CN111612641A - 一种社交网络中有影响力用户的识别方法 - Google Patents

一种社交网络中有影响力用户的识别方法 Download PDF

Info

Publication number
CN111612641A
CN111612641A CN202010361263.0A CN202010361263A CN111612641A CN 111612641 A CN111612641 A CN 111612641A CN 202010361263 A CN202010361263 A CN 202010361263A CN 111612641 A CN111612641 A CN 111612641A
Authority
CN
China
Prior art keywords
node
nodes
network
value
sequence
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.)
Pending
Application number
CN202010361263.0A
Other languages
English (en)
Inventor
卢鹏丽
董晨
蔚京娟
栾瑞
陈炜
张芝铷
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.)
Lanzhou University of Technology
Original Assignee
Lanzhou University of Technology
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 Lanzhou University of Technology filed Critical Lanzhou University of Technology
Priority to CN202010361263.0A priority Critical patent/CN111612641A/zh
Publication of CN111612641A publication Critical patent/CN111612641A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于社交网络的有影响力用户的识别方法，包括步骤：数据标准化，将选取的社交网络数据集抽象成为社交网络图并计算出邻接矩阵；权值计算，利用离散程度以及累积分布函数将各节点的拓扑结构转化为数值用于计算；节点排序，按照节点的权值大小对各节点进行排序；动态攻击，按百分比依次删除排序后的节点并计算每次删除前后的最大连通子图所占比例；精确性分析，通过计算各节点的权值与节点真实传播能力之间的关系来判定节点的重要性。本发明不再仅仅考虑单个节点的性能，而是将网络的拓扑结构包含在内，从网络全局对节点的重要性进行分析，丰富了重要节点的识别手段，提高了重要节点识别的精度。

Description

一种社交网络中有影响力用户的识别方法
技术领域
本发明涉及复杂网络领域，尤其涉及一种社交网络中有影响力用户的识别 方法。
背景技术
在网络信息时代，人们可以通过社交网络获取信息、传递消息，并且在交 通、医疗以及金融方面得到了广泛的应用。社交网络的出现极大地便利了人们 的生活，已经逐渐取代传统的信息传播方式如电视、广播和报纸。在整个网络 中，信息的传播往往是由那几个最具影响力的节点所控制的，如何确定这些节 点一直是研究的热点问题。
复杂网络与人们的生活紧密相关，比如人际关系网络，因特网、新陈代谢 网络、电线网络、交通网络等一系列网络，都是一些常见的复杂网络。这些网 络都具有一个很明显的特点，就是所有的网络都被少量的集散节点所支配，且 这些节点几乎控制着整个网络，而大部分的其他节点都是无关紧要，对整个网 络所造成的影响不大。当这样的网络受到攻击时，如果是突然的意外故障或随 机的攻击，可能对整个网络所造成的危害不大，但是如果遭到蓄意的攻击，并 且刚好攻击的节点就是网络少数的集散节点，那么整个网络可能会非常脆弱并 且有可能会处于瘫痪状态，从而给人们的日常生活带来巨大的损害。因此如何在复杂网络下，保证网络的抗毁性和可靠性已成为复杂网络研究中的一个的重 要研究课题。研究结果表明，复杂网络中的每个节点功能并不相同，节点与节 点之间存在着显著的区别，而且位于不同位置的节点对网络所造成的影响也是 不相同。在网络信息时代，社交网络既便利了人们的生活，改变了传统的信息 传播方式，同时也带来了新的挑战。因此，有效地辨别复杂网络的节点重要程 度，对维护网络的可靠性和抗毁性具有极为重要的作用。
用于衡量节点重要性的指标性能的方法定义如下：
(1)传播模型：可用于衡量节点的扩展能力，被广泛使用的传播模型包括线性阈值模型、独立级联模型和流行模型。近年来，J.Zhou,M.E.Newman等学者使用 了一种易感传播模型：Susceptible-Infectious-Recovered(SIR)来模拟社交网络中的 传播过程，对一个节点进行重复大量的实验，并将结束时处于易感状态的平均 节点数作为节点的传播能力(SC)。
在标准SIR随机模型中，每个节点可以被分为三个不同的状态:易感(S)、感 染(I)和恢复(R)。在实验刚开始的时候，只有一个节点被设置为感染状态，而所 有其他节点将被设置为易感状态。然后，受感染的节点将以概率α扩散到与之相 连的所有易感节点。受感染的节点将有可能以概率β进行恢复，并被定义为恢复 状态。在传播过程结束后，整个网络中只有两种状态：易感状态与恢复状态。 只需要计算网络中易感节点的数量并将这个数值记录为节点的传播能力。
(2)Kendall相关系数：计算完节点的传播能力并生成序列σ之后，再获取由不 同度量方式所得的节点权值序列R。两个列表的相关性越高，说明对应方法在评 估节点扩展能力方面的准确性越高，可以使用Kendall相关系数来表示两个列表 的相关性。
假设{(σ1,R1),(σ2,R2),...,(σn,Rn)}是由序列σ和序列R构成的一组有序对，对于其中的任意两个元素对(σi,Ri)和(σj,Rj)，当σi＞σj且Ri＞Rj或σi＜σj且Ri＜Rj时， 则认为这两个元素对是一致的；当σi＞σj且Ri＜Rj或σi＞σj且Ri＜Rj时，则认为 这两个元素对不是一致的；当σi＝σj或Ri＝Rj时，则这两个元素对被认为既不是 一致的也不是不一致的。
Kendall相关系数的定义如下：
Figure BDA0002475154810000022
其中，nc是两个序列中一致元素对的数目，nd是两个序列中不一致元素对 的数目，n是两个元素对的规模。
(3)单调性：区分具有不同传播能力的节点和在不同等级上均匀分布节点的 能力是评价社交网络中有影响力节点排序方法的标准之一。单调性(Monotonicity) 被用于检验各中心性度量方式区分节点传播效率的能力。单调性(M)的定义如下 所示：
Figure BDA0002475154810000031
其中，n是序列R中元素的个数，Nr是在第r个等级中元素的个数。M的 值始终是范围[0,1]内的一个数字，M值越大，则意味着该度量方式对于网络中 的节点判别能力越强。
当前刻画复杂网络节点重要性的指标可以从基于网络局部、位置、全局、 随机游走和其他方法几个方面进行划分：
基于网络局部属性的指标一般适用于大型网络，因为其计算简单，时间复 杂度低。这类指标主要考虑的是节点自身信息和其邻居节点信息，其中这一类 指标最为广泛应用的就是节点的度数；
基于网络位置属性的指标认为复杂网络中节点的重要性和其在网络中所处 的位置有着直接关系,这类方法最典型的就是K-Shell指标，以及在此基础上发 展而来的MDD指标；
基于网络全局属性的节点重要性排序指标一般准确性较高，但是不适用于 大型复杂网络，这是因为其计算复杂，时间复杂度高。该类指标主要考虑节点 在网络的全局信息，这些指标典型的有特征向量、紧密度、介数、Katz等指标；
基于链接关系的网页排序技术一般也称为基于随机游走的节点重要性排序 方法。这类典型的方法有PageRank算法、LeaderRank算法、HTTS算法。
除以上四类方法外，还有些方法分别从节点效率、边权值、节点删除、网 络连通性等视角度量节点的重要性。
发明内容
为克服现有技术的不足，本发明提出一种社交网络中有影响力用户的识别 方法，包括：
步骤1，数据标准化，将选取的社交网络数据集抽象成为社交网络图并计算 出邻接矩阵；
步骤2，权值计算，利用离散程度以及累积分布函数将各节点的拓扑结构转 化为数值用于计算各节点的EMH(扩展混合H指数中心性，简称EMH)值， 包括步骤
S21：在标准化处理过的数据集中找出每个节点的邻居节点，并计算节点的 离散程度，离散程度的计算公式为：
Figure BDA0002475154810000041
其中，节点 的H指数是指节点的邻居节点中至少有H个节点的度大于等于H，H_max是邻 居节点中最大的H指数值，如果节点v的邻居节点中有一个节点的H指数值为 vj，则将αj(v)记为1，否则记为0；
S22：利用网络中每一个节点的度的以及计算好的离散程度，根据公式
Figure BDA0002475154810000042
计算各个节点的改进后的H指 数(IH)，其中，|Dv|即节点v的度，α1和α2表示的是[0,1]区间内的随机数，A1表示的是节点v的邻居节点中离散程度大于v的节点个数，A2表示的是节点v的 邻居节点中离散程度等于v的节点个数；
S23：通过计算网络中各节点的IH值，将节点v的邻居节点按照IH值的大小 排序，排序后序列为S(v)＝{c1(v),c2(v),...,cm(v)}，其中，c1(v)表示的是节点v的邻居 节点中最大的IH值，cm(v)表示的是节点v的邻居节点中最小的IH值；
S24：将排序后的结果用到累积分布函数中，累积分布函数的公式为
Figure BDA0002475154810000043
其中，s和r表示的是[0,1]区间内的随机数，Sj(v)表示的是 在序列S(v)中的第j个位置的数值，将节点v的邻居节点的MC值进行求和，求和 公式为
Figure BDA0002475154810000051
其中，Nv表示的是节点v的邻居节点集合，vj是邻居 节点集Nv中的一个元素，MC(vj)表示的是节点vj的MC值；
步骤3，将步骤2中求得的网络中各节点的EMH值进行排序，排序后的结 果用EMH序列R＝{r1,r2,...,rm}表示，其中，r1表示的是网络中EMH值最大节点的 数值，rm表示的是网络中EMH值最小节点的数值；
步骤4，动态攻击，包括步骤：
S41：删除步骤3中计算出的序列R中排名靠前的N个的节点，计算删除 节点后网络中最大连通子图所占比例；
S42:重新计算步骤S41中删除节点后网络中各节点的EMH值并进行正向排 序，排序后的结果用序列R1＝{r11,r21,...,rm1}表示，删除R1中排名靠前的N个的节点 并计算删除节点后网络中最大连通子图所占比例；
S43：重复步骤S41和S42，直至网络中的所有节点都为孤立节点，并将每 次删除节点后最大连通子图所占比例的数值用序列S＝{s1,s2,...,sn}表示
S44：将步骤S43中得到的序列S与现有方法所得的最大连通子图占比序列 进行比较，在同一时间点的数值越小，则代表所删除的节点越重要，从而找到 网络中重要程度高的节点集；
步骤5，精确性分析，将步骤3中计算出的EMH序列与通过SIR模型求得的 各节点的真实传播能力序列进行对比，经过对比得到的Kendell相关系数越大， 则代表EMH序列与真实数据集之间越接近，从而找到步骤4中所述重要程度高 的节点集中社交网络中有影响力的用户。
进一步地，步骤1包括：将社交网络中的用户记为节点，将社交网络中用 户间的关系记为节点间的连边，节点及其连边关系用邻接矩阵A＝(aij)n×n来表示， 其中，n表示网络中用户的数量，aij表示网络中任意两个用户间的关系。
进一步地，步骤S41所述删除序列R中排名靠前的N个的节点，N＝20.
本发明的有益效果在于，与现有技术相比，本发明不再仅仅考虑单个节点 的性能，而是充分、具体的将网络的拓扑结构包含在内，可以从网络全局对节 点的重要性进行分析，丰富了重要节点的识别手段，提高了重要节点识别的精 度。
附图说明
图1是本发明一种社交网络中有影响力用户的识别方法流程图。
具体实施方式
下面将参照附图，对本发明实施例中的技术方案进行清楚、完整地描述， 显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基 于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获 得的所有其他实施例，都属于本发明保护的范围。
请参见图1，本发明提出一种社交网络中有影响力用户的识别方法，包括：
步骤1，数据标准化，将选取的社交网络数据集抽象成为社交网络图并计算 出邻接矩阵；
步骤2，权值计算，利用离散程度以及累积分布函数将各节点的拓扑结构转 化为数值用于计算各节点的EMH(扩展混合H指数中心性，简称EMH)值， 包括步骤
S21：在标准化处理过的数据集中找出每个节点的邻居节点，并计算节点的 离散程度，离散程度的计算公式为：
Figure BDA0002475154810000061
其中，节点 的H指数是指节点的邻居节点中至少有H个节点的度大于等于H，H_max是邻 居节点中最大的H指数值。如果节点v的邻居节点中有一个节点的H指数值为 vj，则将αj(v)记为1，否则记为0；
S22：利用网络中每一个节点的度的以及计算好的离散程度，根据公式
Figure BDA0002475154810000062
计算各个节点的改进后的H指 数(IH)，其中，|Dv|即节点v的度，α1和α2表示的是[0,1]区间内的随机数，A1表示的是节点v的邻居节点中离散程度大于v的节点个数，A2表示的是节点v的 邻居节点中离散程度等于v的节点个数；
S23：通过计算网络中各节点的IH值，将节点v的邻居节点按照IH值的大小 排序，排序后序列为S(v)＝{c1(v),c2(v),...,cm(v)}，其中，c1(v)表示的是节点v的邻居 节点中最大的IH值，cm(v)表示的是节点v的邻居节点中最小的IH值；
S24：将排序后的结果用到累积分布函数中，累积分布函数的公式为
Figure BDA0002475154810000071
其中，s和r表示的是[0,1]区间内的随机数，Sj(v)表示的是 在序列S(v)中的第j个位置的数值，将节点v的邻居节点的MC值进行求和，求和 公式为
Figure BDA0002475154810000072
其中，Nv表示的是节点v的邻居节点集合，vj是邻居 节点集Nv中的一个元素，MC(vj)表示的是节点vj的MC值；
步骤3，将步骤2中求得的网络中各节点的EMH值进行排序，排序后的结 果用EMH序列R＝{r1,r2,...,rm}表示，其中，r1表示的是网络中EMH值最大节点的 数值，rm表示的是网络中EMH值最小节点的数值；
步骤4，动态攻击，包括步骤：
S41：删除步骤3中计算出的序列R中排名靠前的N个的节点，计算删除 节点后网络中最大连通子图所占比例；
S42：重新计算步骤S41中删除节点后网络中各节点的EMH值并进行正向排 序，排序后的结果用序列R1＝{r11,r21,...,rm1}表示，删除R1中排名靠前的N个的节点 并计算删除节点后网络中最大连通子图所占比例；
S43：重复步骤S41和S42，直至网络中的所有节点都为孤立节点，并将每 次删除节点后最大连通子图所占比例的数值用序列S＝{s1,s2,...,sn}表示；
S44：将步骤S43中得到的序列S与现有方法所得的最大连通子图占比序列 进行比较，在同一时间点的数值越小，则代表所删除的节点越重要，从而找到 网络中重要程度高的节点集；
步骤5，精确性分析，将步骤3中计算出的EMH序列与通过SIR模型求得的 各节点的真实传播能力序列进行对比，经过对比得到的Kendell相关系数越大， 则代表EMH序列与真实数据集之间越接近，从而找到步骤4中所述重要程度高 的节点集中社交网络中有影响力的用户。
本发明的某些实施例中，步骤1包括：将社交网络中的用户记为节点，将 社交网络中用户间的关系记为节点间的连边，节点及其连边关系用邻接矩阵 A＝(aij)|n|×|n|来表示，其中，n表示网络中用户的数量，aij表示网络中任意两个用 户间的关系。
本发明的某些实施例中，步骤S41所述删除序列R中排名靠前的N个的节 点，N＝20。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技 术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这 些改进和润饰也视为本发明的保护范围。

Claims (3)

1.一种社交网络中有影响力用户的识别方法，其特征在于，包括：
步骤1，数据标准化，将选取的社交网络数据集抽象成为社交网络图并计算出邻接矩阵；
步骤2，权值计算，利用离散程度以及累积分布函数将各节点的拓扑结构转化为数值用于计算各节点的EMH值，包括步骤
S21：在标准化处理过的数据集中找出每个节点的邻居节点，并计算节点的离散程度，离散程度的计算公式为：
Figure FDA0002475154800000011
其中，节点的H指数是指节点的邻居节点中至少有H个节点的度大于等于H，H_max是邻居节点中最大的H指数值，节点v的邻居节点中有一个节点的H指数值为j，则将αj(v)记为1，否则记为0；
S22：利用网络中每一个节点的度以及计算好的离散程度，根据公式
Figure FDA0002475154800000012
计算各个节点的改进后的H指数(IH)，其中，|Dv|即节点v的度，α1和α2表示[0,1]区间内的随机数，A1表示节点v的邻居节点中离散程度大于v的节点个数，A2表示节点v的邻居节点中离散程度等于v的节点个数；
S23：通过计算网络中各节点的IH值，将节点v的邻居节点按照IH值的大小排序，排序后序列为S(v)＝{c1(v),c2(v),...,cm(v)}，其中，c1(v)表示的是节点v的邻居节点中最大的IH值，cm(v)表示的是节点v的邻居节点中最小的IH值；
S24：将排序后的结果用到累积分布函数中，累积分布函数的公式为
Figure FDA0002475154800000013
其中，s和r表示的是[0,1]区间内的随机数，Sj(v)表示的是在序列S(v)中的第j个位置的数值，将节点v的邻居节点的MC进行求和，求和公式为
Figure FDA0002475154800000021
其中，Nv表示的是节点v的邻居节点集合，vj是邻居节点集Nv中的一个元素，MC(vj)表示的是节点vj的MC值；
步骤3，将步骤2中求得的网络中各节点的EMH值进行排序，排序后的结果用EMH序列R＝{r1,r2,...,rm}表示，其中，r1表示的是网络中EMH值最大节点的数值，rm表示的是网络中EMH值最小节点的数值；
步骤4，动态攻击，包括步骤
S41：删除步骤3中计算出的序列R中排名靠前的N个的节点，计算删除节点后网络中最大连通子图所占比例；
S42：重新计算步骤S41中删除节点后网络中各节点的EMH值并进行正向排序，排序后的结果用序列R1＝{r11,r21,...,rm1}表示，删除R1中排名靠前的N个的节点并计算删除节点后网络中最大连通子图所占比例；
S43：重复步骤S41和S42，直至网络中的所有节点都为孤立节点，并将每次删除节点后最大连通子图所占比例的数值用序列S＝{s1,s2,...,sn}表示
S44：将步骤S43中得到的序列S与现有方法所得的最大连通子图占比序列进行比较，在同一时间点的数值越小，则代表所删除的节点越重要，从而找到网络中重要程度高的节点集；
步骤5，精确性分析，将步骤3中计算出的EMH序列与通过SIR模型求得的各节点的真实传播能力序列进行对比，经过对比得到的Kendell相关系数越大，则代表EMH序列与真实数据集之间越接近，从而找到步骤4中所述重要程度高的节点集中社交网络中有影响力的用户。
2.如权利要求1所述的社交网络中有影响力用户的识别方法，其特征在于，步骤1包括：将社交网络中的用户记为节点，将社交网络中用户间的关系记为节点间的连边，节点及其连边关系用邻接矩阵A＝(aij)n×n表示，其中，n表示网络中用户的数量，aij表示网络中任意两个用户间的关系。
3.如权利要求1所述的社交网络中有影响力用户的识别方法，其特征在于，步骤S41所述删除序列R中排名靠前的N个的节点，N＝20。
CN202010361263.0A 2020-04-30 2020-04-30 一种社交网络中有影响力用户的识别方法 Pending CN111612641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010361263.0A CN111612641A (zh) 2020-04-30 2020-04-30 一种社交网络中有影响力用户的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010361263.0A CN111612641A (zh) 2020-04-30 2020-04-30 一种社交网络中有影响力用户的识别方法

Publications (1)

Publication Number Publication Date
CN111612641A true CN111612641A (zh) 2020-09-01

Family

ID=72199774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010361263.0A Pending CN111612641A (zh) 2020-04-30 2020-04-30 一种社交网络中有影响力用户的识别方法

Country Status (1)

Country Link
CN (1) CN111612641A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801692A (zh) * 2021-01-14 2021-05-14 安徽大学 一种基于影响力指标的广告营销有效用户识别方法
CN113315656A (zh) * 2021-05-25 2021-08-27 中国电子科技集团公司第二十九研究所 基于图传播的节点重要性评估方法、系统及可读存储介质
CN113378339A (zh) * 2021-05-19 2021-09-10 西安邮电大学 社交网络节点的排序方法
CN114676292A (zh) * 2022-03-23 2022-06-28 杭州师范大学 一种超网络高影响力节点排序方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107357886A (zh) * 2017-07-10 2017-11-17 中国人民解放军国防科学技术大学 一种基于局部h‑index的信息传播关键节点识别方法
CN107945036A (zh) * 2017-11-21 2018-04-20 中山大学 一种在线社交网络中有影响力传播者识别与量化的方法
CN109034562A (zh) * 2018-07-09 2018-12-18 中国矿业大学 一种社交网络节点重要性评估方法及系统
CN109087009A (zh) * 2018-08-07 2018-12-25 重庆大学 基于社会网络动态攻击的历史文化名镇保护分析方法
US10218579B1 (en) * 2016-02-12 2019-02-26 Hrl Laboratories, Llc Tensor-based framework for analyzing high velocity large-scale network activities to infer latent mesostructures and important nodes

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10218579B1 (en) * 2016-02-12 2019-02-26 Hrl Laboratories, Llc Tensor-based framework for analyzing high velocity large-scale network activities to infer latent mesostructures and important nodes
CN107357886A (zh) * 2017-07-10 2017-11-17 中国人民解放军国防科学技术大学 一种基于局部h‑index的信息传播关键节点识别方法
CN107945036A (zh) * 2017-11-21 2018-04-20 中山大学 一种在线社交网络中有影响力传播者识别与量化的方法
CN109034562A (zh) * 2018-07-09 2018-12-18 中国矿业大学 一种社交网络节点重要性评估方法及系统
CN109087009A (zh) * 2018-08-07 2018-12-25 重庆大学 基于社会网络动态攻击的历史文化名镇保护分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PENGLI LU等: "EMH: Extended Mixing H-index centrality for identification important users in social networks based on neighborhood diversity", 《HTTPS://ARXIV.ORG/ABS/2003.03585》 *
郭旭东: "图的拓扑指数及在复杂网络上的应用研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801692A (zh) * 2021-01-14 2021-05-14 安徽大学 一种基于影响力指标的广告营销有效用户识别方法
CN112801692B (zh) * 2021-01-14 2022-08-30 安徽大学 一种基于影响力指标的广告营销有效用户识别方法
CN113378339A (zh) * 2021-05-19 2021-09-10 西安邮电大学 社交网络节点的排序方法
CN113378339B (zh) * 2021-05-19 2023-01-31 西安邮电大学 社交网络节点的排序方法
CN113315656A (zh) * 2021-05-25 2021-08-27 中国电子科技集团公司第二十九研究所 基于图传播的节点重要性评估方法、系统及可读存储介质
CN113315656B (zh) * 2021-05-25 2022-06-14 中国电子科技集团公司第二十九研究所 基于图传播的节点重要性评估方法、系统及可读存储介质
CN114676292A (zh) * 2022-03-23 2022-06-28 杭州师范大学 一种超网络高影响力节点排序方法
CN114676292B (zh) * 2022-03-23 2024-06-28 杭州师范大学 一种超网络高影响力节点排序方法

Similar Documents

Publication Publication Date Title
CN111612641A (zh) 一种社交网络中有影响力用户的识别方法
WO2021189730A1 (zh) 检测异常高密子图的方法、装置、设备及存储介质
Rahman et al. A decision tree-based missing value imputation technique for data pre-processing
Li et al. Online mining (recently) maximal frequent itemsets over data streams
CN113961759B (zh) 基于属性图表示学习的异常检测方法
CN112615888B (zh) 一种网络攻击行为的威胁评估方法及装置
CN113379176B (zh) 电信网络异常数据检测方法、装置、设备和可读存储介质
US11533373B2 (en) Global iterative clustering algorithm to model entities' behaviors and detect anomalies
CN112839014A (zh) 建立识别异常访问者模型的方法、系统、设备及介质
CN109947874B (zh) 移动轨迹的聚合方法、装置及设备
CN111667373A (zh) 基于邻居子图社交网络动态增量的演化社区发现方法
Luo et al. Set reconciliation with cuckoo filters
Wang et al. Differential privacy for weighted network based on probability model
CN115664976A (zh) 一种基于网络广义能量和信息熵的关键节点识别方法
CN115632965A (zh) 基于obdd的sdn双端可靠性评估方法及系统
Bendahman et al. Unveiling Influence in Networks: A Novel Centrality Metric and Comparative Analysis through Graph-Based Models
CN114155012A (zh) 欺诈群体识别方法、装置、服务器及存储介质
Jin et al. node2bits: Compact time-and attribute-aware node representations
Jian-guang et al. An improving tabu search algorithm for intrusion detection
CN111815442A (zh) 一种链接预测的方法、装置和电子设备
Liu et al. A stochastic approach to finding densest temporal subgraphs in dynamic graphs
CN116305262B (zh) 基于负调查的社交网络拓扑隐私保护方法
CN118332584B (zh) 面向分布式机器学习的数据安全治理方法、装置、电子设备和存储介质
Li et al. Feature-Attended Federated LSTM for Anomaly Detection in the Financial Internet of Things
CN111861770A (zh) 基于增量网络与互惠边的微博网络影响力节点发现方法

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

Inventor after: Lu Pengli

Inventor after: Dong Chen

Inventor after: Wei Jingjuan

Inventor after: Luan Rui

Inventor after: Chen Wei

Inventor after: Zhang Zhiru

Inventor before: Lu Pengli

Inventor before: Dong Chen

Inventor before: Wei Jingjuan

Inventor before: Luan Rui

Inventor before: Chen Wei

Inventor before: Zhang Zhiru

CB03 Change of inventor or designer information
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200901

WD01 Invention patent application deemed withdrawn after publication