CN110851655B - 一种用于简化复杂网络的方法和系统 - Google Patents
一种用于简化复杂网络的方法和系统 Download PDFInfo
- Publication number
- CN110851655B CN110851655B CN201911091829.6A CN201911091829A CN110851655B CN 110851655 B CN110851655 B CN 110851655B CN 201911091829 A CN201911091829 A CN 201911091829A CN 110851655 B CN110851655 B CN 110851655B
- Authority
- CN
- China
- Prior art keywords
- nodes
- node
- network
- groups
- vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 98
- 230000005484 gravity Effects 0.000 claims abstract description 26
- 108010015046 cell aggregation factors Proteins 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 238000005295 random walk Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000013522 software testing Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
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)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种用于简化网络中的多个节点的方法,包括:从所述多个节点中的每个节点出发,按照所述网络中的边选取预定数量的节点,以提取与所述选取操作对应的所述每个节点的至少两个序列向量;基于所述至少两个序列向量生成所述每个节点的频率向量,并基于所述频率向量、按照预定算法将所述多个节点划分为至少两个群组;基于所述频率向量计算所述至少两个群组中的每个群组的重心,并基于所述重心计算在所述每个群组中的每一个节点的聚合因子;以及基于位于所述至少两个群组的不同群组中的任意两个节点之间的边的边属性值向量和所述任意两个节点的聚合因子加权计算所述不同群组之间的边的边属性值向量。
Description
技术领域
本发明涉及计算机图谱网络领域,尤其涉及一种用于简化复杂网络的方法和系统。
背景技术
目前,随着数据量的增大,适用于不同应用场景的计算机网络日趋复杂。例如,在金融交易场景中,包含数目庞大的节点和关联关系的图谱网络(在本文中简称为“网络”)对于分析用户的行为以进行风险控制带来了很大的挑战。依靠传统的经验来对用户的关联关系的分析已经很难在复杂的网络下有效进行。
发明内容
本发明的实施例提供了一种能够简化复杂的网络的方法和系统。
本发明的一个方面提供了一种用于简化网络中的多个节点的方法,包括:从所述多个节点中的每个节点出发,按照所述网络中的边选取预定数量的节点,以提取与所述选取操作对应的所述每个节点的至少两个序列向量;基于所述至少两个序列向量生成所述每个节点的频率向量,并基于所述频率向量、按照预定算法将所述多个节点划分为至少两个群组;基于所述频率向量计算所述至少两个群组中的每个群组的重心,并基于所述重心计算在所述每个群组中的每一个节点的聚合因子;以及基于位于所述至少两个群组的不同群组中的任意两个节点之间的边的边属性值向量和所述任意两个节点的聚合因子加权计算所述不同群组之间的边的边属性值向量。
本发明的另一个方面提供了一种用于简化网络中的多个节点的系统,包括:用于从所述多个节点中的每个节点出发,按照所述网络中的边选取预定数量的节点,以提取与所述选取操作对应的所述每个节点的至少两个序列向量的装置;用于基于所述至少两个序列向量生成所述每个节点的频率向量,并基于所述频率向量、按照预定算法将所述多个节点划分为至少两个群组的装置;用于基于所述频率向量计算所述至少两个群组中的每个群组的重心,并基于所述重心计算在所述每个群组中的每一个节点的聚合因子的装置;以及用于基于位于所述至少两个群组中的不同群组的任意两个节点之间的边的边属性值向量和所述在任意两个节点的聚合因子加权计算所述不同群组之间的边的边属性值向量的装置。
本发明的又一个方面提供了一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令被计算机执行时能够执行根据本发明的实施例所述的方法。
本发明的实施例能够简化复杂的网络。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1示出了根据本发明实施例的在网络中进行随机游走操作的示意图。
图2示出了根据本发明实施例的基于序列向量生成频率向量并且再基于频率向量聚合节点的示意图。
图3示出了根据本发明实施例的聚合位于不同群组中的节点的边的示意图。
图4示出了根据本发明的一个实施例的简化异质网络的过程的示意图。
图5示出了根据本发明的另一个实施例的简化异质网络的效果的示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
下面结合附图对本发明的具体实施方式进行详细描述。
本发明提出了一种简化网络中的节点的方法,包括以下步骤:
(1)生成网络中的每个节点的序列向量
网络中可以包含许多节点。在本领域中,如果一网络中的节点具有相同的属性,则称该网络为同质网络,如果一网络中的节点具有不同的属性,则称该网络为异质网络。在本发明的一些实施例中,对于异质网络,本发明的方案可以将具有不同属性的节点划分成不同的集群。因此,每个集群内的节点都可以被看作是构成同质网络的节点。
在本发明中,对于一个同质网络,从每一个节点出发,随机向有边连接的节点游走N步,并且随机游走M次。因此形成了M条包含N个节点的随机生成的序列向量。在全部K个节点都随机游走M次后,则形成了K*M条包含N个节点的随机生成的序列向量。在本发明的一些实施例中,可以利用one-hot encoding的编码方法生成序列向量。
例如,参见图1,该网络包含七个节点,序列向量的维度为七。从1号节点出发,随机游走了5步并且可以随机游走两次或更多次。第一次游走的路径是1-2-3-4-5,第一次游走的路径是1-6-7-2-3。由于第一次游走的路径没有游走到6和7号节点,因此所生成的序列向量为1111100。同理,由于第一次游走的路径没有游走到4和5号节点,因此所生成的序列向量为1110011。
(2)基于序列向量生成频率向量并聚合节点
对于每一个节点,可以对其M个序列向量进行维度(即,向量中的位)的频率统计,以获得该节点的频率向量Ei。在本发明的一些实施例中,可以遍历所有节点生成包含所有节点的频率向量的频率向量空间。
例如,参见图2,1号节点的两个序列向量为1111100和1110011,那么1号节点的频率向量的每一位都取两个序列向量的对应位的平均值。例如,第一个序列向量的第4-7位是1100并且第二个序列向量的第4-7位为0011,那么频率向量的第4-7位均为0.5。即在频率向量的第4-7位的每一位上,都是(1+0)/2。
以此类推,每个节点都可以生成自己的频率向量。所有节点的频率向量可以在存储在一起,形成频率向量空间。
在本发明中,可以接着采用基于密度的聚类方法,将每个节点的频率向量Ei进行聚类,即将相似度较高的节点划分到一个群组中。每个同质网络可以划分出多个群组。在本发明的一些实施例中,可以采用基于密度的DBSCAN聚类算法。即,该算法是将节点的频率向量作为输入,然后将频率向量接近的节点汇聚至同一群组,最终输出所有节点所在的群组编号值。在一些实施例中,该群组编号值可以添加到每个节点的频率向量中。在本发明的一些实施例中,还可以采用KMEANS聚类算法。
(3)计算每个群组的重心并计算每个节点在群组中的聚合因子
在本发明中,节点被划分到不同群组。然后,对于被划分到某群组的节点,可以根据该节点的频率向量获取其在该群组的重心。接着可以根据各节点到群组重心的距离确定群组内各节点的聚合因子,记为η。聚合因子表征第h群组的各节点在群组中的权重。例如,某个节点离重心更近,则其聚合因子更大。
在本发明的一些实施例中,对于被划分到群组h的节点i,其频率向量为Ei,具体向量值可以表示为[ei1,ei2,ei3,ei4,…,eik]。若群组h内共包括j个节点,则集群内节点的向量重心为:
各节点至重心的距离可以根据如下求平方和的方法计算:
在获得群组h内各节点到重心的距离Di后,可以对距离Di进行归一化,从而得到各节点相对于重心的权重,即聚合因子。聚合因子可以通过如下公式得出:
ηih=1-Di/Di-max
其中,ηih大于0且小于1。当群组中的一个节点更靠近重心时,其聚合因子更接近于1。
在本发明的一些实施例中,群组的重心是该群组内各节点聚合后形成的代表该群组的节点。
(4)聚合在不同群组中的节点的边
在本发明中,可以根据聚合因子简化位于不同群组中的节点的边。对于一个同质网络,通常通过三元组的方式对节点与边的关系进行表征。例如,对于一个三元组中的节点i和j,其边属性值向量为Lij=[Lij1,Lij2,...,Lijq]。两个节点之间存在边属性值向量即表示两个节点之间存在边。
在本发明的一些实施例中,边属性值向量中的各项边属性值可以表示不同的边属性。例如,在金融交易场景中,第一项边属性值可以表示两个节点所交易的金额,第二项边属性值可以表示两个节点进行交易的时间等。
在整个网络中可以存在许多包括节点-边-节点的三元组。在一些实施例中,在将所有节点聚合成若干群组后,各群组内的节点与它们之间的边所形成的三元组需要被排除,这是因为这些三元组对表示各群组之间的关系而言没有实际意义。
在本发明的一些实施例中,在一个网络中划分出群组以后,假设网络中的一个节点i位于群组h1内,节点i的聚合因子ηih1,而另一个节点j位于群组h2内,节点j的聚合因子ηjh2。通过加权的方式对边进行聚合(即对边属性值向量中的各项进行聚合)。以h1和h2群组内的节点聚合为例,将h1和h2群组之间的每一条边的各项边属性值通过聚合因子而加权并累加,可以形成新的聚合后的各个边属性值,从而获取新的属于群组h1和h2之间的边属性值向量。具体公式如下:
在本发明的一些实施例中,表示时间属性的边属性值不进行上述加权和累加计算,而是按照时间的先后顺序放在聚合后的边属性值向量中。
如图3所示,群组h1原有四个节点,其中有两个节点与群组h2中的两个节点之间存在边,群组h1的另外两个节点与群组h3中的两个节点之间存在边。经过边的聚合以后,群组h1分别与群组h2和h3之间只存在一条边。
下面将要描述在一个金融交易场景中实施上述简化网络中的节点的方法的实施例。
参照图4,其示出了一种表示金融交易场景的简单模型。该金融交易场景是一种移动支付场景,其对应的移动支付网络包括持卡人手机号节点、持卡人银行卡节点、持卡人设备节点以及商户节点。该网络为异质网络。
对于异质网络,首先对具有同样属性的节点进行聚合。在本实施例中,先对持卡人相似节点进行有效聚合,具体操作如下:
(1)可以根据网络中的数据建立一张表,该表例如包括这样字段:手机号-卡号-设备号-商户号。
该字段可以被拆分成多个三元组,例如:手机号—商户号—交易信息边(具有交易属性)、手机号—银行卡号—关联信息边(具有关联属性)、手机号—设备号—关联信息边、银行卡号—设备号—关联信息边等。根据边的属性可以将银行卡号、设备号、手机号归类为持卡人类节点,并可以将商户号归类为商户类节点。
参见图4,在由手机号1、手机号2、银行卡号1和设备号1构成的群组中,可以例如游走出这样的路径:手机号1-银行卡号1-设备号1、手机号1-银行卡号1-手机号2等。依照前述本发明的方法,可以获取各节点的频率向量,在此基础上,可以利用聚类算法将各节点划分至不同群组。在本实施例中,由于该简单模型中网络的节点数较少,在按属性聚合后的节点恰好能放到一个群组中,因此本实施例中的群组等于集群。
参见图4,包括手机号1、手机号2、银行卡号1和设备号1的群组1、以及群组2和3均与一个商户号节点之间存在边。在依照前述本发明的方法、经过对群组重心的计算以及对边的聚合以后,可以将群组1、群组2和群组3分别简化为一个节点。这样便于对简化后的网络进行分析。例如,可以将群组1视为两个手机号绑定到一张银行卡上,并且两个手机号对应的手机卡在同一个设备上。
下面将描述采用本发明的方法后能够实现的效果。
参见图5,在图5左边的原始网络中,共有15个节点和18条边。该原始网络可以例如表示多个银行卡之间的转账交易。在经过对节点的聚合以后,可以将两个群组分别形成两个节点。还可以对边进行聚合,例如,聚合与群组外的节点存在边的各节点的边属性值(如,交易金额、时间等)。最后,形成了在图5右边的包含6个节点和6条边的网络。因此,通过本发明的方法可以有效降低网络的复杂程度,这对于网络的后续分析和数据挖掘是极为有利的。
本发明的一个方面是一种系统,该系统包括能够实施本发明各实施例中的方法所包含的各步骤的装置。
本发明的另一个方面是一种计算机可读介质,其上存储有计算机可读指令,所述指令被执行时可实施本发明各实施例的方法。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在用户计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,尽管在附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
应当注意,尽管在上文详细描述中提及了用于软件测试的若干装置及子装置,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多装置的特征和功能可以在一个装置中具体化。反之,上文描述的一个装置的特征和功能可以进一步划分为由多个装置来具体化。
虽然已经参考若干具体实施方式描述了本发明的精神和原理,但是应该理解,本发明并不限于所公开的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合以进行受益,这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (15)
1.一种用于简化网络中的多个节点的方法,应用于移动支付场景,所述网络为移动支付网络,包括:持卡人手机号节点、持卡人银行卡节点、持卡人设备节点以及商户节点,所述方法包括:
从所述多个节点中的每个节点出发,按照所述网络中的边选取预定数量的节点,以提取与所述选取操作对应的所述每个节点的至少两个序列向量;其中,从每一个节点出发,随机向有边连接的节点游走N步,并且随机游走M次,形成了M条包含N个节点的随机生成的序列向量,所述M、N为大于等于2的正整数;
基于所述至少两个序列向量生成所述每个节点的频率向量,并基于所述频率向量、按照预定算法将所述多个节点划分为至少两个群组;
基于所述频率向量计算所述至少两个群组中的每个群组的重心,并基于所述重心计算在所述每个群组中的每一个节点的聚合因子;和
根据所述聚合因子简化位于不同群组中的节点的边,其中,基于位于所述至少两个群组的不同群组中的任意两个节点之间的边的边属性值向量和所述任意两个节点的聚合因子加权并累加计算所述不同群组之间的边的边属性值向量,得到聚合后的各个边属性值,所述边属性值与交易金额和/或交易时间相关;
经过对群组重心的计算以及对边的聚合以后,将至少两个群组分别简化为一个节点。
2.根据权利要求1所述的方法,其中,所述按照所述网络中的边选取预定数量的节点的步骤包括按照所述网络中的边以随机游走的方式选取预定数量的节点。
3.根据权利要求1所述的方法,其中,所述预定算法包括DBSCAN聚类算法和KMEANS聚类算法中的一种。
4.根据权利要求1所述的方法,其中,所述基于所述至少两个序列向量生成所述每个节点的频率向量的步骤包括:将所述至少两个序列向量的每一维度的平均值作为所述频率向量的每一维度的值,从而生成所述频率向量。
5.根据权利要求1所述的方法,其中,所述基于所述频率向量计算所述至少两个群组中的每个群组的重心的步骤包括:将所述每个群组中的所有节点的频率向量的每一维度的平均值作为所述重心的每一维度的值,从而生成所述重心的向量。
6.根据权利要求1所述的方法,其中,所述基于所述重心计算在所述每个群组中的每一个节点的聚合因子的步骤包括:
计算在所述每个群组中的每一个节点到所述重心的距离;和
根据所述距离确定在所述每个群组中的每一个节点的聚合因子,
其中,所述聚合因子表示所述每一个节点在所述每个群组中的权重。
7.一种用于简化网络中的多个节点的方法,应用于移动支付场景,所述网络为移动支付网络,包括:持卡人手机号节点、持卡人银行卡节点、持卡人设备节点以及商户节点,所述方法包括:
将所述多个节点中的彼此之间具有预定边属性值的边的节点确定为具有相同属性的节点;和
将所述具有相同属性的节点划分到同一集群中,接着在每个集群中执行如权利要求1-6中任一项所述的方法。
8.一种用于简化网络中的多个节点的系统,应用于移动支付场景,所述网络为移动支付网络,包括:持卡人手机号节点、持卡人银行卡节点、持卡人设备节点以及商户节点,所述系统包括:
用于从所述多个节点中的每个节点出发,按照所述网络中的边选取预定数量的节点,以提取与所述选取操作对应的所述每个节点的至少两个序列向量的装置,其中,从每一个节点出发,随机向有边连接的节点游走N步,并且随机游走M次,形成了M条包含N个节点的随机生成的序列向量,所述M、N为大于等于2的正整数;
用于基于所述至少两个序列向量生成所述每个节点的频率向量,并基于所述频率向量、按照预定算法将所述多个节点划分为至少两个群组的装置;
用于基于所述频率向量计算所述至少两个群组中的每个群组的重心,并基于所述重心计算在所述每个群组中的每一个节点的聚合因子的装置;和
用于根据所述聚合因子简化位于不同群组中的节点,其中基于位于所述至少两个群组的不同群组中的任意两个节点之间的边的边属性值向量和所述任意两个节点的聚合因子加权并累加计算所述不同群组之间的边的边属性值向量,得到聚合后的各个边属性值,所述边属性值与交易金额和/或交易时间相关;
用于经过对群组重心的计算以及对边的聚合以后,将至少两个群组分别简化为一个节点的装置。
9.根据权利要求8所述的系统,其中,所述用于从所述多个节点中的每个节点出发,按照所述网络中的边选取预定数量的节点,以提取与所述选取操作对应的所述每个节点的至少两个序列向量的装置能够按照所述网络中的边以随机游走的方式选取预定数量的节点。
10.根据权利要求8所述的系统,其中,所述预定算法包括DBSCAN聚类算法和KMEANS聚类算法中的一种。
11.根据权利要求8所述的系统,其中,所述用于基于所述至少两个序列向量生成所述每个节点的频率向量,并基于所述频率向量、按照预定算法将所述多个节点划分为至少两个群组的装置还包括:用于将所述至少两个序列向量的每一维度的平均值作为所述频率向量的每一维度的值,从而生成所述频率向量的装置。
12.根据权利要求8所述的系统,其中,所述用于基于所述频率向量计算所述至少两个群组中的每个群组的重心,并基于所述重心计算在所述每个群组的每一个节点的聚合因子的装置还包括:用于将所述每个群组中的所有节点的频率向量的每一维度的平均值作为所述重心的每一维度的值,从而生成所述重心的向量的装置。
13.根据权利要求8所述的系统,其中,所述用于基于所述频率向量计算所述至少两个群组中的每个群组的重心,并基于所述重心计算在所述每个群组中的每一个节点的聚合因子的装置还包括:
用于计算在所述每个群组中的每一个节点到所述重心的距离的装置;和
用于根据所述距离确定在所述每个群组中的每一个节点的聚合因子的装置,
其中,所述聚合因子表示所述每一个节点在所述每个群组中的权重。
14.一种用于简化网络中的多个节点的系统,应用于移动支付场景,所述网络为移动支付网络,包括:持卡人手机号节点、持卡人银行卡节点、持卡人设备节点以及商户节点,所述系统包括:
用于将所述多个节点中的彼此之间具有预定边属性值的边的节点确定为具有相同属性的节点的装置;和
用于将所述具有相同属性的节点划分到同一集群中,接着在每个集群中执行如权利要求1-6中任一项所述的方法的装置。
15.一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令被计算机执行时能够执行如权利要求1-6中任意之一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911091829.6A CN110851655B (zh) | 2019-11-07 | 2019-11-07 | 一种用于简化复杂网络的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911091829.6A CN110851655B (zh) | 2019-11-07 | 2019-11-07 | 一种用于简化复杂网络的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110851655A CN110851655A (zh) | 2020-02-28 |
CN110851655B true CN110851655B (zh) | 2024-05-17 |
Family
ID=69600944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911091829.6A Active CN110851655B (zh) | 2019-11-07 | 2019-11-07 | 一种用于简化复杂网络的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110851655B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801499B (zh) * | 2021-01-26 | 2023-10-27 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种适用于水-能源-粮食社会经济复杂网络系统的降维分析方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354749A (zh) * | 2015-10-16 | 2016-02-24 | 重庆邮电大学 | 一种基于社会网络的移动终端用户分组方法 |
CN107392782A (zh) * | 2017-06-29 | 2017-11-24 | 上海斐讯数据通信技术有限公司 | 基于word2Vec的社团构建方法、装置及计算机处理设备 |
CN108880846A (zh) * | 2017-05-16 | 2018-11-23 | 清华大学 | 为网络中节点确定向量表示形式的方法及装置 |
CN109951377A (zh) * | 2019-03-20 | 2019-06-28 | 西安电子科技大学 | 一种好友分组方法、装置、计算机设备和存储介质 |
CN110060735A (zh) * | 2019-04-04 | 2019-07-26 | 福建师范大学 | 一种基于k-mer组群分割的生物序列聚类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6757913B2 (ja) * | 2016-02-26 | 2020-09-23 | 国立研究開発法人情報通信研究機構 | 画像クラスタリングシステム、画像クラスタリング方法、画像クラスタリングプログラム、および、コミュニティ構造検出システム |
-
2019
- 2019-11-07 CN CN201911091829.6A patent/CN110851655B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354749A (zh) * | 2015-10-16 | 2016-02-24 | 重庆邮电大学 | 一种基于社会网络的移动终端用户分组方法 |
CN108880846A (zh) * | 2017-05-16 | 2018-11-23 | 清华大学 | 为网络中节点确定向量表示形式的方法及装置 |
CN107392782A (zh) * | 2017-06-29 | 2017-11-24 | 上海斐讯数据通信技术有限公司 | 基于word2Vec的社团构建方法、装置及计算机处理设备 |
CN109951377A (zh) * | 2019-03-20 | 2019-06-28 | 西安电子科技大学 | 一种好友分组方法、装置、计算机设备和存储介质 |
CN110060735A (zh) * | 2019-04-04 | 2019-07-26 | 福建师范大学 | 一种基于k-mer组群分割的生物序列聚类方法 |
Non-Patent Citations (1)
Title |
---|
韩忠明等.基于节点向量表达的复杂网络社团划分算法.《软件学报》.2019,第30卷(第04期),1045-1061. * |
Also Published As
Publication number | Publication date |
---|---|
CN110851655A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363449B (zh) | 一种风险识别方法、装置及系统 | |
Guo et al. | An embedding learning framework for numerical features in ctr prediction | |
Acampora et al. | A hybrid evolutionary approach for solving the ontology alignment problem | |
Yao et al. | RDAM: A reinforcement learning based dynamic attribute matrix representation for virtual network embedding | |
JP2018526704A (ja) | 効率的な請求処理のための動的トポロジカルシステム及び方法 | |
CN104077723B (zh) | 一种社交网络推荐系统及方法 | |
CN110414987A (zh) | 账户集合的识别方法、装置和计算机系统 | |
CN113609345B (zh) | 目标对象关联方法和装置、计算设备以及存储介质 | |
CN112785005B (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN110428139A (zh) | 基于标签传播的信息预测方法及装置 | |
WO2022237175A1 (zh) | 图数据的处理方法、装置、设备、存储介质及程序产品 | |
WO2023165271A1 (zh) | 知识图谱的构建、和图计算 | |
CN110163245A (zh) | 业务类别预测方法及系统 | |
CN110851655B (zh) | 一种用于简化复杂网络的方法和系统 | |
Lee et al. | When costs are unequal and unknown: A subtree grafting approach for unbalanced data classification | |
CN104035978A (zh) | 社团发现方法及系统 | |
CN109213801A (zh) | 基于关联关系的数据挖掘方法和装置 | |
WO2023185125A1 (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN112446777A (zh) | 一种信用评估方法、装置、设备及存储介质 | |
WO2021196843A1 (zh) | 用于风险识别模型的衍生变量选择方法和装置 | |
CN115564578A (zh) | 欺诈识别模型生成方法 | |
CN106484747A (zh) | 一种基于交互事件的网页项目推荐方法和装置 | |
Li et al. | Image Semantic Space Segmentation Based on Cascaded Feature Fusion and Asymmetric Convolution Module | |
Shah et al. | A Three-Way Clustering Mechanism to Handle Overlapping Regions | |
CN112559897B (zh) | 匹配关系的识别方法、装置及设备 |
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 |