CN110704694A - 一种基于网络表示学习的组织层级划分方法及其应用 - Google Patents

一种基于网络表示学习的组织层级划分方法及其应用 Download PDF

Info

Publication number
CN110704694A
CN110704694A CN201910936020.2A CN201910936020A CN110704694A CN 110704694 A CN110704694 A CN 110704694A CN 201910936020 A CN201910936020 A CN 201910936020A CN 110704694 A CN110704694 A CN 110704694A
Authority
CN
China
Prior art keywords
node
nodes
graph
network
representation
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
Application number
CN201910936020.2A
Other languages
English (en)
Other versions
CN110704694B (zh
Inventor
王巍
韩运鹏
辛国栋
黄俊恒
王佰玲
魏玉良
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.)
Weihai Tian Wei Network Space Safety Technology Co Ltd
Harbin Institute of Technology Weihai
Original Assignee
Weihai Tian Wei Network Space Safety Technology Co Ltd
Harbin Institute of Technology Weihai
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 Weihai Tian Wei Network Space Safety Technology Co Ltd, Harbin Institute of Technology Weihai filed Critical Weihai Tian Wei Network Space Safety Technology Co Ltd
Priority to CN201910936020.2A priority Critical patent/CN110704694B/zh
Publication of CN110704694A publication Critical patent/CN110704694A/zh
Application granted granted Critical
Publication of CN110704694B publication Critical patent/CN110704694B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于网络表示学习的组织层级划分方法及其应用，该方法包括以下步骤：基于层次拓扑结构特征的网络节点表示学习方法，获得节点向量表示；将得到的节点向量表示作为聚类算法的输入，通过节点相似性聚类算法得到节点的层级划分结果。本发明实现节点表示的位置无关性，使得节点的表示更加准确，组织层级划分结果也会更加准确。

Description

一种基于网络表示学习的组织层级划分方法及其应用
技术领域
本发明属于网络分析技术领域，特别涉及一种基于网络表示学习的组织层级划分方法及其应用。
背景技术
金融交易网络属于复杂网络的一种，其中蕴含着丰富的现实世界信息，如账户实体、实体关系以及组织信息等，很多非法的金融活动也隐匿其中，如洗钱、传销、非法集资等，传销、非法集资等组织团体内部存在一定的层级结构，利用现代信息技术发现这些组织及组织的高层节点，有利于打击非法金融活动，维护国家经济秩序，保护人民财产安全。金融交易网络异常组织层级分析，旨在通过分析网络信息发现异常组织高层节点，实现组织层级结构划分，对辅助侦查部门工作具有重要的现实意义。
网络表示学习是网络结构数据分析方法中一个很重要的方式。通过网络表示学习可以将节点的某些特征映射为一个向量表示，从而更好地完成后续不同的任务。近几年，网络表示学习的应用场景越来越广泛，比如节点分类和聚类、链路预测、异常检测等。采用的方法也不断涌现，有基于异质网络的元路径方法，也有基于同质网络进行结构或者数值方面分析的方法。由于后者的研究更加有代表性，所以相关方面的研究也较多。
基于同质网络的表示学习方法可大致分为以下两类：
第一类是对任意两个节点之间相对结构进行考量的方法，这类方法从两个节点之间的连通度或紧密度来分析，或考虑节点的位置以及节点所处的拓扑结构特征，重点考虑节点之间形成的联系，忽略掉节点自身的信息。
第二类是融合节点丰富的自身信息的方法，将节点本身信息融合到网络表示学习的过程中，最终学习到的节点嵌入向量包含节点自身和节点之间结构两种信息。
从实际应用来看，从结构发现的角度对数据进行分析的方法应用范围更加广泛。但是，在处理实际问题时，现有的大多数方法都没有脱离网络中任意两个节点之间相对位置的影响。如果两个节点在网络中的距离很远，不存在共同的邻居节点，现有方法处理时认为这两个节点几乎不具有相似性；但是如果两个节点周围的局部拓扑结构很相似，意味着这两个节点在实际意义上(角色上)属于同一类，或者在结构划分中属于同一层。也就是说，现有技术方法在使用网络表示学习分析网络结构时，局限性较大，采取的拓扑结构不完善、得到的层级划分结果准确性欠佳。
发明内容
针对现有技术存在的不足，本发明提供一种基于网络表示学习的组织层级划分方法及其应用，该方法基于网络节点的局部拓扑结构信息自适应生成网络节点的向量表示，通过对中心节点多层邻居节点动静态特征的表达实现采样中心节点局部拓扑结构的目的，实现节点表示的位置无关性；进而将层级结构中相似的节点聚为一类，使得节点的表示更加准确，组织层级划分结果也会更加准确。
为了解决上述技术问题，本发明采用的技术方案是：
一种基于网络表示学习的组织层级划分方法，包括以下步骤：
一、基于层次拓扑结构特征的网络节点表示学习方法，获得节点向量表示；
二、将步骤一得到的节点向量表示作为聚类算法的输入，通过节点相似性聚类算法得到节点的层级划分结果。
进一步的，步骤一中，具体方法是：
(1)节点表示：对网络中任意一个节点，以该节点为中心，沿着原始图G＝(V,E)中存在的边向外逐层扩展的方式获得该节点所在位置的局部范围内的节点信息，并将这些节点信息进行表示以获取该中心节点所在位置的局部拓扑结构信息，表示时采用逐层节点的绝对特征和相对特征两种方式来表示；
(2)二次图构建：计算图中的任意两个节点之间的距离，并依据此构建一个全新的包含原来所有节点的二次图，并将该距离通过相似度函数映射为二次图中两点之间的边权重，再以每个点自身为标准对与该点相连的所有权重进行归一化处理，之后根据权重阈值进行剪枝处理；
(3)向量学习：利用随机游走算法学习节点向量。
进一步的，步骤(1)节点表示时，输入原始图G＝(V,E)、拓扑结构采样深度k和节点类别数kind；对于每一个节点，获取该节点的层次拓扑结构特征，将所有节点的特征构成特征表示集合F；
其中，原始图G＝(V,E)是一个无权无向图，其中V＝{v1,v2,v3,…,vn}表示图中节点的集合，E＝{eij,1≤i,j≤n}表示图G的邻接矩阵，若vi和vj节点之间有一条边，则eij＝eji＝1，若无连边，则eij＝eji＝0；
采样深度k，表示以某个节点为中心向外逐层扩展采样时，对拓扑结构采样的最大深度。
进一步的，步骤(2)二次图构建时，根据步骤(1)获得的节点的层次拓扑结构特征计算任意两个节点之间的距离，并将该距离转化为节点之间相似度权值w；剪枝处理时，小于阈值的权值被置为0，将无权图转化为有权图。
进一步的，步骤(3)向量学习时，在二次图上，以每个节点为起点，沿最终的权重边进行偏随机游走，生成以该节点为起始的节点序列；然后借鉴自然语言中的词嵌入方法Skip-Gram方式对序列进行节点向量的学习，将局部拓扑结构的信息融入到节点的向量表示中。
进一步的，将步骤(3)得到的节点向量表示作为k-means聚类算法的输入，将局部拓扑结构相似的节点聚为一类，得到节点的层级划分结果，并输出。
前述的基于网络表示学习的组织层级划分方法的应用：在金融交易网络中，用于确定交易主体在整个交易网络中所处的层级位置，有效的帮助分析网络的整体结构，辅助经济侦查。
与现有技术相比，本发明优点在于：
(1)本发明的方法实现节点表示的位置无关性。通过对中心节点多层邻居节点动静态特征的表达实现采样中心节点局部拓扑结构的目的，使得节点的表示不局限于与另外单独某个节点的联系，而是与周围的多个节点均有联系。
(2)拓扑结构表示的层次化、动态化。逐层的表示节点周围的拓扑结构，且在表示中心节点时，使用周围节点的绝对特征和相对特征两类信息，符合将同一个节点与不同的节点结合看待时表现出的特征不同的现实情况。
(3)在算法层面对方法进行速度的优化。在算法中通过剪枝来减少算法运行时间，使其更加适应大数据量的任务。
(4)通过本发明的层级划分方法将层级结构中相似的节点聚为一类，使得节点的表示更加准确，组织层级划分结果也会更加准确。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程图。
图2为本发明实施例1的节点局部拓扑结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的说明。
在介绍本发明实施例的方法之前，先给出部分符号代表的含义以及概念的定义。原始图G＝(V,E)是一个无权无向图，其中V＝{v1,v2,v3,…,vn}表示图中节点的集合，E＝[eij]n×n,1≤i,j≤n，表示图G的邻接矩阵，若vi和vj节点之间有一条边，则eij＝eji＝1，若无连边，则eij＝eji＝0，而网络表示学习的目的就是通过学习的方法获得一个映射f:vi→ui∈Rd且d＜＜|V|，其中d是实数空间R的维度，向量ui是一个属于Rd稠密向量。Diag(a1,a2,a3,...,an)表示n阶对角矩阵，其中ai为第i行第i列的元素并且由公式(1)计算：
Figure BDA0002221609520000041
定义1：最大采样深度k，表示以某个节点为中心向外逐层扩展(按照广度优先扩展原则)采样时，对拓扑结构采样的最大深度，也即最远探测到离中心点的距离。
定义2：二次图N＝(V,W)是一个无向有权图，其中V与构成原始图G中的V相同，W为二次图的权重矩阵，W＝{wuv,1≤u,v≤n}。二次图是对原始图中每两个节点之间的结构距离进行计算后生成的一个完全图，该完全图中的边权重表示该边两个节点之间的拓扑结构之间的相似度。
下面结合图1介绍本发明的基于网络表示学习的组织层级划分方法，包括以下步骤：
一、基于层次拓扑结构特征的网络节点表示学习方法，获得节点向量表示。
具体方法是：
(1)节点表示：对网络中任意一个节点，以该节点为中心，沿着原始图G＝(V,E)中存在的边向外逐层扩展(按照广度优先扩展的原则)的方式获得该节点所在位置的局部范围内的节点信息，并将这些节点信息进行表示以获取该中心节点所在位置的局部拓扑结构信息，表示时采用逐层节点的绝对特征和相对特征两种方式来表示。
步骤(1)节点表示时，输入原始图G＝(V,E)、拓扑结构采样深度k和节点类别数kind；对于每一个节点，获取该节点的层次拓扑结构特征，将所有节点的特征构成特征表示集合F。
(2)二次图构建：计算图中的任意两个节点之间的距离，并依据此构建一个全新的包含原来所有节点的二次图，并将该距离通过相似度函数映射为二次图中两点之间的边权重，再以每个点自身为标准对与该点相连的所有权重进行归一化处理，之后根据权重阈值进行剪枝处理。
步骤(2)二次图构建时，根据步骤(1)获得的节点的层次拓扑结构特征计算任意两个节点之间的距离，并将该距离转化为节点之间相似度权值w；剪枝处理时，小于阈值的权值被置为0，将无权图转化为有权图。
(3)向量学习：利用随机游走算法学习节点向量。
步骤(3)向量学习时，在二次图上，以每个节点为起点，沿最终的权重边进行偏随机游走，生成以该节点为起始的节点序列。然后借鉴自然语言中的词嵌入方法Skip-Gram方式对序列进行节点向量的学习，将局部拓扑结构的信息融入到节点的向量表示中。
二、将步骤一得到的节点向量表示作为聚类算法的输入，通过节点相似性聚类算法得到节点的层级划分结果。
即将步骤(3)得到的节点向量表示作为k-means聚类算法的输入，将局部拓扑结构相似的节点聚为一类，得到节点的层级划分结果，并输出。
实施例1
下面再以举例的方式对本发明的实施方法做进一步的说明。
(1)节点表示
该部分是按照采样深度，以要表示的中心节点为原始节点向外进行拓扑结构采样，并为每个节点生成该点所在位置的拓扑结构特征表示。
进行逐层拓扑结构采样的时候，以中心节点为原点，中心节点的一阶邻居(直接相连的点)是深度为1的采样层，二阶邻居为深度为2的采样层，与二阶邻居相连的点为深度为3的采样层，以此类推。在逐层向外延伸采样的时候，将扩展到的每一层的节点用节点的度和层次隶属度进行表示，节点的度即绝对特征，隶属度则是相对特征。具体隶属度定义由下文的内联边数进行表示。所以本方法所获取节点的拓扑结构特征可以对节点在网络中的层级进行区分，即若按照树的形式对网络进行表示，在去中心化(即可以存在多个中心)的前提下，节点在网络中所处的层级划分。
以图2所示节点局部拓扑结构示意图为例，图中黑色节点为所要表示的中心节点，竖条纹节点(黑色中心节点的直接邻居)是离中心黑色节点深度k＝1时采样到的节点，空白节点(竖条纹节点的直接邻居，黑色中心节点的间接邻居)是离中心黑色节点深度k＝2时的采样到的节点，横条纹节点为k＝3时采样到的节点，方格节点为k＝4时采样到的节点。需要注意的是，若一个节点在第k层和第k+1层均能采样到，则取第k层为该节点的最终所属的层数，按照就近原则，每个节点只属于一层，在不同的层次之间，不允许存在重复的节点。
在此处，使用元组(degree,in-edge)表示在以某个节点向外扩展时，采样到的其他节点。其中degree表示该节点的度，in-edge表示内联边数，即该节点(被扩展节点)与同层节点相连的边的数目。可以知道的是，在同一个无权无向图中节点的度是不会改变的，所以是绝对特征；内联边数即为相对特征。
同时定义Sk(vc)是一个上文定义的元组(degree,in-edge)构成的集合，集合中的元组是在以vc为中心节点时，扩展到深度k时所包含的节点生成的元组，即示意图2中相同填充图案的节点对应的元组构成的集合。且定义集合中的元素为有序元素，按照元组中的第一个元素进行升序排序，排序的次关键字为元组中的第二个元素，同样是按照升序排列。
在扩展扫描过程中，需要对原始图中的每个节点均进行以该节点为中心的逐层扩展延伸采样，对采样到的每个点使用上文提到的元组(degree,in-edge)来表示，所以在以某个点vc为中心进行整个扩展扫描过程中，会得到一个集合
Figure BDA0002221609520000061
称这个集合为节点vc的拓扑特征表示集合。
(2)二次图构建
定义函数distance(v,u)表示最终求得任意两个节点v,u周围拓扑结构之间的差异程度，该差异程度使用以两点v,u的特征表示集合Fv，Fu之中的元素排列成的有序序列之间的距离表示。所以可以得到公式(2)。
Figure BDA0002221609520000071
(v,u∈V,v≠u,Si(v)∈Fv,Si(u)∈Fu)
定义函数dist(S(v),S(u))表示两个元组集合S(v),S(u)中的元素形成的有序序列之间的距离，采用的序列计算方法是DTW(Dynamic Time Wrapping)方法，该方法的目的是判断两个序列之间的最小匹配距离。实际中，使用的是FastDTW算法在提高速度的同时又能最大程度的保证准确性。用这个最小距离作为两个有序元组集合之间的差异度。根据DTW算法的思想，需要对序列中任意两个元素之间的差值给出计算的定义式。由于序列中的单个元素是元组，所以使用一个比例系数β，用来确定最终的距离是偏重于节点的度还是节点的内联边数。
所以下面给出元组元素差值定义函数，如公式(3)所示。
Figure BDA0002221609520000072
其中，函数d表示两个元组的差值，a,b分别表示不同的元组，则a1表示取元组的第一个元素，a2表示取元组的第二个元素，对于b同样适应。abs()是数学中的绝对值函数。
在此基础上，构建二次图。该图是一个节点关系图，是一个完全图，其中两点之间权重wuv＝wvu表示两个节点之间通过前面的表示得到的局部拓扑结构之间的相似度，具体计算方式如公式(4)所示。
wuv＝exp(-distance(u,v)) (4)
通过上式可以将两个节点之间的绝对距离通过自然指数映射为[0.1]区间的相似度。
(3)向量学习
此部分在前面生成的二次图上通过概率随机游走的方式获得与自然语言类似的节点序列；并通过word2vec方法中的Skip-Gram方式从节点序列中学习得到节点的向量嵌入，且在拓扑结构上相似的两个节点在向量空间里距离相近。
在游走之前，本实施例对算法的实践进行了适当的改进，将前文生成的二次图中的边权重通过权重标准化的方式，将与某个节点与其他节点相连的权重根据所有相连权重中最大值和最小值映射为[0,1]之间的数值，这样会使得二次图N中权重矩阵变为非对称矩阵。但是这个符合在概率随机游走的时候进行概率选择的实际情况，即u点从自己的邻居中选择v点的概率和v点从邻居中选择u点的概率是不同的，都是相对于节点自己所有邻居节点而言的。
同时通过加入权重采样阈值γ的方式，将权重小于γ的边去除，既能达到对复杂的二次图进行噪音去除的作用，又能将图的复杂度降低，使得在进行随机游走的时候减少多余的选择，降低算法运行时间。
(4)节点相似性聚类
将前面生成的节点向量表示作为k-means聚类算法的输入，得到节点的层级划分结果。
实施例2
本实施例提供基于网络表示学习的组织层级划分方法的应用。该方法能够利用与某些异常账户相关的金融交易流水信息构成的金融交易网络数据，使用网络表示学习方法自适应得到网络节点的拓扑结构向量表示，通过K-means等方法进行节点相似性聚类，得到组织层级划分结果。
本发明提出的组织层级划分方法能够基于网络节点的局部拓扑结构信息自适应生成网络节点的向量表示，进而将层级结构中相似的节点聚为一类。利用金融交易网络信息和网络节点的拓扑结构信息，能够取得很好的组织层级划分效果。在金融交易网络中，用于确定交易主体(一般为账户)在整个交易网络中所处的层级位置，有效的帮助分析网络的整体结构，辅助经济侦查。随着更多金融交易数据的出现，交易网络中节点局部拓扑结构得到进一步完善，节点的表示更加准确，组织层级划分结果也会更加准确。
此外，本发明的应用范围包括政治、经济、文化、医疗等各领域中网络数据的节点向量化表示，并将其用于分析网络的整体结构，确定网络中组织的层级结构和每个节点所处的层次，应用前景十分广泛。
当然，上述说明并非是对本发明的限制，本发明也并不限于上述举例，本技术领域的普通技术人员，在本发明的实质范围内，做出的变化、改型、添加或替换，都应属于本发明的保护范围。

Claims (7)

1.一种基于网络表示学习的组织层级划分方法，其特征在于，包括以下步骤：
一、基于层次拓扑结构特征的网络节点表示学习方法，获得节点向量表示；
二、将步骤一得到的节点向量表示作为聚类算法的输入，通过节点相似性聚类算法得到节点的层级划分结果。
2.根据权利要求1所述的基于网络表示学习的组织层级划分方法，其特征在于，步骤一中，具体方法是：
(1)节点表示：对网络中任意一个节点，以该节点为中心，沿着原始图G＝(V,E)中存在的边向外逐层扩展的方式获得该节点所在位置的局部范围内的节点信息，并将这些节点信息进行表示以获取该中心节点所在位置的局部拓扑结构信息，表示时采用逐层节点的绝对特征和相对特征两种方式来表示；
(2)二次图构建：计算图中的任意两个节点之间的距离，并依据此构建一个全新的包含原来所有节点的二次图，并将该距离通过相似度函数映射为二次图中两点之间的边权重，再以每个点自身为标准对与该点相连的所有权重进行归一化处理，之后根据权重阈值进行剪枝处理；
(3)向量学习：利用随机游走算法学习节点向量。
3.根据权利要求2所述的基于网络表示学习的组织层级划分方法，其特征在于，步骤(1)节点表示时，输入原始图G＝(V,E)、拓扑结构采样深度k和节点类别数kind；对于每一个节点，获取该节点的层次拓扑结构特征，将所有节点的特征构成特征表示集合F；
其中，原始图G＝(V,E)是一个无权无向图，其中V＝{v1,v2,v3,…,vn}表示图中节点的集合，E＝[eij]n×n,1≤i,j≤n，表示图G的邻接矩阵，若vi和vj节点之间有一条边，则eij＝eji＝1，若无连边，则eij＝eji＝0；
采样深度k，表示以某个节点为中心向外逐层扩展采样时，对拓扑结构采样的最大深度。
4.根据权利要求3所述的基于网络表示学习的组织层级划分方法，其特征在于，步骤(2)二次图构建时，根据步骤(1)获得的节点的层次拓扑结构特征计算任意两个节点之间的距离，并将该距离转化为节点之间相似度权值w；剪枝处理时，小于阈值的权值被置为0，将无权图转化为有权图。
5.根据权利要求4所述的基于网络表示学习的组织层级划分方法，其特征在于，步骤(3)向量学习时，在二次图上，以每个节点为起点，沿最终的权重边进行偏随机游走，生成以该节点为起始的节点序列；然后借鉴自然语言中的词嵌入方法Skip-Gram方式对序列进行节点向量的学习，将局部拓扑结构的信息融入到节点的向量表示中。
6.根据权利要求5所述的基于网络表示学习的组织层级划分方法，其特征在于，将步骤(3)得到的节点向量表示作为k-means聚类算法的输入，将局部拓扑结构相似的节点聚为一类，得到节点的层级划分结果，并输出。
7.权利要求6所述的基于网络表示学习的组织层级划分方法的应用，其特征在于，在金融交易网络中，用于确定交易主体在整个交易网络中所处的层级位置，有效的帮助分析网络的整体结构，辅助经济侦查。
CN201910936020.2A 2019-09-29 2019-09-29 一种基于网络表示学习的组织层级划分方法及其应用 Active CN110704694B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910936020.2A CN110704694B (zh) 2019-09-29 2019-09-29 一种基于网络表示学习的组织层级划分方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910936020.2A CN110704694B (zh) 2019-09-29 2019-09-29 一种基于网络表示学习的组织层级划分方法及其应用

Publications (2)

Publication Number Publication Date
CN110704694A true CN110704694A (zh) 2020-01-17
CN110704694B CN110704694B (zh) 2021-12-31

Family

ID=69197325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910936020.2A Active CN110704694B (zh) 2019-09-29 2019-09-29 一种基于网络表示学习的组织层级划分方法及其应用

Country Status (1)

Country Link
CN (1) CN110704694B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111489192A (zh) * 2020-03-27 2020-08-04 北京理工大学 融合ict供应链网络拓扑特征的产品份额趋势预测方法
CN111953535A (zh) * 2020-07-31 2020-11-17 鹏城实验室 一种网络故障定位方法、终端及存储介质
CN112150285A (zh) * 2020-09-23 2020-12-29 哈尔滨工业大学（威海） 一种基于邻域拓扑结构的异常金融组织层次划分系统及其工作方法
CN113033669A (zh) * 2021-03-29 2021-06-25 东北大学 一种基于可学习的特征图过滤与图注意力网络的视觉场景识别方法
CN113742538A (zh) * 2021-07-16 2021-12-03 深圳云天励飞技术股份有限公司 基于图层级的业务分析方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180121358A1 (en) * 2014-11-20 2018-05-03 International Business Machines Corp Configuration based cache coherency protocol selection
CN108009575A (zh) * 2017-11-28 2018-05-08 武汉大学 一种用于复杂网络的社区发现方法
CN108628967A (zh) * 2018-04-23 2018-10-09 西安交通大学 一种基于学习生成网络相似度的网络学习群组划分方法
CN109919296A (zh) * 2017-12-12 2019-06-21 杭州海康威视数字技术股份有限公司 一种深度神经网络训练方法、装置及计算机设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180121358A1 (en) * 2014-11-20 2018-05-03 International Business Machines Corp Configuration based cache coherency protocol selection
CN108009575A (zh) * 2017-11-28 2018-05-08 武汉大学 一种用于复杂网络的社区发现方法
CN109919296A (zh) * 2017-12-12 2019-06-21 杭州海康威视数字技术股份有限公司 一种深度神经网络训练方法、装置及计算机设备
CN108628967A (zh) * 2018-04-23 2018-10-09 西安交通大学 一种基于学习生成网络相似度的网络学习群组划分方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YOSHUA BENGIO等: "Representation Learning: A Review and New Perspectives", 《 IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
吕芳等: "银行账户交易复杂网络特性分析", 《网络与信息安全学报》 *
武海燕: "基于隐含社团预测的社交网络约简方法", 《计算机工程与设计》 *
韩忠明等: "基于节点向量表达的复杂网络社区划分算法", 《软件学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111489192A (zh) * 2020-03-27 2020-08-04 北京理工大学 融合ict供应链网络拓扑特征的产品份额趋势预测方法
CN111953535A (zh) * 2020-07-31 2020-11-17 鹏城实验室 一种网络故障定位方法、终端及存储介质
CN112150285A (zh) * 2020-09-23 2020-12-29 哈尔滨工业大学（威海） 一种基于邻域拓扑结构的异常金融组织层次划分系统及其工作方法
CN112150285B (zh) * 2020-09-23 2022-10-04 哈尔滨工业大学（威海） 基于邻域拓扑结构的异常金融组织层次划分系统及方法
CN113033669A (zh) * 2021-03-29 2021-06-25 东北大学 一种基于可学习的特征图过滤与图注意力网络的视觉场景识别方法
CN113033669B (zh) * 2021-03-29 2024-05-14 东北大学 一种基于可学习的特征图过滤与图注意力网络的视觉场景识别方法
CN113742538A (zh) * 2021-07-16 2021-12-03 深圳云天励飞技术股份有限公司 基于图层级的业务分析方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN110704694B (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN110704694B (zh) 一种基于网络表示学习的组织层级划分方法及其应用
Amini et al. On density-based data streams clustering algorithms: A survey
Rodriguez et al. Patent clustering and outlier ranking methodologies for attributed patent citation networks for technology opportunity discovery
CN109344285A (zh) 一种面向监控的视频图谱构建和挖掘方法、设备
CN113283909B (zh) 一种基于深度学习的以太坊钓鱼账户检测方法
CN112182306B (zh) 一种基于不确定图的社区发现方法
CN105825430A (zh) 一种基于异构社会网络的检测方法
CN111861756A (zh) 一种基于金融交易网络的团伙检测方法及其实现装置
De Runz et al. Unsupervised visual data mining using self-organizing maps and a data-driven color mapping
CN113641906A (zh) 基于资金交易关系数据实现相似目标人员识别处理的系统、方法、装置、处理器及其介质
CN115796331A (zh) 基于多模态城市知识图谱的城市资源预测方法及系统
CN115114484A (zh) 异常事件检测方法、装置、计算机设备和存储介质
Cai et al. Stereo attention cross-decoupling fusion-guided federated neural learning for hyperspectral image classification
CN114116957A (zh) 一种基于知识图谱的电磁信息泄漏智能分析方法
CN112685272A (zh) 一种具备可解释性的用户行为异常检测方法
CN115225373B (zh) 一种信息不完备条件下的网络空间安全态势表达方法及装置
CN112150285B (zh) 基于邻域拓扑结构的异常金融组织层次划分系统及方法
Haouas et al. Fusion of spatial autocorrelation and spectral data for remote sensing image classification
Shah et al. A Three-Way Clustering Mechanism to Handle Overlapping Regions
Aytaç Relevant graph concepts for big data
Imran et al. A novel algorithm for class imbalance learning on big data using under sampling technique
Rathore et al. ConiVAT: Cluster tendency assessment and clustering with partial background knowledge
Yang et al. Classification of 10 m-resolution SPOT data using a combined Bayesian Network Classifier-shape adaptive neighborhood method
Kiss et al. Econometrics of networks with machine learning
Akhavan et al. A graph-based feature selection using class-feature association map (CFAM)

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Wei

Inventor after: Xin Guodong

Inventor after: Han Yunpeng

Inventor after: Huang Junheng

Inventor after: Wang Bailing

Inventor after: Wei Yuliang

Inventor before: Wang Wei

Inventor before: Han Yunpeng

Inventor before: Xin Guodong

Inventor before: Huang Junheng

Inventor before: Wang Bailing

Inventor before: Wei Yuliang

GR01 Patent grant
GR01 Patent grant