CN110442800A - 一种融合节点属性和图结构的半监督社区发现方法 - Google Patents
一种融合节点属性和图结构的半监督社区发现方法 Download PDFInfo
- Publication number
- CN110442800A CN110442800A CN201910659962.0A CN201910659962A CN110442800A CN 110442800 A CN110442800 A CN 110442800A CN 201910659962 A CN201910659962 A CN 201910659962A CN 110442800 A CN110442800 A CN 110442800A
- Authority
- CN
- China
- Prior art keywords
- community
- attribute
- node
- semi
- supervised
- 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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种融合节点属性和图结构的半监督社区发现方法,属于网络分析技术领域。包括以下步骤:1)计算m个属性的信息熵;2)计算属性相似度;3)利用Jaccard相似度计算结构相似度;4)计算属性和结构总的相似度;5)寻找K个初始社区;6)初始化初始社区矩阵;7)结合半监督方法计算出社区划分矩阵;8)计算平衡值(trade‑off)分析参数的合理取值范围9)根据trade‑off和模块度获得最优的模块度及社区发现结果。本发明通过不断调节算法中涉及的参数来得到一种合理地划分方式,并最后给出对于社区发现最优结果以及算法参数合理范围;融合属性进行社区发现,给出了属性所占比例的合理范围,社区发现模块度和紧密度得到提高。
Description
技术领域
本发明属于网络分析技术领域,具体涉及一种融合节点属性和图结构的半监督社区发现方法。
背景技术
近年来,机器学习和数据挖掘成为了较为热门的研究方向。而对网络的学习和挖掘将有利于合理使用网络数据。网络存在于各个领域并得到广泛的应用,人与人的社交关系可以表示成一个社交网络,计算机的相连也是一个计算机网络,蛋白质相互作用也是一个蛋白质网络。而如何合理分析和使用这些网络数据也变得尤为重要。对微博的用户网络进行社区划分有利于企业对用户进行好友推荐。对蛋白质相互作用网络(PPI)进行划分能有效地识别出关键蛋白质,是当前的研究热点。所以,一个有效的社区划分方法将能够有效地促进企业和其他领域学科的发展。社交网络的社区划分大多主要是根据网络拓扑结构进行划分的。然而,社交网络除了有拓扑结构之外,还有节点属性。所以合理地利用社交网络的节点属性能够综合地划分社区,而不是单纯地对社区的边介数等拓扑结构特性进行分析和划分。
Girvan与Newman在2002年对非重叠社区发现算法做了重要的研究工作,他们的研究使得社区发现成为一个值得研究的问题。他们所提出的GN层次聚类算法也多次被引用,后来Fast Newman算法改进了GN算法的性能。2004年,Newman为社区结构的紧密程度提出了一个叫做模块度的度量。模块度的提出使得社区发现问题可以转化成一个目标函数优化问题。随后出现很多基于模块度优化的社区发现算法。而Blonde等在2008年提出的一个FastUnfolding算法被公认为是当前执行速度最快,准确率也很高的非重叠社区发现算法之一。在重叠社区方面,Palla等人提出了具有重叠特性的社区结构,并设计了面向重叠社区发现的CPM算法。此后,重叠社区发现算法成为社区划分研究领域的主流,许多经典算法随之出现,如EAGLE、LFM、COPRA、UEOC、蚁群算法等。
目前有社区发现的算法很多,大致上分为几类。(1)基于模块度优化的算法,主要包括贪婪算法,极值优化算法以及模拟退火等。(2)基于网络拓扑结构的方法,主要是基于谱分析方法的社区结构探测算法,GN层次聚类算法以及谱聚类算法。(3)融合其他学科进行社区发现,如拓扑势算法,Wu等人将网络理解为电路的电流算法。除此之外,还有标签传播算法等。。
发明内容
本发明的目的在于针对现有的社交网络划分方法较少考虑节点属性的问题,提供一种融合节点属性和图结构的半监督社区发现方法。该方法先计算各个属性的信息熵,把信息熵标准化作为属性间的权值;分别计算出节点间的属性相似度和机构相似度;在此基础上计算出一个总的相似度;寻得k个社区中心并构建初始社区;最后用半监督的方法得到一个完整的社区划分。
本发明的目的是这样实现的:
一种融合节点属性和图结构的半监督社区发现方法,包括如下步骤:
步骤1:在社交网络中,计算m个属性的信息熵;
步骤2:计算属性相似度;
步骤3:利用Jaccard相似度计算结构相似度;
步骤4:计算属性和结构总的相似度;
步骤5:寻得K个初始社区;
步骤6:初始化初始社区矩阵;
步骤7:结合半监督方法计算出社区划分矩阵;
步骤8:计算平衡值(trade-off)分析参数的合理取值范围;
步骤9:根据trade-off和模块度获得最优的模块度及社区发现结果C=(C1,C2,...,Ck)。
所述步骤1中信息熵的计算式为其中x表示随机变量,p(x)表示输出概率函数。
所述步骤2中计算属性相似度首先将属性信息熵标准化,得到m个属性的权重然后计算两个节点的属性相似度其中Ii表示两个节点之间第i个属性是否取值相同,若相同值为1,否则为0。
所述步骤3中结构相似度的计算式为其中Ni为i节点的邻域集合。
所述步骤4中,计算属性和结构总的相似度ωij=λSs+(1-λ)Sa,其中i,j表示两个节点,ωij为两个节点之间的权值,Ss为两个节点的结构相似度,Sa为两个节点的属性相似度,λ为可调节参数。
所述步骤5中寻得K个初始社区包括:
步骤5.1:计算各个节点的度;
步骤5.2:根据节点度的排名取前K个节点作为初始社区中心ci;
步骤5.3:将与初始社区中心相连的点都标记为该社区节点xCi,并统计标记节点个数记为l;
步骤5.4:判断是否存在一个节点同时连接两个初始社区中心,若存在,则计算该节点与中心节点的权重将该节点标记为属于使得最大的社区,得到初始社区
所述步骤6中初始化矩阵为
所述步骤7计算社区划分矩阵首先计算最佳划分矩阵其中μ∈(0,1);E为单位矩阵;W为由ωij组成的矩阵;D=diag(d1,d2,...,dn),然后在未标记的n-l个节点中,将节点xi=(xi1,xi2,...,xik)标记为对应的社区Ci(1≤i≤k)。
所述步骤8的计算公式为:trade-off=Density-Entropy;
其中,Vi为第i个社区,|E|为网络总边数,vp和vq为同一个网络中任意两个不同节点;
其中|V|为整个社区网络中节点的数量,|Vj|为第j个社区中节点的数量;pijn为在j社区的节点中,第i个属性类型的某个取值占n个取值的比例。
本发明有益效果在于:
本发明通过不断调节算法中涉及的参数来得到一种合理地划分方式,并最后给出对于社区发现最优结果以及算法参数合理范围;本发明不仅融合属性进行社区发现,还给出了属性所占比例的合理范围,社区发现模块度和紧密度得到提高。
附图说明
图1为本发明方法的整体流程图;
图2为本发明的未划分社区示意图;
图3为本发明的划分后社区示意图;
图4为社区划分结果模块度对比;
图5为社区划分结果Density对比;
图6为社区划分结果Entropy对比。
具体实施方式
下面结合附图对本发明做更进一步描述。
本发明的目的在于针对现有的社交网络划分方法较少考虑节点属性的问题,提出一种融合了节点属性以及网络结构的社区发现算法。该方法先计算各个属性的信息熵,把信息熵标准化作为属性间的权值。分别计算出节点间的属性相似度和机构相似度。在此基础上,计算出一个总的相似度。寻找k个社区中心并构建初始社区。最后用半监督的方法得到一个完整的社区划分。
本发明所采用的技术方案如下:
步骤1.计算m个属性的信息熵。
步骤2.计算属性相似度。
步骤3.利用Jaccard相似度计算结构相似度。
步骤4.计算属性和结构总的相似度。
步骤5.寻找K个初始社区。
步骤6.初始化初始社区矩阵。
步骤7.结合半监督方法计算出社区划分矩阵。
步骤8.计算trade-off值分析参数的合理取值范围。
步骤9.根据trade-off和模块度获得最优的模块度及社区发现结果C=(C1,C2,...,Ck)。
本发明给节点的不同属性分配不同的权重,在结合网络拓扑结构和网络节点属性的情况下,计算出相连节点之间的权重。然后,寻找出K个初始社区,并给节点标记上相应的社区标签。最后使用半监督学习算法把剩余没有标记的点进行分类。得到的分类结果即为社区划分结果。通过不断调节算法中涉及的参数来得到一种合理地划分方式,并最后给出对于社区发现最优结果以及算法参数合理范围。本发明不仅融合属性进行社区发现,还给出了属性所占比例的合理范围。
下面结合附图举例对本发明做更详细地描述:
步骤(1).用信息熵公式计算m个属性的信息熵,其中,x表示随机变量,P(x)表示输出概率函数。
步骤(2.1).把属性信息熵标准化,得到m个属性的权重
步骤(2.2).计算两个节点的属性相似度Sa,其中Ii表示两个节点之间第i个属性是否取值相同,如果相同就为1,否则为0。
步骤(3).计算两个节点的结构相似度Ss,Ni为i节点的邻域集合。
步骤(4).计算两个节点i,j的总相似度ωij=λSs+(1-λ)Sa,ωij作为两点之间的权值。其中λ为可调节参数。
步骤(5.1).计算各个节点的度。
步骤(5.2).根据节点度的排名取前K个节点作为初始社区中心ci。
步骤(5.3).把与初始社区中心相连的点都标记为该社区节点并统计标记节点个数记为l。
步骤(5.4).判断是否存在一个节点同时连接两个初始社区中心,若存在,则计算该节点与中心节点的权重把该节点标记为属于使得最大的社区,得到初始社区
步骤(6).初始化初始社区初始矩阵,其中,初始化矩阵
步骤(7.1).结合半监督方法计算出社区划分矩阵,最佳划分矩阵L*根据公式计算出,其中μ∈(0,1);E为单位矩阵;W为由ωij组成的矩阵;D=diag(d1,d2,...,dn),
步骤(7.2).在未标记的n-l个节点中,把节点xi=(xi1,xi2,...,xik)标记为对应的社区Ci(1≤i≤k)。
步骤8.计算trade-off值分析参数的合理取值范围。
步骤(8)的计算公式为:trade-off=Density-Entropy。
其中,Vi表示第i个社区,|E|表示网络总边数,vp和vq表示同一个网络中任意两个不同节点。
|V|整个社区网络中节点的数量,|Vj|第j个社区中节点的数量;pijn表示在j社区的节点中,第i个属性类型的某个取值占n个取值的比例。
步骤9.根据trade-off和模块度获得最优的模块度及社区发现结果C=(C1,C2,...,Ck)。
最后通过实验研究参数μ和λ对社区发现结果的影响并给出合理的参数范围。其次,验证算法在社区发现的有效性。图2和图3是运行本发明算法前后社区情况的对比,相同颜色的节点为同一社区节点。本发明算法及对比算法将在三个带属性的网络数据集上运行。图4是社区划分结果模块度对比,与没有融合节点属性进行社区发现的算法相比,本算法在模块度上能取得较优结果。图5和图6是社区划分结果Density和Entropy对比,与融合节点属性进行社区发现的算法相比,本算法在Density上能取得较优结果,但是因为对结构的依赖较多,导致Entropy的值较高。从有效性上来说,本文提出的算法是有效的,社区发现效果也得到明显的提升。
综上,一种融合节点属性和图结构的半监督社区发现方法,包括以下步骤:
本发明公开了一种融合节点属性和图结构的半监督社区发现算法,该方法属于社交网络分析领域,包括以下步骤:1.计算m个属性的信息熵;2.计算属性相似度;3.利用Jaccard相似度计算结构相似度;4.计算属性和结构总的相似度;5.寻找K个初始社区;6.初始化初始社区矩阵;7.结合半监督方法计算出社区划分矩阵;8.计算平衡值(trade-off)分析参数的合理取值范围9.根据trade-off和模块度获得最优的模块度及社区发现结果。本发明融合属性进行社区发现,给出了属性所占比例的合理范围,社区发现模块度和紧密度得到提高。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (9)
1.一种融合节点属性和图结构的半监督社区发现方法,其特征在于,包括:
步骤1:在社交网络中,计算m个属性的信息熵;
步骤2:计算属性相似度;
步骤3:利用Jaccard相似度计算结构相似度;
步骤4:计算属性和结构总的相似度;
步骤5:寻得K个初始社区;
步骤6:初始化初始社区矩阵;
步骤7:结合半监督方法计算出社区划分矩阵;
步骤8:计算平衡值分析参数的合理取值范围;
步骤9:根据平衡值和模块度获得最优的模块度及社区发现结果C=(C1,C2,...,Ck)。
2.根据权利要求1所述的一种融合节点属性和图结构的半监督社区发现方法,其特征在于:所述的步骤1中信息熵的计算式为其中x表示随机变量,p(x)表示输出概率函数。
3.根据权利要求1所述的一种融合节点属性和图结构的半监督社区发现方法,其特征在于:所述的步骤2中计算属性相似度首先将属性信息熵标准化,得到m个属性的权重然后计算两个节点的属性相似度其中Ii表示两个节点之间第i个属性是否取值相同,若相同值为1,否则为0。
4.根据权利要求1所述的一种融合节点属性和图结构的半监督社区发现方法,其特征在于:所述的步骤3中结构相似度的计算式为其中Ni为i节点的邻域集合。
5.根据权利要求1所述的一种融合节点属性和图结构的半监督社区发现方法,其特征在于:所述的步骤4中计算属性和结构总的相似度ωij=λSs+(1-λ)Sa,其中i,j表示两个节点,ωij为两个节点之间的权值,Ss为两个节点的结构相似度,Sa为两个节点的属性相似度,λ为调节参数。
6.根据权利要求1所述的一种融合节点属性和图结构的半监督社区发现方法,其特征在于:所述的步骤5中寻得K个初始社区包括:
步骤5.1:计算各个节点的度;
步骤5.2:根据节点度的排名取前K个节点作为初始社区中心ci;
步骤5.3:将与初始社区中心相连的点都标记为该社区节点并统计标记节点个数记为l;
步骤5.4:判断是否存在一个节点同时连接两个初始社区中心,若存在,则计算该节点与中心节点的权重将该节点标记为属于使得最大的社区,得到初始社区
7.根据权利要求1所述的一种融合节点属性和图结构的半监督社区发现方法,其特征在于:所述的步骤6中初始化矩阵为
8.根据权利要求1所述的一种融合节点属性和图结构的半监督社区发现方法,其特征在于:所述的步骤7中计算社区划分矩阵首先计算最佳划分矩阵其中μ∈(0,1);E为单位矩阵;W为由ωij组成的矩阵;D=diag(d1,d2,...,dn),然后在未标记的n-l个节点中,将节点xi=(xi1,xi2,...,xik)标记为对应的社区Ci(1≤i≤k)。
9.根据权利要求1所述的一种融合节点属性和图结构的半监督社区发现方法,其特征在于:所述的步骤8中计算平衡值的公式为trade-off=Density-Entropy;其中,Vi为第i个社区,|E|为网络总边数,vp和vq为同一个网络中任意两个不同节点;其中|V|为整个社区网络中节点的数量,|Vj|为第j个社区中节点的数量;pijn为在j社区的节点中,第i个属性类型的某个取值占n个取值的比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910659962.0A CN110442800B (zh) | 2019-07-22 | 2019-07-22 | 一种融合节点属性和图结构的半监督社区发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910659962.0A CN110442800B (zh) | 2019-07-22 | 2019-07-22 | 一种融合节点属性和图结构的半监督社区发现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110442800A true CN110442800A (zh) | 2019-11-12 |
CN110442800B CN110442800B (zh) | 2022-05-20 |
Family
ID=68430752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910659962.0A Active CN110442800B (zh) | 2019-07-22 | 2019-07-22 | 一种融合节点属性和图结构的半监督社区发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110442800B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205117A (zh) * | 2021-04-15 | 2021-08-03 | 索信达(北京)数据技术有限公司 | 社区划分方法、装置、计算机设备及存储介质 |
CN113378913A (zh) * | 2021-06-08 | 2021-09-10 | 电子科技大学 | 一种基于自监督学习的半监督节点分类方法 |
CN117746260A (zh) * | 2024-02-20 | 2024-03-22 | 山东省国土测绘院 | 遥感数据智能解析方法及系统 |
CN117746260B (zh) * | 2024-02-20 | 2024-05-31 | 山东省国土测绘院 | 遥感数据智能解析方法及系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030208473A1 (en) * | 1999-01-29 | 2003-11-06 | Lennon Alison Joan | Browsing electronically-accessible resources |
US20100205176A1 (en) * | 2009-02-12 | 2010-08-12 | Microsoft Corporation | Discovering City Landmarks from Online Journals |
CN102929942A (zh) * | 2012-09-27 | 2013-02-13 | 福建师范大学 | 一种基于集成学习的社会网络重叠社区发现方法 |
US20130173604A1 (en) * | 2011-12-30 | 2013-07-04 | Microsoft Corporation | Knowledge-based entity detection and disambiguation |
US20140201126A1 (en) * | 2012-09-15 | 2014-07-17 | Lotfi A. Zadeh | Methods and Systems for Applications for Z-numbers |
CN103942308A (zh) * | 2014-04-18 | 2014-07-23 | 中国科学院信息工程研究所 | 大规模社交网络社区的检测方法及装置 |
CN105069039A (zh) * | 2015-07-22 | 2015-11-18 | 山东大学 | 一种基于spark平台的内存迭代的重叠社区并行发现方法 |
CN105139430A (zh) * | 2015-08-27 | 2015-12-09 | 哈尔滨工程大学 | 一种基于图熵的医学图像聚类方法 |
CN105279187A (zh) * | 2014-07-15 | 2016-01-27 | 天津科技大学 | 一种基于边聚集系数的社会网络群体划分方法 |
CN105608174A (zh) * | 2015-12-21 | 2016-05-25 | 西北工业大学 | 一种基于跨模态节点链接聚类的社区发现方法 |
CN105760887A (zh) * | 2016-02-24 | 2016-07-13 | 天云融创数据科技(北京)有限公司 | 一种基于最大团的半监督社区发现方法 |
US20170032285A1 (en) * | 2014-04-09 | 2017-02-02 | Entrupy Inc. | Authenticating physical objects using machine learning from microscopic variations |
CN106960390A (zh) * | 2017-01-03 | 2017-07-18 | 上海大学 | 基于节点聚合度的重叠社区划分方法 |
CN107862617A (zh) * | 2017-10-20 | 2018-03-30 | 江苏大学 | 一种基于用户综合相似度的微博社区划分方法 |
WO2018077039A1 (zh) * | 2016-10-27 | 2018-05-03 | 腾讯科技(深圳)有限公司 | 社区发现方法、装置、服务器及计算机存储介质 |
CN108090132A (zh) * | 2017-11-24 | 2018-05-29 | 西北师范大学 | 融合标签平均划分距离和结构关系的社区可重叠划分方法 |
CN108171261A (zh) * | 2017-12-21 | 2018-06-15 | 苏州大学 | 鲁棒的自适应半监督图像分类方法、装置、设备及介质 |
CN108920678A (zh) * | 2018-07-10 | 2018-11-30 | 福州大学 | 一种基于谱聚类与模糊集的重叠社区发现方法 |
CN108921189A (zh) * | 2018-05-23 | 2018-11-30 | 北京航空航天大学 | 针对社交网络用户属性的推演方法及装置 |
CN109255054A (zh) * | 2017-07-14 | 2019-01-22 | 元素征信有限责任公司 | 一种基于关系权重的企业图谱中的社区发现算法 |
-
2019
- 2019-07-22 CN CN201910659962.0A patent/CN110442800B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030208473A1 (en) * | 1999-01-29 | 2003-11-06 | Lennon Alison Joan | Browsing electronically-accessible resources |
US20100205176A1 (en) * | 2009-02-12 | 2010-08-12 | Microsoft Corporation | Discovering City Landmarks from Online Journals |
US20130173604A1 (en) * | 2011-12-30 | 2013-07-04 | Microsoft Corporation | Knowledge-based entity detection and disambiguation |
US20140201126A1 (en) * | 2012-09-15 | 2014-07-17 | Lotfi A. Zadeh | Methods and Systems for Applications for Z-numbers |
CN102929942A (zh) * | 2012-09-27 | 2013-02-13 | 福建师范大学 | 一种基于集成学习的社会网络重叠社区发现方法 |
US20170032285A1 (en) * | 2014-04-09 | 2017-02-02 | Entrupy Inc. | Authenticating physical objects using machine learning from microscopic variations |
CN103942308A (zh) * | 2014-04-18 | 2014-07-23 | 中国科学院信息工程研究所 | 大规模社交网络社区的检测方法及装置 |
CN105279187A (zh) * | 2014-07-15 | 2016-01-27 | 天津科技大学 | 一种基于边聚集系数的社会网络群体划分方法 |
CN105069039A (zh) * | 2015-07-22 | 2015-11-18 | 山东大学 | 一种基于spark平台的内存迭代的重叠社区并行发现方法 |
CN105139430A (zh) * | 2015-08-27 | 2015-12-09 | 哈尔滨工程大学 | 一种基于图熵的医学图像聚类方法 |
CN105608174A (zh) * | 2015-12-21 | 2016-05-25 | 西北工业大学 | 一种基于跨模态节点链接聚类的社区发现方法 |
CN105760887A (zh) * | 2016-02-24 | 2016-07-13 | 天云融创数据科技(北京)有限公司 | 一种基于最大团的半监督社区发现方法 |
WO2018077039A1 (zh) * | 2016-10-27 | 2018-05-03 | 腾讯科技(深圳)有限公司 | 社区发现方法、装置、服务器及计算机存储介质 |
CN106960390A (zh) * | 2017-01-03 | 2017-07-18 | 上海大学 | 基于节点聚合度的重叠社区划分方法 |
CN109255054A (zh) * | 2017-07-14 | 2019-01-22 | 元素征信有限责任公司 | 一种基于关系权重的企业图谱中的社区发现算法 |
CN107862617A (zh) * | 2017-10-20 | 2018-03-30 | 江苏大学 | 一种基于用户综合相似度的微博社区划分方法 |
CN108090132A (zh) * | 2017-11-24 | 2018-05-29 | 西北师范大学 | 融合标签平均划分距离和结构关系的社区可重叠划分方法 |
CN108171261A (zh) * | 2017-12-21 | 2018-06-15 | 苏州大学 | 鲁棒的自适应半监督图像分类方法、装置、设备及介质 |
CN108921189A (zh) * | 2018-05-23 | 2018-11-30 | 北京航空航天大学 | 针对社交网络用户属性的推演方法及装置 |
CN108920678A (zh) * | 2018-07-10 | 2018-11-30 | 福州大学 | 一种基于谱聚类与模糊集的重叠社区发现方法 |
Non-Patent Citations (1)
Title |
---|
《中国优秀硕士学位论文全文数据库信息科技辑》: ""基于结构和属性的图挖掘技术应用研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205117A (zh) * | 2021-04-15 | 2021-08-03 | 索信达(北京)数据技术有限公司 | 社区划分方法、装置、计算机设备及存储介质 |
CN113205117B (zh) * | 2021-04-15 | 2023-07-04 | 索信达(北京)数据技术有限公司 | 社区划分方法、装置、计算机设备及存储介质 |
CN113378913A (zh) * | 2021-06-08 | 2021-09-10 | 电子科技大学 | 一种基于自监督学习的半监督节点分类方法 |
CN113378913B (zh) * | 2021-06-08 | 2023-10-31 | 电子科技大学 | 一种基于自监督学习的半监督节点分类方法 |
CN117746260A (zh) * | 2024-02-20 | 2024-03-22 | 山东省国土测绘院 | 遥感数据智能解析方法及系统 |
CN117746260B (zh) * | 2024-02-20 | 2024-05-31 | 山东省国土测绘院 | 遥感数据智能解析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110442800B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532436B (zh) | 基于社区结构的跨社交网络用户身份识别方法 | |
CN103325061B (zh) | 一种社区发现方法和系统 | |
CN109347697B (zh) | 机会网络链路预测方法、装置及可读存储介质 | |
CN103888541B (zh) | 一种融合拓扑势和谱聚类的社区发现方法及系统 | |
CN104102745B (zh) | 基于局部最小边的复杂网络社团挖掘方法 | |
CN102810113B (zh) | 一种针对复杂网络的混合型聚类方法 | |
CN102571954B (zh) | 基于节点核心影响力的复杂网络聚类方法 | |
CN106503148B (zh) | 一种基于多知识库的表格实体链接方法 | |
CN107784598A (zh) | 一种网络社区发现方法 | |
Kanawati | Licod: Leaders identification for community detection in complex networks | |
CN108009575A (zh) | 一种用于复杂网络的社区发现方法 | |
CN108304380A (zh) | 一种融合学术影响力的学者人名消除歧义的方法 | |
CN106960390A (zh) | 基于节点聚合度的重叠社区划分方法 | |
CN103020163A (zh) | 一种网络中基于节点相似度的网络社区划分方法 | |
Zanghi et al. | Strategies for online inference of model-based clustering in large and growing networks | |
Cai et al. | An improved random walk based clustering algorithm for community detection in complex networks | |
CN106203494A (zh) | 一种基于内存计算的并行化聚类方法 | |
Botta et al. | Finding network communities using modularity density | |
CN105938608A (zh) | 一种基于标签影响力的半同步社区发现方法 | |
He et al. | SSSNET: semi-supervised signed network clustering | |
CN113255895A (zh) | 基于图神经网络表示学习的结构图对齐方法和多图联合数据挖掘方法 | |
CN109213926A (zh) | 一种基于社区划分和多源信息融合的地点推荐方法 | |
CN110442800A (zh) | 一种融合节点属性和图结构的半监督社区发现方法 | |
CN110489616A (zh) | 一种基于Ranknet和Lambdamart算法的搜索排序方法 | |
Zhao et al. | Identification of node centrality based on Laplacian energy of networks |
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 |