CN110515986B - 一种社交网络图的处理方法、装置及存储介质 - Google Patents
一种社交网络图的处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110515986B CN110515986B CN201910797783.3A CN201910797783A CN110515986B CN 110515986 B CN110515986 B CN 110515986B CN 201910797783 A CN201910797783 A CN 201910797783A CN 110515986 B CN110515986 B CN 110515986B
- Authority
- CN
- China
- Prior art keywords
- graph
- social network
- pseudo
- anchor
- nodes
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Abstract
本发明提供了一种社交网络图的处理方法、装置、电子设备及存储介质;方法包括:获取第一社交网络图和第二社交网络图;确定第一社交网络图和第二社交网络图之间的伪锚链接,根据所确定的伪锚链接形成第一伪锚链接集合,其中,伪锚链接由第一社交网络图与第二社交网络图中潜在对齐的节点连接形成;从第一伪锚链接集合中,选取跨域相似性超过相似性阈值的伪锚链接,形成第二伪锚链接集合,跨域相似性表征第一社交网络图中的节点与第二社交网络图中的节点之间的相似性;根据第二伪锚链接集合中的伪锚链接、以及第一社交网络图的结构,扩展第二社交网络图的结构。通过本发明,能够获取社交网络图中潜在的结构信息。
Description
技术领域
本发明涉及数据挖掘技术,尤其涉及一种社交网络图的处理方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的快速发展,各种社交平台成为了人们生活中必不可少的部分。为了获取更多的网络信息,用户往往会同时使用多个不同的社交平台,从而产生了形形色色的异构社交网络。为了能够更好地挖掘这些社交网络中的信息,通常会在不同的社交网络中寻找节点的对应关系,以挖掘潜在的社交关系从而实现各种应用,例如好友推荐和内容传播(例如广告/新闻推送等)。
然而,相关技术缺乏从不同社交网络中挖掘潜在的社交关系的有效方案。
发明内容
本发明实施例提供一种社交网络图的处理方法、装置、电子设备及存储介质,能够获取社交网络图中潜在的结构信息。
本发明实施例的技术方案是这样实现的:
本发明实施例提供一种社交网络图的处理方法,包括:
获取第一社交网络图和第二社交网络图;
确定所述第一社交网络图和所述第二社交网络图之间的伪锚链接,根据所确定的伪锚链接形成第一伪锚链接集合,其中,所述伪锚链接由所述第一社交网络图与所述第二社交网络图中潜在对齐的节点连接形成;
从所述第一伪锚链接集合中,选取跨域相似性超过相似性阈值的伪锚链接以形成第二伪锚链接集合,其中,所述跨域相似性表征所述第一社交网络图中的节点与所述第二社交网络图中的节点之间的相似性;
根据所述第二伪锚链接集合中的伪锚链接、以及所述第一社交网络图的结构,扩展所述第二社交网络图的结构。
本发明实施例提供一种社交网络图的处理装置,包括:
获取模块,用于获取第一社交网络图和第二社交网络图;
确定模块,用于确定所述第一社交网络图和所述第二社交网络图之间的伪锚链接,根据所确定的伪锚链接形成第一伪锚链接集合,其中,所述伪锚链接由所述第一社交网络图与所述第二社交网络图中潜在对齐的节点连接形成;
选取模块,用于从所述第一伪锚链接集合中,选取跨域相似性超过相似性阈值的伪锚链接以形成第二伪锚链接集合,其中,所述跨域相似性表征所述第一社交网络图中的节点与所述第二社交网络图中的节点之间的相似性;
扩展模块,用于根据所述第二伪锚链接集合中的伪锚链接、以及所述第一社交网络图的结构,扩展所述第二社交网络图的结构。
上述方案中,所述选取模块,还用于确定所述第一社交网络图中任意节点的图嵌入向量、与所述第二社交网络图中任意节点的图嵌入向量之间的相似性;当所述相似性超过相似性阈值时,选取对应的节点间的伪锚链接。
上述方案中,所述选取模块,还用于利用判别函数判别所述第一伪锚链接集合中包括的伪锚链接,选取跨域相似性最高的前N个伪锚链接以形成第二伪锚链接集合,其中,N为大于1的整数。
上述方案中,所述扩展模块,还用于遍历所述第一社交网络图中具有伪锚链接的任意两个节点;当所述任意两个节点在所述第一社交网络图中存在连接关系时,在所述第二社交网络图中将对应的两个节点进行连接。
上述方案中,所述确定模块,还用于对所述第一社交网络图和所述第二社交网络图进行图嵌入处理,以确定所述第一社交网络图中节点的图嵌入向量、以及所述第二社交网络图中节点的图嵌入向量;确定由所述第一社交网络图中节点的图嵌入向量构成的图嵌入向量空间,并确定由所述第二社交网络图中节点的图嵌入向量构成的图嵌入向量空间;确定从所述第一社交网络图的图嵌入向量空间到所述第二社交网络图的图嵌入向量空间的线性映射;根据所述线性映射,确定所述第一社交网络图中伪节点与所述第二社交网络图中伪节点之间的对应关系。
上述方案中,所述确定模块,还用于利用随机游走模型或者图卷积神经网络对所述第一社交网络图和所述第二社交网络图进行图嵌入处理。
上述方案中,所述扩展模块,还用于根据所述第二伪锚链接集合中的伪锚链接和所述第二社交网络图的结构;遍历所述第二社交网络图中具有伪锚链接的任意两个节点;当所述任意两个节点在所述第二社交网络图中是相互连接时,在所述第一社交网络图中将对应的两个节点进行连接。
本发明实施例提供了一种电子设备,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现本发明实施例提供的社交网络图的处理方法。
本发明实施例提供一种存储介质,存储有可执行指令,用于引起处理器执行时,实现本发明实施例提供的社交网络图的处理方法。
本发明实施例具有以下有益效果:
从伪锚链接集合中筛选出可靠的伪锚链接,利用这些可靠的伪锚链接,通过迭代的方式显示社交网络图中未被观察到的用户链接,进而整合社交网络图中的结构信息,以此来帮助获取社交网络图中更多的潜在结构信息。
附图说明
图1是本发明实施例提供的社交网络图的处理系统的一个可选的架构示意图;
图2是本发明实施例提供的社交网络图的处理装置的一个可选的结构示意图;
图3是本发明实施例提供的社交网络图的处理方法的一个可选的流程示意图;
图4是本发明实施例提供的社交网络图的处理方法的一个可选的流程示意图;
图5是本发明实施例提供的第一社交网络图和第二社交网络图之间的伪锚链接的示意图;
图6是本发明实施例提供的筛选可靠伪锚链接的示意图;
图7是本发明实施例提供的增量无监督对抗图对齐的模型示意图;
图8是本发明实施例提供的社交网络图扩展的示意图;
图9是本发明实施例提供的社交网络图的处理方法的一个可选的应用场景示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,所描述的实施例不应视为对本发明的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的,不是旨在限制本发明。
对本发明实施例进行进一步详细说明之前,对本发明实施例中涉及的名词和术语进行说明,本发明实施例中涉及的名词和术语适用于如下的解释。
1)社交网络图:社交网络的模型化表示,社交网络图中的节点代表用户,节点之间的边代表用户之间存在连接关系。例如:当两个用户是好友关系时,则在社交网络图中其对应的节点之间存在连接。
2)社交网络对齐:在两个社交网络之间找到对应的用户,即在不同的社交网络中找到对应真实世界中的同一个自然人的用户。
3)伪锚链接:由不同社交网络图中潜在对齐的节点连接形成。例如,第一社交网络图中的节点A和第二社交网络图中的节点a为潜在对齐的节点,则节点A与节点a之间的连接称为伪锚链接。
4)图嵌入处理:通过深度学习技术将图中的节点或者节点之间的边映射为向量空间的点,进而对向量空间的点进行聚类、分类等处理。
发明人在实施本发明实施例的过程中发现,相关技术在进行挖掘社交网络中的信息时,通常在不同社交网络图中仅仅寻找节点的对应关系,即社交网络对齐。然而,对于社交网络图内部的结构信息挖掘还不够深入,无法获取社交网络图内部更多的潜在结构信息。
对此,考虑到对于具有伪锚链接的两个节点,当它们在一个社交网络图中没有连接,但它们的对应节点在另一个社交网络图中存在连接关系时,则在当前社交网络图中将它们进行连接是可行的,故可以从第一社交网络图与第二社交网络图之间的伪锚链接中筛选出可靠的伪锚链接,根据这些可靠的伪锚链接和第一社交网络图的结构,扩展第二社交网络图的结构。
鉴于此,本发明实施例提供一种社交网络图的处理方法、装置、电子设备及存储介质,能够获取社交网络图中潜在的结构信息。
下面说明本发明实施例提供的电子设备的示例性应用,本发明实施例提供的电子设备可以实施为笔记本电脑,平板电脑,台式电脑,智能手机等各种类型的用户终端,也可以实施为服务器或服务器集群,还可以采用由用户终端和服务器协同的方式实施。下面,将说明电子设备的示例性应用。
参见图1,图1是本发明实施例提供的社交网络图的处理系统100的一个可选的架构示意图。如图1所示,以电子设备300是服务器为例,电子设备300从数据库500中获取第一社交网络数据和第二社交网络数据,将所述第一社交网络数据和所述第二社交网络数据模型化为第一社交网络图和第二社交网络图。电子设备300中的确定单元310确定所述第一社交网络图和所述第二社交网络图之间的伪锚链接。筛选单元320从所述伪锚链接中筛选出可靠的伪锚链接。扩展单元330根据所述可靠的伪锚链接和第一社交网络图的结构,扩展第二社交网络图的结构。同理,也可以根据这些可靠的伪锚链接和第二社交网络图的结构来扩展第一社交网络图的结构。电子设备300中的好友推荐系统根据扩展后的第一社交网络图和第二社交网络图进行好友推荐,将好友推荐消息通过网络200下发给用户终端400。
下面说明本发明实施例提供的电子设备的示例性结构,参见图2,图2是本发明实施例提供的用于处理社交网络图的电子设备300的结构示意图,图2所示的电子设备300包括:至少一个处理器310、存储器350、至少一个网络接口320和用户接口330。电子设备300中的各个组件通过总线系统340耦合在一起。可理解,总线系统340用于实现这些组件之间的连接通信。总线系统340除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图2中将各种总线都标为总线系统340。
处理器310可以是一种集成电路芯片,具有信号的处理能力,例如通用处理器、数字信号处理器(DSP,Digital Signal Processor),或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其中,通用处理器可以是微处理器或者任何常规的处理器等。
用户接口330包括使得能够呈现媒体内容的一个或多个输出装置331,包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口330还包括一个或多个输入装置332,包括有助于用户输入的用户接口部件,比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。
存储器350可以是可移除的,不可移除的或其组合。示例性的硬件设备包括固态存储器,硬盘驱动器,光盘驱动器等。存储器350可选地包括在物理位置上远离处理器310的一个或多个存储设备。
存储器350包括易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM,Read Only Me mory),易失性存储器可以是随机存取存储器(RAM,Random Access Memor y)。本发明实施例描述的存储器350旨在包括任意适合类型的存储器。
在一些实施例中,存储器350能够存储数据以支持各种操作,这些数据的示例包括程序、模块和数据结构或者其子集或超集,下面示例性说明。
操作系统351,包括用于处理各种基本系统服务和执行硬件相关任务的系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务;
网络通信模块352,用于经由一个或多个(有线或无线)网络接口320到达其他确定设备,示例性的网络接口320包括:蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB,Universal Serial Bus)等;
呈现模块353,用于经由一个或多个与用户接口330相关联的输出装置331(例如,显示屏、扬声器等)使得能够呈现信息(例如,用于操作外围设备和显示内容和信息的用户接口);
输入处理模块354,用于对一个或多个来自一个或多个输入装置332之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。
在一些实施例中,本发明实施例提供的装置可以采用软件方式实现,图2示出了存储在存储器350中的社交网络图的处理装置355,其可以是程序和插件等形式的软件,包括以下软件模块:获取模块3551、确定模块3552、选取模块3553和扩展模块3554,这些模块是逻辑上的,因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。
在另一些实施例中,本发明实施例提供的装置可以采用硬件方式实现,作为示例,本发明实施例提供的装置可以是采用硬件译码处理器形式的处理器,其被编程以执行本发明实施例提供的。。方法,例如,硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC,Application Specific Inte grated Circuit)、DSP、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可编程逻辑器件(CPLD,Complex ProgrammableLogic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)或其他电子元件。
下面将结合本发明实施例提供的电子设备为服务器时的示例性应用,说明本发明实施例提供的社交网络图的处理方法。参见图3,图3是本发明实施例提供的社交网络图的处理方法的一个可选的流程示意图,将结合图3示出的步骤进行说明。
步骤S301:获取第一社交网络图和第二社交网络图。
这里,图是指一种抽象程度高、表达能力强的数据结构,通过对节点和边的定义来描述实体和实体之间的关联关系。常见的图包括社交网络图、商品网络图、知识图谱等。
所述社交网络图是社交网络的模型化表示,将社交网络中的用户建模成节点,将用户间的连接关系建模为边,则社交网络可以表示成一个由多个节点和边相互连接组成的图。
示例的,定义社交网络图为G=(V,E),其中,V={vi|i∈[1,2,…,N]}是社交网络图中所有节点的集合,每个节点代表一个用户,N为社交网络图中节点的数量,也就是用户的数量,小写字母v代表任意一个具体的用户;是社交网络图中边的集合。举例来说,当用户i和用户j存在社交关系时,则节点vi和节点vj之间进行连接,形成一条边。
社交网络图包括有向图和无向图两种。对于无向图来说,如果两个节点不相连,则权重为0;如果两个节点相连,则权重为1。
在一些实施例中,当需要进一步表示用户之间的亲密程度时,则需要采用有向图来表示。根据用户之间的亲密程度不同,为不同的边赋予不同的权重。例如:当两个用户在采样时间内交互的次数大于一定的数值,则社交网络图中对应的边的权重为0.8;当两个用户在采样时间内交互的次数小于一定的数值,则社交网络图中对应的边的权重为0.3。
本发明实施例获取的第一社交网络图和第二社交网络图可以是有向图,也可以是无向图,本发明实施例在此不作具体限定。
所述第一社交网络图和所述第二社交网络图可以是分别从不同的社交平台获取的。
举例来说,所述第一社交网络图可以是微信平台上的用户之间形成的社交网络图;而所述第二社交网络图可以是微博平台上的用户之间形成的社交网络图。
在另一些实施例中,所述第一社交网络图和所述第二社交网络图也可以是由同一社交网络平台的数据获取。
示例的,假设从某一社交网络平台上获取到一张由9997个节点和511490条边构成的社交网络图。将所述社交网络图中随机丢弃5%的边之后的社交网络图作为第一社交网络图Gs;将所述社交网络图中随机丢弃与所述第一社交网络图不同的5%的边之后的社交网络图作为第二社交网络图Gt。也就是说,获取到的第一社交网络图和第二社交网络图具有相同的节点和90%重叠的边。
步骤S302:确定所述第一社交网络图和所述第二社交网络图之间的伪锚链接,根据所确定的伪锚链接形成第一伪锚链接集合,其中,所述伪锚链接由所述第一社交网络图与所述第二社交网络图中潜在对齐的节点连接形成。
参见图4,图4是本发明实施例提供的社交网络图的处理方法的一个可选的流程示意图,在一些实施例中,图3示出的步骤S302可以通过图4示出的步骤S3021至步骤S3024实现,将结合各步骤进行说明。
步骤S3021:对所述第一社交网络图和所述第二社交网络图进行图嵌入处理,以确定所述第一社交网络图中节点的图嵌入向量、以及所述第二社交网络图中节点的图嵌入向量。
图嵌入,又称网络表示学习,是将一个网络中的节点基于网络的特点映射成一个低维度的向量,进而可以定量的衡量节点之间的相似性,便于更加方便地应用。基于输出粒度的不同,图嵌入处理的输出包括节点嵌入、边嵌入、混合嵌入和整图嵌入。下面分别进行说明。
节点嵌入是最常见的嵌入输出设定,节点嵌入将社交网络图中的每个节点表示为低维空间中的向量。嵌入图中“接近”的节点具有类似的向量表示。
与节点嵌入不同,边嵌入是指将边表示为低维向量。边嵌入主要用于边或者节点对相关的图分析,例如链接预测、知识图实体等。混合嵌入是指将不同类型的图成分的组合进行嵌入处理,例如:节点和边,节点和社区的嵌入处理。
整图嵌入通常针对小图的整图进行嵌入,例如:蛋白质、分子等。在这种情况下,整张图被表示为一个向量,并且两个相似的图的嵌入更加接近。
示例的,当只关注用户之间的社交关系时,可以只对社交网络图中的边进行嵌入处理,得到表示边的低维向量。当然,也可以对社交网络图进行混合嵌入,同时得到边和节点的低维向量,以更加准确地表示图的信息。需要说明的是,可以根据实际情况选择不同的嵌入处理,本发明实施例在此不作具体限定。
在一些实施例中,可以采用DeepWalk方法来对社交网络图进行图嵌入处理。DeepWalk方法受word2vec模型的启发,首先选择某一特定节点作为起始节点,做随机游走得到所述节点的序列,然后将得到的序列作为句子,用wor d2vec模型进行学习,从而得到所述节点的向量。DeepWalk方法通过随机游走来获取社交网络图中节点的局部上下文信息,因此,学到的表示向量反映的是所述节点在社交网络图中的局部结构。两个节点在社交网络图中共有的邻近节点越多,则对应的两个向量之间的距离就越短。
在另一些实施例中,也可以采用图卷积神经网络(GCN,Graph Convoluti onalnetworks)对社交网络图进行图嵌入处理。图卷积神经网络算法以每个节点的全局邻域作为输入,通过在图上定义卷积算法,迭代地聚合节点的邻域嵌入,并使用在前一次迭代中获得的嵌入及其嵌入的函数来获得新的嵌入。仅局部邻域的聚合嵌入使其具有可扩展性,并且多次迭代允许学习嵌入一个节点来描述全局邻域。
步骤S3022:确定由所述第一社交网络图中节点的图嵌入向量构成的图嵌入向量空间,并确定由所述第二社交网络图中节点的图嵌入向量构成的图嵌入向量空间。
在一些实施例中,在经过步骤S3021的图嵌入处理之后,第一社交网络图Gs可表示成其中,是第一社交网络图Gs中节点1对应的低维向量,Zs为第一社交网络图中由n个节点对应的n个低维向量构成的向量空间,表示第一社交网络图中节点的特征;第二社交网络图Gt可表示成其中,是第一社交网络图Gt中节点1对应的低维向量,Zt为第二社交网络图中由m个节点对应的m个低维向量构成的向量空间,表示第二社交网络图中节点的特征。
步骤S3023:确定从所述第一社交网络图的图嵌入向量空间到所述第二社交网络图的图嵌入向量空间的线性映射。
在一些实施例中,所述线性映射可以通过下式表示:
其中,R代表域,数域的代码,d为图嵌入向量的维度,X和Y分别是从步骤S3022得到的Zs和Zt中选取的k个节点的图嵌入向量构成的矩阵,W是一个d×d维度的矩阵,表示第一社交网络图中的节点对应的图嵌入向量的特征经过映射后,与第二社交网络图中的节点对应的图嵌入向量的特征最接近时所需要的W。
步骤S3024:根据所述线性映射,确定所述第一社交网络图中伪节点和所述第二社交网络图中伪节点之间的对应关系。
所述确定所述第一社交网络图中伪节点和所述第二社交网络图中伪节点之间的对应关系就是获取第一社交网络图中节点和第二社交网络图中节点之间的伪锚链接。
参见图5,图5是本发明实施例提供的经过图对齐处理之后,第一社交网络图和第二社交网络图之间形成的伪锚链接的示意图。如图5所示,每条伪锚链接对应两个节点,所述两个节点分别属于第一社交网络图和第二社交网络图。也就是说,伪锚链接由第一社交网络图中的第一节点和第二社交网络图中的第二节点连接形成,表征所述第一节点和所述第二节点可能是潜在对齐的节点,即可能是对应于真实世界中的同一自然人。
步骤S303:从所述第一伪锚链接集合中,选取跨域相似性超过相似性阈值的伪锚链接,形成第二伪锚链接集合,所述跨域相似性表征所述第一社交网络图中的节点与所述第二社交网络图中的节点之间的相似性。
经过步骤S302之后,可以得到大量的伪锚链接,形成第一伪锚链接集合。然而,其中有些伪锚链接可能是不可靠的,因此,需要从中筛选出可靠的伪锚链接。
在一些实施例中,可以定义一个跨域相似性指标(CGSS,Cross-Graph Similarity Scaling),选取跨域相似性指标超过相似性阈值的伪锚链接。
示例的,跨域相似性指标可按照如下公式进行计算:
CGSS(Wzs,zt)=2cos(Wzs,zt)-rT(Wzs)-rS(zt) (2)
其中,cos表示余弦相似性,rT(Wzs)表示第一社交网络图中的节点的图嵌入向量与第二社交网络图中最相似的K(大于1的整数)个节点的图嵌入向量之间的平均相似性,zs和zt分别是第一社交网络图中节点的图嵌入向量和第二社交网络图中节点的图嵌入向量。
例如,可以设定跨域相似性指标CGSS=0.7或者0.75,当两个节点之间的相似性超过0.7或者0.75时,认为两个节点之间的伪锚链接是可靠的,将其添加到第二伪锚链接集合中。
在一些实施例中,对于第一社交网络图中的某个节点,可能存在多个超过跨域相似性阈值的伪锚链接,则选择其中跨域相似性最高的伪锚链接。
示例的,参见图6,图6是本发明实施例提供的筛选可靠伪锚链接的示意图。假设设定的跨域相似性指标CGSS=0.7,则对于第一社交网络图中的节点A来说,存在三条满足跨域相似性阈值的伪锚链接,分别是A-a、A-b和A-c,选择其中跨域相似性指标最大的节点间的伪锚链接,即选取A-a之间的伪锚链接。
在另一些实施例中,也可以利用判别函数来挑选可靠的伪锚链接。
示例的,利用判别函数挑选出第一伪锚链接集合中跨域相似性指标前10%的伪锚链接,形成第二伪锚链接集合;也可以挑选第一伪锚链接集合中跨域相似性指标前N个伪锚链接,形成第二伪锚链接集合,其中,N的大小可以根据第一伪锚链接集合中伪锚链接的实际数量或者具体的应用场景来确定。
步骤S304:根据所述第二伪锚链接集合中的伪锚链接、以及所述第一社交网络图的结构,扩展所述第二社交网络图的结构。
经过步骤S303之后,可以有效减少伪锚链接的数量,提高图对齐的准确性。筛选得到的伪锚链接可以由如下公式表示:
其中,Vs和Vt分别是第一社交网络图的节点集合和第二社交网络图的节点集合,vs和vt分别是第一社交网络图中的节点和第二社交网络图中的节点。
通过这些可靠的伪锚链接,可以获取第一社交网络图和第二社交网络图中未被观察到的用户链接。
示例的,假设对于第一社交网络图中的节点A和节点B,存在可靠的伪锚链接A-a和B-b,在第一社交网络图中节点A与节点B之间没有连接,但是在第二社交网络图中节点a和节点b之间存在连接,则在第一社交网络图中将节点A和节点B进行连接。遍历所述第一社交网络图中的任意两个节点,根据第二社交网络图的结构,对第一社交网络图的结构信息进行扩展。
同理,也可以根据可靠的伪锚链接以及第一社交网络图的结构信息,对第二社交网络图中节点之间的连接关系进行补充。
下面继续结合图2说明本发明实施例提供的社交网络图的处理装置355的实施为软件模块的示例性结构,在一些实施例中,如图2所示,存储在存储器340的社交网络图的处理装置355中的软件模块可以包括:获取模块3551、确定模块3552、选取模块3553和扩展模块3554。
所述获取模块3551,用于获取第一社交网络图和第二社交网络图;
所述确定模块3552,用于确定所述第一社交网络图和所述第二社交网络图之间的伪锚链接,根据所确定的伪锚链接形成第一伪锚链接集合,其中,所述伪锚链接由所述第一社交网络图与所述第二社交网络图中潜在对齐的节点连接形成;
所述选取模块3553,用于从所述第一伪锚链接集合中,选取跨域相似性超过相似性阈值的伪锚链接,形成第二伪锚链接集合,所述跨域相似性表征所述第一社交网络图中的节点与所述第二社交网络图中的节点之间的相似性;
所述扩展模块3554,用于根据所述第二伪锚链接集合中的伪锚链接、以及所述第一社交网络图的结构,扩展所述第二社交网络图的结构。
在一些实施例中,所述选取模块3553,还用于对于所述第一社交网络图中的任意节点,当确定存在多个跨域相似性超过相似性阈值的伪锚链接时,选取相似性最高的伪锚链接。
在一些实施例中,所述选取模块3553,还用于确定所述第一社交网络图中任意节点的图嵌入向量、与所述第二社交网络图中任意节点的图嵌入向量之间的相似性;当所述相似性超过相似性阈值时,选取对应的节点间的伪锚链接。
在一些实施例中,所述选取模块3553,还用于利用判别函数判别所述第一伪锚链接集合中包括的伪锚链接,选取跨域相似性最高的前N个伪锚链接,形成第二伪锚链接集合,其中,N为大于1的整数。
在一些实施例中,所述扩展模块3554,还用于遍历所述第一社交网络图中具有伪锚链接的任意两个节点;当所述任意两个节点在所述第一社交网络图中存在连接关系时,在所述第二社交网络图中将对应的两个节点进行连接。
在一些实施例中,所述确定模块3552,还用于对所述第一社交网络图和所述第二社交网络图进行图嵌入处理,以确定所述第一社交网络图中节点的图嵌入向量、以及所述第二社交网络图中节点的图嵌入向量;确定由所述第一社交网络图中节点的图嵌入向量构成的图嵌入向量空间,并确定由所述第二社交网络图中节点的图嵌入向量构成的图嵌入向量空间;确定从所述第一社交网络图的图嵌入向量空间到所述第二社交网络图的图嵌入向量空间的线性映射;根据所述线性映射,确定所述第一社交网络图中伪节点与所述第二社交网络图中伪节点之间的对应关系。
在一些实施例中,所述确定模块3552,还用于利用随机游走模型或者图卷积神经网络对所述第一社交网络图和所述第二社交网络图进行图嵌入处理。
在一些实施例中,所述扩展模块3554,还用于根据所述第二伪锚链接集合中的伪锚链接和所述第二社交网络图的结构;遍历所述第二社交网络图中具有伪锚链接的任意两个节点;当所述任意两个节点在所述第二社交网络图中是相互连接时,在所述第一社交网络图中将对应的两个节点进行连接。
需要说明的是,对于本发明实施例提供的社交网络图的处理装置中未尽的技术细节,可以根据图3-6任一附图的说明而理解。
下面,将说明本发明实施例在一个实际的应用场景中的示例性应用。
相关技术在进行图对齐时比较依赖于部分标记的交叉图节点间的对应关系以及节点和边缘上的属性信息,但是获取大量的图标注数据在现实应用中非常困难。近年来,无监督下的图对齐技术也得到了快速的发展,但是对于不同图之间的潜在信息挖掘还不够深入。
本发明实施例提供了一种社交网络图的处理方法,在无监督对抗图对齐的基础上,根据获取到的伪锚链接,进一步显示出未观察到的用户链接,来帮助改进图对齐的结果。
参见图7,图7是本发明实施例提供的增量无监督对抗图对齐模型的示意图。如图7所示,首先利用无监督对抗图对齐过程来寻找源域图和目标域图之间的伪锚链接,所述伪锚链接表示两图中可能对齐的点。然后,从所述伪锚链接中选取满足以下两个条件的伪锚链接:
1)跨域相似性要求超过规定阈值;
2)利用无监督对抗图对齐的方法,嵌入特征对要求为彼此最接近的邻居节点。
在一些实施例中,伪锚链接的选取除了硬性的阈值外,也可以利用某个判别函数来进行选取。
根据上述两个条件筛选伪锚链接可以有效减少伪锚链接的数量,提高其准确性和最终的图对齐结果。筛选得到的伪锚链接集合可以表示为:
通过获取的可靠的伪锚链接,可以逐步补偿缺少交叉图监督的细化过程,并且帮助显示未观察到的边缘,例如,社交网络图内部的伪用户链接。这是因为如果两个节点在一个图中没有连接,但是它们的对应节点(根据可靠的伪锚链接)在另一个图中连接时,则在当前图中在它们之间添加边是可行的。
为简单起见,以合成数据为例进行说明。图8是本发明实施例提供的社交网络图的扩展示意图。如图8所示,用户对(b,c)未在目标域图中连接,但对应的用户对(B,C)在源域图中连接。另外,存在可靠的伪锚链接(B,b)和(C,c),因此,可以在目标域图中将节点b和节点c进行连接。同理,也可以在源域图中将节点A和节点C进行连接。如此,可以根据可靠的伪锚链接和一张图的结构来扩展另一张图的结构。
其中,Vs表示源域图的节点集合,Es表示源域图中节点之间的连接关系集合,表示源域图中的节点i和目标域图中的节点k之间存在可靠的伪锚链接,表示源域图中的节点j和目标域图中的节点l之间存在可靠的伪锚链接,Et表示目标域图中节点之间的连接关系集合。
扩展图为图嵌入和映射提供了更加丰富的结构信息,通过利用可靠的伪锚链接,可以进一步提高图嵌入的质量和最终的对齐性能。
参见图9,图9是本发明实施例提供的社交网络图的处理方法的一个可选的应用场景示意图。如图9所示,服务器从两个不同的数据库中分别获取第一社交网络图和第二社交网络图。
示例的,所述第一社交网络图可以是服务器从微信平台上获取的用户的社交网络图,所述第二社交网络图可以是服务器从QQ平台上获取的用户的社交网络图。对于微信平台上的用户B来说,由于其注册微信的时间较晚,社交信息比较少;而用户b注册QQ的时间较早,好友数量较多,社交信息比较丰富。因此,利用本发明实施例提供的社交网络图的处理方法,在识别出微信平台上的用户B和QQ平台上的用户b属于现实世界中的同一自然人,以及QQ平台上的用户c和微信平台上的用户C也属于现实世界中的同一自然人时,根据用户b和用户c在QQ平台上的好友关系,可以在微信平台上向用户B推荐用户C。
在另一些实施例中,也可以利用本发明实施例提供的社交网络图的处理方法来进行内容传播等。示例的,利用本发明实施例提供的社交网络图的处理方法来识别用户在不同社交网络中的社交关系,根据潜在的社交关系,还原用户的画像数据,即根据社交距离,将具有社交关系的用户的画像数据进行整合,作为用户的画像数据,根据用户的具有社交关系的其他用户的历史行为,利用推荐模型(例如UV模型)从候选对象(例如新闻、广告、商品等)中召回与用户相似的多个候选对象。为了避免推荐内容的同质化,根据多样性的排序,将排序在前的部分对象的信息向用户推荐。
举例来说,对于微博平台上的用户A,其在微博平台上经常关注或者评论财经类新闻,则在识别出微信平台上的用户a和微博平台上的用户A属于现实世界中的同一自然人时,相应地,可以根据用户A在微博平台上关注的内容,在微信平台上向其推送财经类新闻。
本发明实施例提供的社交网络图的处理方法,利用筛选得到的可靠的伪锚链接通过迭代的方式显示未被观察到的用户链接,从而扩展训练图,使得训练过程中能够获得更多的结构信息,显著提升了模型的性能。此外,所述方法还具有灵活性和通用性,能够降低对训练图结构信息的依赖,解决了异构图的对齐问题。因此,本发明实施例提供的方法具有广泛的应用前景,尤其适用于缺乏图结构信息的真实数据,能够有效解决现实问题。例如,本发明实施例提供的方法可以应用于不同社交网络中用户的对齐,整合不同社交网络中的数据,寻找社交网络中潜在的可能的关联关系,或者用于对齐推荐系统中的用户、商品等关系图,寻找潜在的推荐关系等。
本发明实施例提供一种存储有可执行指令的存储介质,其中存储有可执行指令,当可执行指令被处理器执行时,将引起处理器执行本发明实施例提供的社交网络图的处理方法,例如,如图3-6任一附图示出的社交网络图的处理方法。
在一些实施例中,存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在确定环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个确定设备上执行,或者在位于一个地点的多个确定设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个确定设备上执行。
综上所述,通过本发明实施例具有以下有益效果:
1)从伪锚链接集合中筛选出可靠的伪锚链接,利用这些可靠的伪锚链接,通过迭代的方式显示社交网络图中未被观察到的用户链接,从而扩展社交网络图,使得获取的社交网络图能够显示出更多的结构信息。
2)具有广泛的应用前景,可应用于不同的社交网络中的用户对齐,寻找社交网络中潜在的可能的关联关系,或者用于对齐推荐系统中的用户、商品等的关系图,寻找潜在的推荐关系。本发明实施例提供的方法尤其适用于缺乏图结构信息的真实数据,能够有效解决现实问题。
以上所述,仅为本发明的实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本发明的保护范围之内。
Claims (10)
1.一种社交网络图的处理方法,其特征在于,所述方法包括:
获取第一社交网络图和第二社交网络图;
对所述第一社交网络图和所述第二社交网络图进行图嵌入处理,以确定所述第一社交网络图中节点的图嵌入向量、以及所述第二社交网络图中节点的图嵌入向量;
确定由所述第一社交网络图中节点的图嵌入向量构成的图嵌入向量空间,并确定由所述第二社交网络图中节点的图嵌入向量构成的图嵌入向量空间;
确定从所述第一社交网络图的图嵌入向量空间到所述第二社交网络图的图嵌入向量空间的线性映射;
根据所述线性映射,确定所述第一社交网络图中伪节点与所述第二社交网络图中伪节点之间的对应关系,将所述对应关系确定为所述第一社交网络图和所述第二社交网络图的伪锚链接;
根据所确定的所述伪锚链接形成第一伪锚链接集合,其中,所述伪锚链接由所述第一社交网络图与所述第二社交网络图中潜在对齐的节点连接形成;
从所述第一伪锚链接集合中,选取跨域相似性超过相似性阈值的伪锚链接以形成第二伪锚链接集合,其中,所述跨域相似性表征所述第一社交网络图中的节点与所述第二社交网络图中的节点之间的相似性;
根据所述第二伪锚链接集合中的伪锚链接、以及所述第一社交网络图的结构,扩展所述第二社交网络图的结构。
2.根据权利要求1所述的方法,其特征在于,所述从所述第一伪锚链接集合中,选取跨域相似性超过相似性阈值的伪锚链接,包括:
对于所述第一社交网络图中的任意节点,当确定存在多个跨域相似性超过相似性阈值的伪锚链接时,选取相似性最高的伪锚链接。
3.根据权利要求1所述的方法,其特征在于,所述从所述第一伪锚链接集合中,选取跨域相似性超过相似性阈值的伪锚链接,包括:
确定所述第一社交网络图中任意节点的图嵌入向量、与所述第二社交网络图中任意节点的图嵌入向量之间的相似性;
当所述相似性超过相似性阈值时,选取对应的节点间的伪锚链接。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
利用判别函数判别所述第一伪锚链接集合中包括的伪锚链接,选取跨域相似性最高的前N个伪锚链接,以形成第二伪锚链接集合,其中,N为大于1的整数。
5.根据权利要求1所述的方法,其特征在于,所述根据所述第二伪锚链接集合中的伪锚链接和所述第一社交网络图的结构,扩展所述第二社交网络图的结构,包括:
遍历所述第一社交网络图中具有伪锚链接的任意两个节点;
当所述任意两个节点在所述第一社交网络图中存在连接关系时,在所述第二社交网络图中将对应的两个节点进行连接。
6.根据权利要求1所述的方法,其特征在于,所述对所述第一社交网络图和所述第二社交网络图进行图嵌入处理,包括:
利用随机游走模型对所述第一社交网络图和所述第二社交网络图进行图嵌入处理;或者
利用图卷积神经网络对所述第一社交网络图和所述第二社交网络图进行图嵌入处理。
7.根据权利要求1至5任一项所述的方法,其特征在于,所述方法还包括:
根据所述第二伪锚链接集合中的伪锚链接和所述第二社交网络图的结构;
遍历所述第二社交网络图中具有伪锚链接的任意两个节点;
当所述任意两个节点在所述第二社交网络图中存在连接关系时,在所述第一社交网络图中将对应的两个节点进行连接。
8.一种社交网络图的处理装置,其特征在于,所述装置包括:
获取模块,用于获取第一社交网络图和第二社交网络图;
确定模块,用于:
对所述第一社交网络图和所述第二社交网络图进行图嵌入处理,以确定所述第一社交网络图中节点的图嵌入向量、以及所述第二社交网络图中节点的图嵌入向量;
确定由所述第一社交网络图中节点的图嵌入向量构成的图嵌入向量空间,并确定由所述第二社交网络图中节点的图嵌入向量构成的图嵌入向量空间;
确定从所述第一社交网络图的图嵌入向量空间到所述第二社交网络图的图嵌入向量空间的线性映射;
根据所述线性映射,确定所述第一社交网络图中伪节点与所述第二社交网络图中伪节点之间的对应关系,将所述对应关系确定为所述第一社交网络图和所述第二社交网络图的伪锚链接;
根据所确定的所述伪锚链接形成第一伪锚链接集合,其中,所述伪锚链接由所述第一社交网络图与所述第二社交网络图中潜在对齐的节点连接形成;
选取模块,用于从所述第一伪锚链接集合中,选取跨域相似性超过相似性阈值的伪锚链接,形成第二伪锚链接集合,所述跨域相似性表征所述第一社交网络图中的节点与所述第二社交网络图中的节点之间的相似性;
扩展模块,用于根据所述第二伪锚链接集合中的伪锚链接、以及所述第一社交网络图的结构,扩展所述第二社交网络图的结构。
9.一种计算机可读存储介质,其特征在于,存储有可执行指令,用于引起处理器执行时,实现权利要求1至7任一项所述的社交网络图的处理方法。
10.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储计算机可执行指令;
处理器,用于执行所述存储器中存储的计算机可执行指令时,实现权利要求1至7任一项所述的社交网络图的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910797783.3A CN110515986B (zh) | 2019-08-27 | 2019-08-27 | 一种社交网络图的处理方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910797783.3A CN110515986B (zh) | 2019-08-27 | 2019-08-27 | 一种社交网络图的处理方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110515986A CN110515986A (zh) | 2019-11-29 |
CN110515986B true CN110515986B (zh) | 2023-01-06 |
Family
ID=68628227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910797783.3A Active CN110515986B (zh) | 2019-08-27 | 2019-08-27 | 一种社交网络图的处理方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110515986B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598710B (zh) * | 2020-05-11 | 2023-04-18 | 北京邮电大学 | 社交网络事件的检测方法和装置 |
CN111967972B (zh) * | 2020-08-18 | 2024-02-27 | 中国银行股份有限公司 | 理财产品推荐方法及装置 |
CN112163170B (zh) * | 2020-10-12 | 2022-10-18 | 重庆邮电大学 | 一种基于虚节点和元学习改进社交网络对齐方法及系统 |
CN113326443B (zh) * | 2021-05-27 | 2022-04-19 | 中国科学技术大学 | 一种高效的图卷积神经网络重训练方法 |
CN113572679B (zh) * | 2021-06-30 | 2023-04-07 | 北京百度网讯科技有限公司 | 账户亲密度的生成方法、装置、电子设备和存储介质 |
CN113901333A (zh) * | 2021-10-11 | 2022-01-07 | 东方财富信息股份有限公司 | 一种融合了图结构与文本特征的好友推荐方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741175A (zh) * | 2016-01-27 | 2016-07-06 | 电子科技大学 | 一种对在线社交网络中账户进行关联的方法 |
CN107133262A (zh) * | 2017-03-30 | 2017-09-05 | 浙江大学 | 一种基于多影响嵌入的个性化poi推荐方法 |
CN107145527A (zh) * | 2017-04-14 | 2017-09-08 | 东南大学 | 对齐异构社交网络中基于元路径的链路预测方法 |
CN107480714A (zh) * | 2017-08-09 | 2017-12-15 | 东北大学 | 基于全视角特征的跨社交网络用户识别方法 |
CN108022171A (zh) * | 2016-10-31 | 2018-05-11 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及设备 |
CN109063041A (zh) * | 2018-07-17 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 关系网络图嵌入的方法及装置 |
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 |
CN109635201A (zh) * | 2018-12-18 | 2019-04-16 | 苏州大学 | 异质社交网络跨平台关联用户账户挖掘方法 |
CN109829089A (zh) * | 2018-12-12 | 2019-05-31 | 中国科学院计算技术研究所 | 基于关联图谱的社交网络用户异常检测方法和系统 |
CN110008348A (zh) * | 2019-01-29 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 结合节点和边进行网络图嵌入的方法和装置 |
CN110097125A (zh) * | 2019-05-07 | 2019-08-06 | 郑州轻工业学院 | 一种基于嵌入表示的跨网络账户关联方法 |
CN110134883A (zh) * | 2019-04-22 | 2019-08-16 | 哈尔滨英赛克信息技术有限公司 | 一种异构社交网络位置实体锚链接识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015050655A (ja) * | 2013-09-02 | 2015-03-16 | ソニー株式会社 | 情報表示装置及び情報表示方法、並びにコンピューター・プログラム |
US10269048B2 (en) * | 2014-03-26 | 2019-04-23 | Excalibur Ip, Llc | Xpath related and other techniques for use in native advertisement placement |
-
2019
- 2019-08-27 CN CN201910797783.3A patent/CN110515986B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741175A (zh) * | 2016-01-27 | 2016-07-06 | 电子科技大学 | 一种对在线社交网络中账户进行关联的方法 |
CN108022171A (zh) * | 2016-10-31 | 2018-05-11 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及设备 |
CN107133262A (zh) * | 2017-03-30 | 2017-09-05 | 浙江大学 | 一种基于多影响嵌入的个性化poi推荐方法 |
CN107145527A (zh) * | 2017-04-14 | 2017-09-08 | 东南大学 | 对齐异构社交网络中基于元路径的链路预测方法 |
CN107480714A (zh) * | 2017-08-09 | 2017-12-15 | 东北大学 | 基于全视角特征的跨社交网络用户识别方法 |
CN109063041A (zh) * | 2018-07-17 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 关系网络图嵌入的方法及装置 |
CN109829089A (zh) * | 2018-12-12 | 2019-05-31 | 中国科学院计算技术研究所 | 基于关联图谱的社交网络用户异常检测方法和系统 |
CN109635201A (zh) * | 2018-12-18 | 2019-04-16 | 苏州大学 | 异质社交网络跨平台关联用户账户挖掘方法 |
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 |
CN110008348A (zh) * | 2019-01-29 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 结合节点和边进行网络图嵌入的方法和装置 |
CN110134883A (zh) * | 2019-04-22 | 2019-08-16 | 哈尔滨英赛克信息技术有限公司 | 一种异构社交网络位置实体锚链接识别方法 |
CN110097125A (zh) * | 2019-05-07 | 2019-08-06 | 郑州轻工业学院 | 一种基于嵌入表示的跨网络账户关联方法 |
Non-Patent Citations (1)
Title |
---|
网络媒体大数据中的异构网络对齐关键技术和应用研究;王莉等;《太原理工大学学报》;20170515(第03期);453-457 * |
Also Published As
Publication number | Publication date |
---|---|
CN110515986A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110515986B (zh) | 一种社交网络图的处理方法、装置及存储介质 | |
CN110609902B (zh) | 一种基于融合知识图谱的文本处理方法及装置 | |
Xu et al. | Representing higher-order dependencies in networks | |
CN111698247A (zh) | 异常账号检测方法、装置、设备及存储介质 | |
CN111191040A (zh) | 城市运行知识图谱构建方法、装置和计算机设备 | |
CN112131261B (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
CN111696656B (zh) | 一种互联网医疗平台的医生评价方法、装置 | |
KR20230095796A (ko) | 하이퍼그래프 콘볼루션 네트워크들을 통한 공동 개인맞춤형 검색 및 추천 | |
CN114357105A (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
CN112949476A (zh) | 基于图卷积神经网络的文本关系检测方法、装置及存储介质 | |
CN114330703A (zh) | 搜索模型的更新方法、装置、设备及计算机可读存储介质 | |
CN113609345B (zh) | 目标对象关联方法和装置、计算设备以及存储介质 | |
CN113094533B (zh) | 一种基于混合粒度匹配的图文跨模态检索方法 | |
CN116523622A (zh) | 对象风险预测方法和装置、电子设备及存储介质 | |
CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN114511085A (zh) | 实体属性值的识别方法、装置、设备、介质及程序产品 | |
CN115168609A (zh) | 一种文本匹配方法、装置、计算机设备和存储介质 | |
CN114282121A (zh) | 业务节点推荐方法、系统、设备及存储介质 | |
US20170270390A1 (en) | Computerized correspondence estimation using distinctively matched patches | |
CN111523034A (zh) | 一种应用程序的处理方法、装置、设备及介质 | |
Lalli et al. | Geometry-free renormalization of directed networks: scale-invariance and reciprocity | |
Azondekon | Modeling the Complexity and Dynamics of the Malaria Research Collaboration Network in Benin, West Africa: papers indexed in the Web Of Science (1996—2016) | |
CN110633890A (zh) | 一种土地利用效率判断方法和系统 | |
Leifeld et al. | Package ‘btergm’ | |
US11983269B2 (en) | Deep neural network system for similarity-based graph representations |
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 |