节点集P1定义如下:
其中,是对于权值最大的α个集合,α是一个自定义的参数。
在本实施例中,所述步骤S8中的具体实现方式如下:
步骤S81、设置约束条件,即:设置每个节点可以连接的最大的锚链接数;对于每个锚节点,从它出发的锚链接数应等于将它当作对齐的锚节点的链接数;
步骤S82、利用约束条件选择置信度分数高的链接,即求解优化函数:
其中Y表示G1和G2之间的所有潜在的锚链接集,θ(p,q)为节点p、q对应的相似度值。
在本实施例中,约束条件具体包括:
(1)边界约束条件设置为每个节点可以连接的最大的锚链接数λ;具体如下:
令把节点p当作对齐锚节点的锚链接集表示为令节点p和其对应的对齐的锚节点的锚链接集定义为边界约束设置如下:
其中,λ为预设的每个节点可以连接的最大的锚链接数。
(2)平衡约束条件设置为对于每个锚节点,从它出发的锚链接数应等于将它当作对齐的锚节点的链接数;平衡约束具体设置如下:
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (6)
1.一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法,其特征在于,包括如下步骤:
步骤S1、获取arXiv预印本网络及DBLP文献网络,分别表示为G1、G2,其相应的论文节点集分别为V1和V2;
步骤S2、分别对V1和V2中的节点进行特征表示;
步骤S3、采用局部敏感哈希对V1和V2中的节点进行对齐;
步骤S4、对于网络G1中的节点求出其候选锚节点集P1;
步骤S5、对于网络G2中的节点求出其候选锚节点集P2;
步骤S6、计算分别属于P1与P2的节点对之间的相似度,得到一个相似度稀疏矩阵Sim;
步骤S7、利用步骤S4获得的P1、步骤S5获得的P2以及步骤S6获得的相似度稀疏矩阵Sim,构建一个锚节点二分图BG=(P1∪P2,Y,θ),其中Y表示G1和G2之间的所有潜在的锚链接集,θ为Y对应的相似度值;
步骤S8、在锚节点二分图BG中对冗余的锚链接进行修剪,得到最终结果。
2.根据权利要求1所述的一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法,其特征在于,所述步骤S2中的具体实现步骤如下:
步骤S21、设V1/V2中的节点v的结构特征采用6个不同的指标构成:节点的度中心性C1(v)、中介中心性C2(v)、邻居平均度C3(v)、接近中心性C4(v)、Pagerank值C5(v)、自我中心网络密度C6(v);
步骤S22、节点v的属性特征Cattr用一个长度为26的向量表示,向量中的每个值分别对应于节点标题中26个字母的数量;
步骤S23、节点v的特征fG(v)由结构特征和属性特征组成,采用向量形式表示:
fG(v)=[C1(v),C2(v),C3(v),C4(v),C5(v),C6(v),Cattr(v)]。
3.根据权利要求2所述的一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法,其特征在于,所述步骤S3中的具体实现步骤如下:
步骤S31、将V1和V2中的每个节点的特征分为m个相同大小的块Bi,i=1,2,...,m;
步骤S32、遵循标准高斯分布,随机选择k个列向量{r1,r2,...,rk},其中,k是随机的超参数;定义一个局部敏感哈希组H={h1,h2,...,hk},将k个哈希函数分别定义为hi(v)=sign(fG(v)·ri),i=1,2,...,k,其中fG(v)表示节点v的特征;
步骤S33、在和对应的每个块Bi中,分别用各个哈希函数进行判断;若匹配,则两个节点和映射到同一个桶中;具体步骤为:基于每个哈希函数,两个节点和映射到同一个桶中的概率为:其中,表示和间的余弦相似度;
步骤S34、为步骤S33得到的处于同一个桶中的节点对分配权值。
4.根据权利要求4所述的一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法,其特征在于,所述步骤S34的具体实现步骤如下:
步骤S341、对于每一个块,节点对的权值为桶b中节点数量的倒数,计算公式如下:
其中,|b|表示桶b中节点的数量;
步骤S342、对所有块求和,则计算节点对的权值为:
5.根据权利要求5所述的一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法,其特征在于,所述步骤S4中的具体实现方式如下:
对于网络G1中的节点其候选锚节点集P1定义如下:
其中,是对于权值最大的α个集合,α是一个自定义的参数。
6.根据权利要求1所述的一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法,其特征在于,所述步骤S8中的具体实现方式如下:
步骤S81、设置约束条件,即:设置每个节点可以连接的最大的锚链接数;对于每个锚节点,从它出发的锚链接数应等于将它当作对齐的锚节点的链接数;
步骤S82、利用约束条件选择置信度分数高的链接,即求解优化函数:
其中Y表示G1和G2之间的所有潜在的锚链接集,θ(p,q)为节点p、q对应的相似度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910343269.2A CN110069726B (zh) | 2019-04-26 | 2019-04-26 | 一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910343269.2A CN110069726B (zh) | 2019-04-26 | 2019-04-26 | 一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110069726A true CN110069726A (zh) | 2019-07-30 |
CN110069726B CN110069726B (zh) | 2021-06-29 |
Family
ID=67369018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910343269.2A Expired - Fee Related CN110069726B (zh) | 2019-04-26 | 2019-04-26 | 一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110069726B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874406A (zh) * | 2019-11-18 | 2020-03-10 | 福州大学 | 一种为预印本网络中拟投稿的论文推荐合适期刊及审稿人的方法 |
CN111079780A (zh) * | 2019-11-06 | 2020-04-28 | 中国科学院深圳先进技术研究院 | 空间图卷积网络的训练方法、电子设备及存储介质 |
CN112307343A (zh) * | 2020-11-05 | 2021-02-02 | 重庆邮电大学 | 基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法 |
CN113255834A (zh) * | 2021-06-28 | 2021-08-13 | 南京电研电力自动化股份有限公司 | 基于局部敏感哈希算法的变压器潜在故障预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103327607A (zh) * | 2013-06-28 | 2013-09-25 | 河海大学常州校区 | 无线传感器网络多锚节点组移动路径规划方法 |
CN108038173A (zh) * | 2017-12-07 | 2018-05-15 | 广东工业大学 | 一种网页分类方法、系统及一种网页分类设备 |
US20190012105A1 (en) * | 2017-07-07 | 2019-01-10 | Sap Se | Topology management for distributed data storage |
CN109636658A (zh) * | 2019-01-17 | 2019-04-16 | 电子科技大学 | 一种基于图卷积的社交网络对齐方法 |
-
2019
- 2019-04-26 CN CN201910343269.2A patent/CN110069726B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103327607A (zh) * | 2013-06-28 | 2013-09-25 | 河海大学常州校区 | 无线传感器网络多锚节点组移动路径规划方法 |
US20190012105A1 (en) * | 2017-07-07 | 2019-01-10 | Sap Se | Topology management for distributed data storage |
CN108038173A (zh) * | 2017-12-07 | 2018-05-15 | 广东工业大学 | 一种网页分类方法、系统及一种网页分类设备 |
CN109636658A (zh) * | 2019-01-17 | 2019-04-16 | 电子科技大学 | 一种基于图卷积的社交网络对齐方法 |
Non-Patent Citations (2)
Title |
---|
SINA SAJADMANESH等: "Predicting anchor links between heterogeneous social networks", 《2016 IEEE/ACM INTERNATIONAL CONFERENCE ON ADVANCES IN SOCIAL NETWORKS ANALYSIS AND MINING (ASONAM)》 * |
王莉等: "网络媒体大数据中的异构网络", 《太原理工大学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079780A (zh) * | 2019-11-06 | 2020-04-28 | 中国科学院深圳先进技术研究院 | 空间图卷积网络的训练方法、电子设备及存储介质 |
CN111079780B (zh) * | 2019-11-06 | 2023-06-23 | 中国科学院深圳先进技术研究院 | 空间图卷积网络的训练方法、电子设备及存储介质 |
CN110874406A (zh) * | 2019-11-18 | 2020-03-10 | 福州大学 | 一种为预印本网络中拟投稿的论文推荐合适期刊及审稿人的方法 |
CN110874406B (zh) * | 2019-11-18 | 2022-06-14 | 福州大学 | 一种为预印本网络中拟投稿的论文推荐合适期刊及审稿人的方法 |
CN112307343A (zh) * | 2020-11-05 | 2021-02-02 | 重庆邮电大学 | 基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法 |
CN112307343B (zh) * | 2020-11-05 | 2023-04-07 | 重庆邮电大学 | 基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法 |
CN113255834A (zh) * | 2021-06-28 | 2021-08-13 | 南京电研电力自动化股份有限公司 | 基于局部敏感哈希算法的变压器潜在故障预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110069726B (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110069726A (zh) | 一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法 | |
Yagan et al. | Conjoining speeds up information diffusion in overlaying social-physical networks | |
Bickel et al. | A nonparametric view of network models and Newman–Girvan and other modularities | |
Moosavi et al. | Community detection in social networks using user frequent pattern mining | |
Samoilenko et al. | Using Data Envelopment Analysis (DEA) for monitoring efficiency-based performance of productivity-driven organizations: Design and implementation of a decision support system | |
Rahmatullah Imon | Identifying multiple influential observations in linear regression | |
CN107391542A (zh) | 一种基于文件知识图谱的开源软件社区专家推荐方法 | |
Zhang et al. | Link prediction across aligned networks with sparse and low rank matrix estimation | |
CN103136267B (zh) | 一种基于社区的专家挖掘方法与装置 | |
CN110033097B (zh) | 基于多个数据域确定用户与物品的关联关系的方法及装置 | |
Wang et al. | Maximizing the spread of influence via generalized degree discount | |
Zhang et al. | Proposing a new friend recommendation method, FRUTAI, to enhance social media providers' performance | |
Chudnovsky et al. | Coloring perfect graphs with no balanced skew-partitions | |
Yeh | Methodology for the reliability evaluation of the novel learning-effect multi-state flow network | |
Wang et al. | A layer reduction based community detection algorithm on multiplex networks | |
Laloë | A k-nearest neighbor approach for functional regression | |
Trujillo-Rasua et al. | Characterizing 1-metric antidimensional trees and unicyclic graphs | |
Oprocha et al. | On partial shadowing of complete pseudo-orbits | |
Gündoğan et al. | A link prediction approach for drug recommendation in disease-drug bipartite network | |
Pelegrı́n et al. | On the sum-max bicriterion path problem | |
Ma et al. | Fuzzy nodes recognition based on spectral clustering in complex networks | |
Tirumala Pallerlamudi Srinivas et al. | Optimal protection coordination of nonstandard overcurrent relays using hybrid QCQP method | |
Li et al. | Equitable list tree-coloring of bounded treewidth graphs | |
Yamaguchi et al. | Socnl: Bayesian label propagation with confidence | |
Türkşen | A novel perspective for parameter estimation of seemingly unrelated nonlinear regression |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210629 |