CN111091145A - 一种基于边分类的社区检测算法 - Google Patents
一种基于边分类的社区检测算法 Download PDFInfo
- Publication number
- CN111091145A CN111091145A CN201911227731.9A CN201911227731A CN111091145A CN 111091145 A CN111091145 A CN 111091145A CN 201911227731 A CN201911227731 A CN 201911227731A CN 111091145 A CN111091145 A CN 111091145A
- Authority
- CN
- China
- Prior art keywords
- community
- network
- communities
- edge
- real
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于边分类的社区检测算法,包括S1、基于构建的边‑图像转换模型将网络中的每条边转换构造成图像;S2、采用参数训练好的深度卷积神经网络对S1构造的图像进行分类,并去除网络中对应的边、以简化网络;S3、重复步骤S1‑S2一次后进入步骤S4;S4、采用前序遍历算法对简化后的最终网络进行遍历,将不连通的子图划为每一个独立的社区,得到初步的社区结构;S5、结合局部模块度R将部分社区进行合并,得到优化的复杂网络社区结构。
Description
技术领域
本发明属于社区检测的技术领域,具体涉及一种基于边分类的社区检测算法。
背景技术
在现实世界中存在着许多复杂网络,如互联网、人际关系网络、疾病传播网络和科学家合作网络。大量的研究表明,社区结构是复杂网络的一个重要特征,节点在社区内紧密相连,在社区之间连接较少。社区结构在复杂网络中扮演着越来越重要的角色。它可以帮助理解复杂网络的功能,找到潜在的规律,并预测复杂网络的行为。
目前已经有很多用于社区检测的方法被提出,如层次聚类算法、标签传播算法、基于密度的算法、随机游走算法、基于链接模式的算法等。这些算法大致可以被分为三类:基于图的层次分割方法,基于聚类的方法和基于优化的方法,其中基于优化的方法得到了越来越多的关注。但目前社区发现算法普遍具有划分社区精确性不高,需要先验知识,计算复杂度过高导致无法在实际的复杂网络中应用的缺点.
发明内容
本发明的目的在于针对现有技术中的上述不足,提供一种基于边分类的社区检测算法,以解决社区发现算法中划分社区精确性不高,需要先验知识,计算复杂度过高导致无法在实际的复杂网络中应用的问题。
为达到上述目的,本发明采取的技术方案是:
一种基于边分类的社区检测算法,其包括:
S1、基于构建的边-图像转换模型将网络中的每条边转换构造成图像;
S2、采用参数训练好的深度卷积神经网络对S1构造的图像进行分类,并去除网络中对应的边、以简化网络;
S3、重复步骤S1-S2一次后进入步骤S4;
S4、采用前序遍历算法对简化后的最终网络进行遍历,将不连通的子图划为每一个独立的社区,得到初步的社区结构;
S5、结合局部模块度R将部分社区进行合并,得到优化的复杂网络社区结构。
优选地,将网络模型中节点和节点之间存在的连接、自反、不连接的三种关系定义为一个三维向量,其中每一维代表节点与节点之间的一种关系。
优选地,步骤S1的具体步骤包括:
S1.1、求出网络G一条边两个端点a,b的一条邻居节点集合N(a)和N(b);
S1.2、计算两个邻居节点集合的交集N_b(a,b)=N(a)∩N(b);
S1.3、将两个集合的元素计数|N(a)|和|N(b)|分别作为图像矩阵的行和列构造边的图像矩阵;
S1.4、若矩阵中的某个行和列对应的节点在集合N_b(a,b)中,则该元素为G:[0,255,0];若元素的行和列构成的边在网络中,则该元素为R:[255,0,0],否则元素为B:[0,0,255]。
优选地,步骤S2中采用面积插值裁剪方法,将步骤S1生成图像分别构造成N×N×3的图像,实现任意大小二维矩阵向固定大小二位矩阵的转变,并作为深度卷积神经网络的输入尺寸:
matr(x,y,3)→IMG(N,N,3)
其中,x,y为任意值,N为深度卷积神经网络的输入值大小。
优选地,步骤S2中采用AdaGrad作为梯度下降的方法,图像分类的网络在训练过程中的BatchSize为40,随机初始化所有参数的值,并且以初始0.0001的学习速率来训练网络。
优选地,步骤S2中采用Benchmark生成用于训练的LFR网络数据:
使用Benchmark随机生成10个LFR网络,其中节点数为128,平均度为16,最大度为50,混合度为0.5,社区数量为4-7;并根据步骤S1边-图像转换模型将所有网络的边构造成图片,并为每张图片打上标签作为训练数据。
优选地,步骤S5中假定已知需要检测网络的社区数量为m,将得到的社区中局部模块度最大的前m个社区作为真实社区,其余的作为虚拟社区,并将虚拟社区通过局部模块度R方法即社区结构局部模度量方法合并到真实社区中。
优选地,步骤S5的具体步骤包括:
S5.1、根据已知社区数量m,将得到的社区中局部模块度最大的前m个社区作为真实社区,其余的作为虚拟社区;
S5.2、计算所有真实社区的局部模块度Ri,i∈RC;
S5.3、取虚拟社区中的一个社区Vcomm依次与真实社区中的社区Rcomm进行合并,计算合并后社区的局部模块度ri,i∈RC,其中,Vcomm为虚拟社区序列Vcom(1),Vcom(2),…,Vcom(k)中的一个社区,Rcomm为真实社区序列Rcom(1),Rcom(2),…,Rcom(k)中的一个社区;
S5.4、计算△R=ri-Ri,选取使△R最大的real comm与Vcomm进行合并,其中,realcomm为真实社区序列Rcom(1),Rcom(2),…,Rcom(k)中使△R最大的社区;
S5.5、重复步骤S3-S4,直到虚拟社区为空。
本发明提供的基于边分类的社区检测算法,具有以下有益效果:
本发明首先通过LFR网络训练构造CNN深度卷积神经网络的参数,使其能够有效的识别代表网络中社区内或者社区间的边的图像,使用训练好的CNN模型去简化网络,进而将不连通的子图划为每一个独立的社区,得到初步的社区结构,并结合局部模块度R将部分社区进行合并,得到优化的复杂网络社区结构。本发明相对于传统方法创新性的提出了一种将网络中的结点之间的关系转化为图像的方法,然后结合卷积神经网络对图像分类准确率高的特点,通过去除边的方法来达到社区划分的结果;本方法计算复杂度低,划分社区准确率高,适用各种规模和类型的复杂网络。
附图说明
图1为一个具有社区结构的网络示例图。
图2为网络中所有的边生成的图像。
图3为使用ComNet识别一个复杂网络中社区结构的过程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
根据本申请的一个实施例,参考图1,本方案的基于边分类的社区检测算法,包括:
S1、基于构建的边-图像转换模型将网络中的每条边转换构造成图像;
S2、采用参数训练好的深度卷积神经网络对S1构造的图像进行分类,并去除网络中对应的边、以简化网络;
S3、重复步骤S1-S2一次后进入步骤S4;
S4、采用前序遍历算法对简化后的最终网络进行遍历,将不连通的子图划为每一个独立的社区,得到初步的社区结构;
S5、结合局部模块度R将部分社区进行合并,得到优化的复杂网络社区结构。
以下对上述步骤进行详细说明
步骤S1、构建边-图像转换模型,并将每条边转换构造成图像;
根据复杂网络具有聚集性的特点,在复杂网络中一条边的两个端点的邻居节点联系越紧密,说明这条边的两个端点之间的关系越牢固,则它们非常可能处在同一个社区内。反之,如果一条边的两个端点的邻居节点联系稀疏,则说明这条边的两个端点之间的关系松散,它们可能分布在不同的社区内。同时,网络模型中节点和节点之间存在三种关系:连接(L)、自反(S)、不连接(U)。本发明将这三种关系定义为一个三维向量,其中每一维代表节点与节点之间的一种关系。这样可以把一条边的两个端点的邻接点的关系构造成一个x*y*3的矩阵,其中x,y分别表示两个端点的邻接点的个数。
因此,根据网络具有集群的特性,一条社区内部边的两个端点的邻接点存在很多的连接关系,介于两个社区之间边的两个端点的邻接关系为稀疏链接。结合节点之间存在的三种关系与RGB图像均以三维矩阵进行数据存储的特点,将边转换成图像建模的表示方法,进而借助图像分类的方法来对网络中的边进行分类。
边到图像的构造方法:
输入:网络G
输出:每条边的图像矩阵
S1.1、求出网络G一条边两个端点a,b的一条邻居节点集合N(a)和N(b);
S1.2、计算两个邻居节点集合的交集N_b(a,b)=N(a)∩N(b);
S1.3、将两个集合的元素计数|N(a)|和|N(b)|分别作为图像矩阵的行和列构造边的图像矩阵;
S1.4、若矩阵中的某个行和列对应的节点在集合N_b(a,b)中,则该元素为G:[0,255,0];若元素的行和列构成的边在网络中,则该元素为R:[255,0,0],否则元素为B:[0,0,255]。
参考图1,为更加明确地理解边到图像的转换模型,下面以边(2,3)为例子介绍如何构造基于邻节点的图像矩阵:
在图1中,边(2,3)的第一个端点3的一跳邻接点集合为{1,4,5},端点2的一跳邻接点为{1,5,6},它们相交的集合为{1,5},下面表1展示了边(2,3)按照边到图像矩阵构造方法构造矩阵的元素:
Table.1.边(2,3)按照边矩阵构造方法构造矩阵的元素
Node | 1 | 5 | 6 |
1 | G | G | B |
4 | R | R | B |
5 | G | G | B |
得到输出的像素矩阵为:
步骤S2、采用参数训练好的深度卷积神经网络对S1构造的图像进行分类,并去除网络中对应的边、以简化网络,其具体步骤包括:
2.1、图像裁剪
采用深度卷积神经网络进行分类需要规范的图像尺寸,由于复杂网络中每条边的两个端点的度不满足均匀分布,因此按照边-图像转换模型生成的图像不能直接用CNN进行分类,需要做进一步的处理,以确保输入CNN网络的图片大小一致。本实施例采用面积插值裁剪方法,将这些生成图像分别构造成N×N×3的图像,实现任意大小二维矩阵向固定大小二位矩阵的转变,作为CNN的输入尺寸:
matr(x,y,3)→IMG(N,N,3)
其中,x,y为任意值,N为CNN的输入值大小。
参考图2,展示了本实施例网络中所有的边构造成128×128×3的图像。
2.2、网络结构
卷积神经网络在图像处理领域具有广泛的用途,对于不同的研究目的,卷积神经网络所构造的网络结构也有所差异。
本实施例所搭建的卷积神经网络意在用于图像的二分类问题,且选用AdaGrad作为梯度下降的方法。AdaGrad是一种被广泛应用于深度网络结构中的梯度下降算法,该算法在网络模型优化的过程中会使梯度随训练次数快速降低,并且使每个分量有不同的学习速率。
定义用于图像分类的网络称之为ComNet。ComNet在训练过程中的BatchSize为40,随机初始化所有参数的值,并且以初始0.0001的学习速率来训练网络,表2展示的是我们构造的CNN的网络结构。
Table.2.This table show the structure of our ComNet model.The inputand output sizes are described in[rows×cols×filters].The kernel isspecified as[rows×cols,stride].
2.3、训练参数
本实施例使用Lancichinetti et al.提出的Benchmark来生成用于训练的LFR网络数据。使用Benchmark随机生成10个LFR网络,其中节点数为128,平均度为16,最大度为50,混合度为0.5,社区数量为4-7。根据步骤S1边-图像转换模型将所有网络的边构造成图片,并为每张图片打上标签作为我们的训练数据。
Table 3.Parameter setting of LFR benchmark networks.
步骤S3、重复步骤S1-S2依次,为了保证网络简化的比较彻底,将S2得到的简化网络再进行一次简化,这样可以有效的将社区之间的边去除;随后进入步骤S4。
步骤S4、采用前序遍历算法对简化后的最终网络进行遍历,将不连通的子图划为每一个独立的社区,得到初步的社区结构,其具体步骤包括:
本实施例算法是通过去除网络中连接不同社区之间的边,将网络简化为不连通的图来得到其社区结构的。通过大量的数据训练,ComNet能够有效的识别出一个网络中社区间和社区内部的边。由于ComNet对网络中的边的识别率不能达到100%,所以通过简化网络得到的社区结构有时会存在极小社区和孤立节点的情况。为了得到更优的社区结构,本实施例结合局部模块度R对社区进行优化。
参考图3、展示了使用ComNet识别一个复杂网络中社区结构的过程。对于一个复杂网络,通过去除处于不同社区之间的边,会得到许多不连通的子图,这些子图就是初步划分出来的局部子图。
步骤S5、结合局部模块度R将部分社区进行合并,得到优化的复杂网络社区结构。
本实施例采用局部模块度R作为合并的判断条件,R方法是Clauset提出的一种社区结构局部模度量方法,该方法主要考虑社区内部边的数量与社区外部连接边的数量,其计算公式为:
其中,Bin代表社区内边的数量,Bout表示社区边界与外部相连接的边数量,通过以上步骤得到了初步的社区结构,但是由于社区内部的边在识别的过程中可能会识别为社区之间,这会导致某个社区可能会划分为几个小社区,所以需要结合局部模块度R,将一些社区进行合并,从而得到优化的复杂网络社区结构。
假定已知需要检测网络的社区数量为m,将ComNet算法得到的社区中局部模块度最大的前m个社区作为真实社区,其余的作为虚拟社区。并将虚拟社区通过R方法合并到真实社区中,将合并社区的过程被称作MergeR,按照MergeR合并社区的算法如下:
S5.1、根据已知社区数量m,将得到的社区中局部模块度最大的前m个社区作为真实社区,其余的作为虚拟社区;
S5.2、计算所有真实社区的局部模块度Ri,i∈RC;
S5.3、取虚拟社区中的一个社区Vcomm(虚拟社区序列Vcom(1),Vcom(2),…,Vcom(k),中的一个社区)依次与真实社区中的社区Rcomm(真实社区序列Rcom(1),Rcom(2),…,Rcom(k),中的一个社区)进行合并,计算合并后社区的局部模块度ri,i∈RC;
S5.4、计算△R=ri-Ri,选取使△R最大的real comm(真实社区序列Rcom(1),Rcom(2),…,Rcom(k),中使△R最大的社区)与Vcomm进行合并;
S5.5、重复步骤S3-S4,直到虚拟社区为空。
虽然结合附图对发明的具体实施方式进行了详细地描述,但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内,本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。
Claims (8)
1.一种基于边分类的社区检测算法,其特征在于,包括:
S1、基于构建的边-图像转换模型将网络中的每条边转换构造成图像;
S2、采用参数训练好的深度卷积神经网络对S1构造的图像进行分类,并去除网络中对应的边、以简化网络;
S3、重复步骤S1-S2一次后进入步骤S4;
S4、采用前序遍历算法对简化后的最终网络进行遍历,将不连通的子图划为每一个独立的社区,得到初步的社区结构;
S5、结合局部模块度R将部分社区进行合并,得到优化的复杂网络社区结构。
2.根据权利要求1所述的基于边分类的社区检测算法,其特征在于:将网络模型中节点和节点之间存在的连接、自反、不连接的三种关系定义为一个三维向量,其中每一维代表节点与节点之间的一种关系。
3.根据权利要求1所述的基于边分类的社区检测算法,其特征在于,所述步骤S1的具体步骤包括:
S1.1、求出网络G一条边两个端点a,b的一条邻居节点集合N(a)和N(b);
S1.2、计算两个邻居节点集合的交集N_b(a,b)=N(a)∩N(b);
S1.3、将两个集合的元素计数|N(a)|和|N(b)|分别作为图像矩阵的行和列构造边的图像矩阵;
S1.4、若矩阵中的某个行和列对应的节点在集合N_b(a,b)中,则该元素为G:[0,255,0];若元素的行和列构成的边在网络中,则该元素为R:[255,0,0],否则元素为B:[0,0,255]。
4.根据权利要求1所述的基于边分类的社区检测算法,其特征在于,所述步骤S2中采用面积插值裁剪方法,将步骤S1生成图像分别构造成N×N×3的图像,实现任意大小二维矩阵向固定大小二位矩阵的转变,并作为深度卷积神经网络的输入尺寸:
matr(x,y,3)→IMG(N,M,3)
其中,x,y为任意值,N为深度卷积神经网络的输入值大小。
5.根据权利要求1所述的基于边分类的社区检测算法,其特征在于,所述步骤S2中采用AdaGrad作为梯度下降的方法,图像分类的网络在训练过程中的BatchSize为40,随机初始化所有参数的值,并且以初始0.0001的学习速率来训练网络。
6.根据权利要求1所述的基于边分类的社区检测算法,其特征在于,所述步骤S2中采用Benchmark生成用于训练的LFR网络数据:
使用Benchmark随机生成10个LFR网络,其中节点数为128,平均度为16,最大度为50,混合度为0.5,社区数量为4-7;并根据步骤S1边-图像转换模型将所有网络的边构造成图片,并为每张图片打上标签作为训练数据。
7.根据权利要求1所述的基于边分类的社区检测算法,其特征在于,所述步骤S5中假定已知需要检测网络的社区数量为m,将得到的社区中局部模块度最大的前m个社区作为真实社区,其余的作为虚拟社区,并将虚拟社区通过局部模块度R方法即社区结构局部模度量方法合并到真实社区中。
8.根据权利要求7所述的基于边分类的社区检测算法,其特征在于,所述步骤S5的具体步骤包括:
S5.1、根据已知社区数量m,将得到的社区中局部模块度最大的前m个社区作为真实社区,其余的作为虚拟社区;
S5.2、计算所有真实社区的局部模块度Ri,i∈RC;
S5.3、取虚拟社区中的一个社区Vcomm依次与真实社区中的社区Rcomm进行合并,计算合并后社区的局部模块度ri,i∈RC,其中,Vcomm为虚拟社区序列Vcom(1),Vcom(2),…,Vcom(k)中的一个社区,Rcomm为真实社区序列Rcom(1),Rcom(2),…,Rcom(k)中的一个社区;
S5.4、计算△R=ri-Ri,选取使△R最大的real comm与Vcomm进行合并,其中,real comm为真实社区序列Rcom(1),Rcom(2),…,Rcom(k)中使△R最大的社区;
S5.5、重复步骤S3-S4,直到虚拟社区为空。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911227731.9A CN111091145B (zh) | 2019-12-04 | 2019-12-04 | 一种基于边分类的社区检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911227731.9A CN111091145B (zh) | 2019-12-04 | 2019-12-04 | 一种基于边分类的社区检测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091145A true CN111091145A (zh) | 2020-05-01 |
CN111091145B CN111091145B (zh) | 2022-04-08 |
Family
ID=70394630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911227731.9A Active CN111091145B (zh) | 2019-12-04 | 2019-12-04 | 一种基于边分类的社区检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091145B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899115A (zh) * | 2020-05-30 | 2020-11-06 | 中国兵器科学研究院 | 一种确定社交网络中社区结构的方法、装置及存储介质 |
CN111986314A (zh) * | 2020-08-21 | 2020-11-24 | 浙江商汤科技开发有限公司 | 三维重建中的图像分组方法及装置、电子设备和存储介质 |
CN113326880A (zh) * | 2021-05-31 | 2021-08-31 | 南京信息工程大学 | 基于社团划分的无监督图像分类方法 |
CN114202035A (zh) * | 2021-12-16 | 2022-03-18 | 成都理工大学 | 一种多特征融合的大规模网络社区检测算法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101535994A (zh) * | 2006-09-17 | 2009-09-16 | 诺基亚公司 | 提供标准真实世界到虚拟世界的链接的方法、装置和计算机程序产品 |
CN103208027A (zh) * | 2013-03-13 | 2013-07-17 | 北京工业大学 | 基于局部模块度的遗传算法用于大规模复杂网络社区挖掘的方法 |
CN104463138A (zh) * | 2014-12-19 | 2015-03-25 | 深圳大学 | 基于视觉结构属性的文本定位方法及系统 |
-
2019
- 2019-12-04 CN CN201911227731.9A patent/CN111091145B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101535994A (zh) * | 2006-09-17 | 2009-09-16 | 诺基亚公司 | 提供标准真实世界到虚拟世界的链接的方法、装置和计算机程序产品 |
CN103208027A (zh) * | 2013-03-13 | 2013-07-17 | 北京工业大学 | 基于局部模块度的遗传算法用于大规模复杂网络社区挖掘的方法 |
CN104463138A (zh) * | 2014-12-19 | 2015-03-25 | 深圳大学 | 基于视觉结构属性的文本定位方法及系统 |
Non-Patent Citations (2)
Title |
---|
李张涛: ""基于进化算法的属性网络社区检测及应用"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
潘磊: ""若干社区发现算法研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899115A (zh) * | 2020-05-30 | 2020-11-06 | 中国兵器科学研究院 | 一种确定社交网络中社区结构的方法、装置及存储介质 |
CN111899115B (zh) * | 2020-05-30 | 2021-03-23 | 中国兵器科学研究院 | 一种确定社交网络中社区结构的方法、装置及存储介质 |
CN111986314A (zh) * | 2020-08-21 | 2020-11-24 | 浙江商汤科技开发有限公司 | 三维重建中的图像分组方法及装置、电子设备和存储介质 |
CN113326880A (zh) * | 2021-05-31 | 2021-08-31 | 南京信息工程大学 | 基于社团划分的无监督图像分类方法 |
CN114202035A (zh) * | 2021-12-16 | 2022-03-18 | 成都理工大学 | 一种多特征融合的大规模网络社区检测算法 |
Also Published As
Publication number | Publication date |
---|---|
CN111091145B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091145B (zh) | 一种基于边分类的社区检测算法 | |
Liu et al. | Learning affinity via spatial propagation networks | |
WO2019001071A1 (zh) | 一种基于邻接矩阵的图特征提取系统、图分类系统和方法 | |
CN110991532B (zh) | 基于关系视觉注意机制的场景图产生方法 | |
CN109741341B (zh) | 一种基于超像素和长短时记忆网络的图像分割方法 | |
Jiang et al. | Incorporating depth into both cnn and crf for indoor semantic segmentation | |
CN112381179A (zh) | 一种基于双层注意力机制的异质图分类方法 | |
CN113628201A (zh) | 基于深度学习的病理切片分析方法、电子设备及可读存储介质 | |
Zhang et al. | Node features adjusted stochastic block model | |
Chen et al. | Real-time semantic scene completion via feature aggregation and conditioned prediction | |
CN115001983A (zh) | 基于高阶聚类系数的网络结构差异性评估方法 | |
CN114743027B (zh) | 弱监督学习引导的协同显著性检测方法 | |
CN114202035B (zh) | 一种多特征融合的大规模网络社区检测算法 | |
Jung et al. | Scalable graph signal recovery for big data over networks | |
Zhang et al. | A hypothesis testing framework for modularity based network community detection | |
Cruz et al. | Integrating heterogeneous information within a social network for detecting communities | |
Bickel et al. | Hypothesis testing for automated community detection in networks | |
CN105913423A (zh) | 一种基于超像素的确定性模型拟合方法 | |
CN116109753B (zh) | 三维云渲染引擎装置及数据处理方法 | |
Xie et al. | Multi-resolution graph neural network for large-scale pointcloud segmentation | |
CN116630687A (zh) | 级联带状混合的多层感知机模型图像识别方法及相关设备 | |
Zeng et al. | Identifying vital nodes through augmented random walks on higher-order networks | |
CN111506832A (zh) | 一种基于块矩阵补全的异构对象补全方法 | |
CN113470738B (zh) | 基于模糊聚类和基因本体语义相似性的可重叠蛋白质复合物识别方法和系统 | |
CN115544307A (zh) | 基于关联矩阵的有向图数据特征提取与表达方法和系统 |
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 |