CN111723298A - 基于改进标签传播的社交网络社团发现方法、装置及介质 - Google Patents
基于改进标签传播的社交网络社团发现方法、装置及介质 Download PDFInfo
- Publication number
- CN111723298A CN111723298A CN202010391130.8A CN202010391130A CN111723298A CN 111723298 A CN111723298 A CN 111723298A CN 202010391130 A CN202010391130 A CN 202010391130A CN 111723298 A CN111723298 A CN 111723298A
- Authority
- CN
- China
- Prior art keywords
- node
- label
- nodes
- network
- social network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 244000097202 Rathbunia alamosensis Species 0.000 description 1
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于改进标签传播的社交网络社团发现方法、装置及介质，其中方法包括：将社交网络中的用户作为节点，用户间的关注关系作为连边，构建无向网络；计算网络中每个节点的介数，进而将所有节点根据介数大小依次存储于向量中，作为新的节点集合；计算各节点间的Salton相似度指标；为网络中每个节点分配一个不同标签，并基于所述相似度矩阵对各节点标签进行迭代更新，直到各节点标签不再变化；将具有相同标签的节点划分为同一社团。本发明的方法对网络结构的挖掘更充分，对标签的区分更加精细化，且可以加快算法的收敛速度。
Description
技术领域
本发明涉及社交网络和网络科学领域，具体针对社交网络中典型的微博网络设计一种基于改进标签传播的社交网络社团发现方法、装置及介质。
背景技术
近年来，社交网络在人们生活中扮演越来越重要的地位。从国外的Facebook、Twitter到国内的微博、博客等，都在很大程度上影响了人们日常的生活和交流方式。其中，新浪微博的用户数量在几年内实现井喷式增长，日均活跃用户超过5000万。新浪微博作为开放的言论平台和便捷的沟通渠道，通过构建用户关注关系网络实现话题、新闻的快速传播，极大提升了公众对热点话题的参与程度。在微博网络中，用户通过关注、评论、转发、点赞等操作即可成为流行话题的参与者和传播者，同时，具有共同兴趣的用户间还可通过形成超话社区等方式进一步扩大话题影响力。
微博关注关系网络表现出典型的复杂网络特性，可采用复杂网络分析方法对其动力学特性进行分析。复杂网络作为网络科学的基本研究对象，将各类复杂系统与复杂过程进行抽象建模，进而利用统计学、物理学、系统动力学等手段研究其内在结构机理与动态特性。在微博网络中，兴趣相近的用户之间倾向于形成用户社团，随着社团规模的逐步扩大，其对网络上的信息传播具有重要影响。因此有必要结合用户特点对微博网络中的社团结构进行挖掘，进而利用挖掘结果实现话题分析、用户画像分析、个性化推荐、精准商业推送以及舆情监控等。这对于提升用户体验、指导平台运营和控制舆论导向具有重要现实意义。
近年来，复杂网络上的社团发现作为热点问题已得到国内外学者的广泛研究。常用的社团发现方法包括基于模块度优化的算法、基于谱聚类的算法、层次聚类算法、基于信息论的算法、基于标签传播的算法以及动态社团发现算法等。其中，基于标签传播的算法作为效率最高的社团发现方法，以其近乎线性的时间复杂度和高效的社团发现效果受到大量关注。然而现有标签传播算法大多未考虑对网络结构的充分利用，在标签更新和选取过程中多采用随机选取方法，导致所得社团结构不稳定，在同一网络中可能得到多种不同划分结果。复杂网络中节点重要性和节点间的相似性作为重要拓扑性质，对标签的更新和选取过程具有潜在指导意义，考虑这些属性可使社团发现算法的结果更稳定。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提供一种基于改进标签传播的社交网络社团发现方法，能够通过采用改进的标签传播算法实现社团发现，在标签的更新顺序上采用介数中心性排序，并利用Salton相似度指标对标签的选取进行精细化区分，可用于解决微博网络社团发现问题。
本发明还提出一种实施上述基于改进标签传播的社交网络社团发现方法的计算机装置。
本发明还提出一种实施上述基于改进标签传播的社交网络社团发现方法的介质。
根据本发明的第一方面实施例的基于改进标签传播的社交网络社团发现方法，包括以下步骤：S1、将社交网络中的用户作为节点，用户间的关注关系作为连边，构建无向网络；S2、计算网络中每个节点的介数，进而将所有节点根据介数大小从大到小存储于一个向量中，作为新的节点集合；S3、对于所述向量中每个节点，计算各节点间的Salton相似度指标，构建相似度矩阵；S4、为网络中每个节点分配一个不同标签，基于所述相似度指标设置标签更新策略，并根据所述标签更新策略，对各节点标签进行迭代更新，直到各节点标签不再变化；S5、将具有相同标签的节点划分为同一社团。
根据本发明实施例的基于改进标签传播的社交网络社团发现方法，至少具有如下有益效果：
(1)本发明实施例的方法通过采用改进的标签传播算法实现社团发现，在标签的更新顺序上采用介数中心性排序，并利用Salton相似度指标对标签的选取进行精细化区分，在微博网络中具有较高的划分精度和较快的收敛速度，可用于解决微博网络社团发现问题。
(2)本发明实施例采用介数中心性作为标签更新顺序，避免了由于随机选取导致的结果不稳定性。
(3)本发明实施例采用Salton相似度指标作为标签选取策略，相比于传统方法中常用的出现频次，对网络结构的挖掘更充分，对标签的区分更加精细化，且可以加快算法的收敛速度。
(4)本发明实施例在微博网络社团发现这个技术问题上提高了精度(相比于同类标签传播算法)，非常适用于挖掘微博网络中非重叠社团结构。
根据本发明的一些实施例，所述步骤S1包括：将网络连边进行预处理，去除连边权重、自环、重复边以及孤立节点。对网络连边的预处理除去了对社团发现无用的连边和节点，提高算法的效率。
根据本发明的一些实施例，所述步骤S2包括：对于每个节点i∈V，计算其节点介数
其中，V表示节点集合，σst(i)表示经过节点i的s→t的最短路径条数，σst表示s→t的最短路径条数。介数反映了相应的节点或者边在整个网络中的作用和影响力，计算介数中心性作为标签更新顺序，能够避免由于随机选取导致的结果不稳定性。
根据本发明的一些实施例，所述步骤S3包括：对于每个节点对i，j∈W，计算其Salton相似度指标
其中，W表示所述向量，Γ(i)表示节点i的邻居节点集合，ki表示节点i的度，|·|表示集合中元素的个数。本发明实施例的算法基于Salton相似度指标，Salton相似度指标以共同邻居为依据，即两个节点之间的共同邻居数量越多这两个节点之间就越相似，这两个节点之间连接的可能性就大，越有可能被划分为一个社团。
根据本发明的一些实施例，所述步骤S4包括：S401、为网络中每个节点分配一个不同标签ci＝i；S402、设置迭代次数t＝1；S403、对于每个节点i∈W，其第t次迭代中标签更新策略如下：
其中，W表示所述向量，
表示节点i的邻居中标签为k的所有节点构成的集合；S404、设置迭代次数加1，返回步骤S403直至各节点标签不再发生变化。每次迭代中节点i的邻居中标签数量最多的标签为公式最优解，经过多次迭代之后，关系紧密的节点会根据其邻居节点的标签信息更新为统一的标签，标签相同的节点被划分为相同的社团。
根据本发明的一些实施例，所述步骤S403还包括：当出现相同取值的标签时，在其中随机选取一个。
根据本发明的一些实施例，所述步骤S5还包括：基于模块度指标对划分社团的准确度进行评价。
根据本发明的第二方面实施例的一种计算机装置，包括存储器和处理器，所述处理器执行储存在所述存储器中的计算机程序时实施的方法包括以下步骤：S1、将社交网络中的用户作为节点，用户间的关注关系作为连边，构建无向网络；S2、计算网络中每个节点的介数，进而将所有节点根据介数大小依次存储于一个向量中，作为新的节点集合；S3、对于所述向量中的每个节点，计算各节点间的Salton相似度指标，构建相似度矩阵；S4、为网络中每个节点分配一个不同标签，基于所述相似度指标设置标签更新策略，并根据所述标签更新策略，对各节点标签进行迭代更新，直到各节点标签不再变化；S5、将具有相同标签的节点划分为同一社团。
由于本发明实施例的计算机装置，包括存储器和处理器，所述处理器执行储存在所述存储器中的计算机程序时实施的方法包括如本发明的第一方面实施例所述的方法，因此具有本发明第一方面的有益效果。
根据本发明的一些实施例，所述步骤S5还包括：基于模块度指标对划分社团的准确度进行评价。
根据本发明的第三方面实施例的一种计算机可读存储介质，其上储存有程序指令，所述程序指令被处理器执行时实施如本发明的第一方面实施例中任一项所述的方法。
由于本发明实施例的计算机可读存储介质上存储有用于执行如本发明第一方面中任一项所述的一种基于改进标签传播的社交网络社团发现方法的计算机可执行指令，因此具有本发明第一方面的所有有益效果。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明实施例的社团发现方法实现流程图示；
图2为本发明另一实施例的社团发现方法实现流程图示。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。
在传统的标签传播算法中，标签更新策略是当节点存在多个同等最大数量的标签时，采用随机策略选择标签，每当邻居节点具有相同数量的标签时随机选取一个标签进行更新，这样很大程度上影响了结果稳定性。本发明采用介数中心性对节点进行排序，介数能够反映相应的节点或者边在整个网络中的作用和影响力通过节点重要性，因此本发明通过节点重要性序列调整节点标签信息的更新顺序，避免重要程度大的节点被重要程度小的节点过早影响。
参照图1，本发明实施例通过将微博网络中用户的关注关系建模为无向无权网络，采用改进的标签传播算法迭代计算网络的标签分布，实现微博网络的社团发现。该方法首先为网络中所有节点分配不同标签，随后在迭代过程中根据节点介数中心性顺序依次对标签进行更新，并在更新过程中利用节点Salton相似度指标对邻域节点进行精细化区分，最后将收敛状态下的标签分布作为社团划分结果。
本发明实施例的方法包括以下步骤：S1、将社交网络中的用户作为节点，用户间的关注关系作为连边，构建无向网络G＝(V，E)，其中V和E分别表示节点集合和连边集合；S2、计算网络中每个节点的介数BCi，进而将所有节点根据介数大小依次存储于向量W中，作为新的节点集合；S3、对于每个节点对i，j∈W，计算各节点间的Salton相似度指标Sij，构建相似度矩阵S；S4、为网络中每个节点分配一个不同标签，并基于相似度矩阵设置标签更新策略，根据所述标签更新策略对各节点标签进行迭代更新，直到各节点标签不再变化；S5、将具有相同标签的节点划分为同一社团。
在一些实施例中，步骤S1包括：将网络连边进行预处理，去除连边权重、自环、重复边以及孤立节点。
在一些实施例中，步骤S2包括：对于每个节点i∈V，计算其节点介数
其中σst(i)表示经过节点i的s→t的最短路径条数，σst表示s→t的最短路径条数。其中，介数反映了相应的节点或者边在整个网络中的作用和影响力，是一个重要的全局权几何量，具有很强的现实意义。例如，在社会关系网或技术网络中，介数的分布特征反映了不同人员、资源和技术在相应生产关系中的地位，这对于发现和保护关键资源、技术和人才具有重要意义。本实施例通过计算节点介数，以介数中心性作为标签更新顺序，避免了由于随机选取导致的结果不稳定性。
在一些实施例中，步骤S3包括：对于每个节点对i，j∈W，计算其Salton相似度指标
其中Γ(i)表示节点i的邻居节点集合，ki表示节点i的度，|·|表示集合中元素的个数。本发明实施例的算法基于Salton相似度指标，Salton相似度指标以共同邻居为依据，即两个节点之间的共同邻居数量越多这两个节点之间就越相似，这两个节点之间连接的可能性就大，越有可能被划分为一个社团。
在一些实施例中，步骤S4包括：S401、为网络中每个节点分配一个不同标签ci＝i；S402、设置迭代次数t＝1；S403、对于每个节点i∈W，其第t次迭代中标签更新策略如下：
其中，
表示节点i的邻居中标签为k的所有节点构成的集合；S404、设置迭代次数加1，返回步骤S403直至各节点标签不再发生变化。每次迭代中节点i的邻居中标签数量最多的标签为公式最优解，经过多次迭代之后，关系紧密的节点会根据其邻居节点的标签信息更新为统一的标签，标签相同的节点被划分为相同的社团。
在一些实施例中，步骤S403还包括：当出现相同取值的标签时，在其中随机选取一个。
在一些实施例中，步骤S5还包括：基于模块度指标对划分社团的准确度进行评价。
参照图2，结合在微博网络数据集上的具体实施过程对本发明实施例作进一步阐述：
将该数据集中的用户账号建模为网络节点，账号之间的关注关系建模为连边，不考虑连边出现的时间与节点类别，可得到包含465,017个节点，834,797条有向边的复杂网络拓扑结构。在该网络中进行社团划分是好友推荐、广告推广、舆情监控的重要依据，具有十分重要的现实意义。
本实施例首先将网络连边进行预处理，去除连边权重、自环、重复边、孤立节点。
本实施例利用一种基于相似性的标签传播方法对上述网络实现社团划分，具体包括以下步骤：
步骤1、设原始网络G＝(V，E)，N＝|V|为节点数，M＝|E|为连边数，A为邻接矩阵。
步骤2、对于每个节点i∈V，计算其节点介数
其中σst(i)表示经过节点i的s→t的最短路径条数，σst表示s→t的最短路径条数。
步骤3、按照节点介数从大到小对节点进行重新排列，生成新节点集合W。
步骤4、对于每个节点对i，j∈W，计算其Salton相似度指标
其中Γ(i)表示节点i的邻居节点集合，ki表示节点i的度，|·|表示集合中元素的个数。
步骤5、对于每个节点i∈W，将其节点序号作为初始标签ci＝。
步骤6、设置迭代次数t＝1。
步骤7、对于每个节点i∈W，其第t次迭代中标签更新策略如下：
其中，
表示节点i的邻居中标签为k的所有节点构成的集合。特别地，当出现相同取值的标签时，在其中随机选取一个。
步骤8、t＝t+1，重复步骤7直至各节点标签不再发生变化。
步骤9、将具有相同标签的节点划分在同一社团，完成对数据集的社团划分。
本实施例采用模块度指标对划分社团的准确度进行评价。
应当认识到，本发明实施例中的方法步骤可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的安卓计算平台中实现。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还可以包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (10)
1.一种基于改进标签传播的社交网络社团发现方法，其特征在于，包括以下步骤：
S1、将社交网络中的用户作为节点，用户间的关注关系作为连边，构建无向网络；
S2、计算网络中每个节点的介数，进而将所有节点根据介数大小从大到小存储于一个向量中，作为新的节点集合；
S3、对于所述向量中每个节点，计算各节点间的Salton相似度指标，构建相似度矩阵；
S4、为网络中每个节点分配一个不同标签，基于所述相似度指标设置标签更新策略，并根据所述标签更新策略，对各节点标签进行迭代更新，直到各节点标签不再变化；
S5、将具有相同标签的节点划分为同一社团。
2.根据权利要求1所述的基于改进标签传播的社交网络社团发现方法，其特征在于，所述步骤S1包括：
将网络连边进行预处理，去除连边权重、自环、重复边以及孤立节点。
3.根据权利要求1所述的基于改进标签传播的社交网络社团发现方法，其特征在于，所述步骤S2包括：
对于每个节点i∈V，计算其节点介数
其中，V表示节点集合，σst(i)表示经过节点i的s→t的最短路径条数，σst表示s→t的最短路径条数。
4.根据权利要求1所述的基于改进标签传播的社交网络社团发现方法，其特征在于，所述步骤S3包括：
对于每个节点对i，j∈W，计算其Salton相似度指标
其中，W表示所述向量，Γ(i)表示节点i的邻居节点集合，ki表示节点i的度，|·|表示集合中元素的个数。
5.根据权利要求1所述的基于改进标签传播的社交网络社团发现方法，其特征在于，所述步骤S4包括：
S401、为网络中每个节点分配一个不同标签ci＝i；
S402、设置迭代次数t＝1；
S403、对于每个节点i∈W，其第t次迭代中标签更新策略如下：
其中，W表示所述向量，
表示节点i的邻居中标签为k的所有节点构成的集合；
S404、设置迭代次数加1，返回步骤S403直至各节点标签不再发生变化。
6.根据权利要求5所述的基于改进标签传播的社交网络社团发现方法，其特征在于，所述步骤S403还包括：
当出现相同取值的标签时，在其中随机选取一个。
7.根据权利要求1所述的基于改进标签传播的社交网络社团发现方法，其特征在于，所述步骤S5还包括：
基于模块度指标对划分社团的准确度进行评价。
8.一种计算机装置，包括存储器和处理器，其特征在于，所述处理器执行储存在所述存储器中的计算机程序时实施的方法包括以下步骤：
S1、将社交网络中的用户作为节点，用户间的关注关系作为连边，构建无向网络；
S2、计算网络中每个节点的介数，进而将所有节点根据介数大小依次存储于一个向量中，作为新的节点集合；
S3、对于所述向量中的每个节点，计算各节点间的Salton相似度指标，构建相似度矩阵；
S4、为网络中每个节点分配一个不同标签，基于所述相似度指标设置标签更新策略，并根据所述标签更新策略，对各节点标签进行迭代更新，直到各节点标签不再变化；
S5、将具有相同标签的节点划分为同一社团。
9.根据权利要求8所述的装置，其特征在于，所述步骤S5还包括：
基于模块度指标对划分社团的准确度进行评价。
10.一种计算机可读存储介质，其上储存有程序指令，所述程序指令被处理器执行时实施如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010391130.8A CN111723298B (zh) | 2020-05-11 | 2020-05-11 | 基于改进标签传播的社交网络社团发现方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010391130.8A CN111723298B (zh) | 2020-05-11 | 2020-05-11 | 基于改进标签传播的社交网络社团发现方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111723298A true CN111723298A (zh) | 2020-09-29 |
| CN111723298B CN111723298B (zh) | 2023-09-29 |
Family
ID=72566083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010391130.8A Active CN111723298B (zh) | 2020-05-11 | 2020-05-11 | 基于改进标签传播的社交网络社团发现方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111723298B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112015954A (zh) * | 2020-08-28 | 2020-12-01 | 平顶山学院 | 基于马太效应的社团检测方法 |
| CN112632275A (zh) * | 2020-12-03 | 2021-04-09 | 大箴(杭州)科技有限公司 | 基于个人文本信息的人群聚类数据处理方法、装置及设备 |
| CN112633388A (zh) * | 2020-12-28 | 2021-04-09 | 中国科学院软件研究所 | 一种面向社交网络的分布式用户聚类方法 |
| 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 |
| CN114553717A (zh) * | 2022-02-18 | 2022-05-27 | 中国农业银行股份有限公司 | 一种网络节点划分方法、装置、设备及存储介质 |
| CN117811992A (zh) * | 2024-02-29 | 2024-04-02 | 山东海量信息技术研究院 | 一种网络不良信息传播抑制方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117422A (zh) * | 2015-07-30 | 2015-12-02 | 中国传媒大学 | 智能社交网络推荐系统 |
| CN105893382A (zh) * | 2014-12-23 | 2016-08-24 | 天津科技大学 | 一种基于先验知识的微博用户群体划分方法 |
| US20160248846A1 (en) * | 2015-02-23 | 2016-08-25 | International Business Machines Corporation | Populating a new community for a social network |
| CN107276793A (zh) * | 2017-05-31 | 2017-10-20 | 西北工业大学 | 基于概率跳转随机游走的节点重要性度量方法 |
-
2020
- 2020-05-11 CN CN202010391130.8A patent/CN111723298B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105893382A (zh) * | 2014-12-23 | 2016-08-24 | 天津科技大学 | 一种基于先验知识的微博用户群体划分方法 |
| US20160248846A1 (en) * | 2015-02-23 | 2016-08-25 | International Business Machines Corporation | Populating a new community for a social network |
| CN105117422A (zh) * | 2015-07-30 | 2015-12-02 | 中国传媒大学 | 智能社交网络推荐系统 |
| CN107276793A (zh) * | 2017-05-31 | 2017-10-20 | 西北工业大学 | 基于概率跳转随机游走的节点重要性度量方法 |
Non-Patent Citations (3)
| Title |
|---|
| TAO WU等: ""LPA Based Hierarchical Community Detection"", 《2014 IEEE 17TH INTERNATIONAL CONFERENCE ON COMPUTATIONAL SCIENCE AND ENGINEERING》, pages 1 - 4 * |
| 李卫疆等: ""一种基于节点相似度的标签传播算法"", 《软件导刊》, pages 1 - 2 * |
| 李广原: ""扩展布尔检索模型——Salton模型"", 《广西科学院学报》, pages 153 - 155 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112015954A (zh) * | 2020-08-28 | 2020-12-01 | 平顶山学院 | 基于马太效应的社团检测方法 |
| CN112015954B (zh) * | 2020-08-28 | 2021-08-27 | 平顶山学院 | 基于马太效应的社团检测方法 |
| CN112632275A (zh) * | 2020-12-03 | 2021-04-09 | 大箴(杭州)科技有限公司 | 基于个人文本信息的人群聚类数据处理方法、装置及设备 |
| CN112632275B (zh) * | 2020-12-03 | 2022-05-13 | 大箴(杭州)科技有限公司 | 基于个人文本信息的人群聚类数据处理方法、装置及设备 |
| CN112633388A (zh) * | 2020-12-28 | 2021-04-09 | 中国科学院软件研究所 | 一种面向社交网络的分布式用户聚类方法 |
| CN112633388B (zh) * | 2020-12-28 | 2022-07-29 | 中国科学院软件研究所 | 一种面向社交网络的分布式用户聚类方法 |
| 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 |
| CN114553717A (zh) * | 2022-02-18 | 2022-05-27 | 中国农业银行股份有限公司 | 一种网络节点划分方法、装置、设备及存储介质 |
| CN114553717B (zh) * | 2022-02-18 | 2024-02-09 | 中国农业银行股份有限公司 | 一种网络节点划分方法、装置、设备及存储介质 |
| CN117811992A (zh) * | 2024-02-29 | 2024-04-02 | 山东海量信息技术研究院 | 一种网络不良信息传播抑制方法、装置、设备及存储介质 |
| CN117811992B (zh) * | 2024-02-29 | 2024-05-28 | 山东海量信息技术研究院 | 一种网络不良信息传播抑制方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111723298B (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111723298A (zh) | 基于改进标签传播的社交网络社团发现方法、装置及介质 | |
| CN112352234B (zh) | 用于处理并发属性图查询的系统 | |
| Fan et al. | Association rules with graph patterns | |
| US8396855B2 (en) | Identifying communities in an information network | |
| Gao et al. | Dynamic shortest path algorithms for hypergraphs | |
| Lin | Distributed algorithms for fully personalized pagerank on large graphs | |
| Singh et al. | Ensemble based spam detection in social IoT using probabilistic data structures | |
| Ahmed et al. | Nested chinese restaurant franchise process: Applications to user tracking and document modeling | |
| Nguyen et al. | Probability-based multi-hop diffusion method for influence maximization in social networks | |
| EP3358474B1 (en) | Route search method, device and apparatus, and non-volatile computer storage medium | |
| CN107391542A (zh) | 一种基于文件知识图谱的开源软件社区专家推荐方法 | |
| CN103138981A (zh) | 一种社交网络分析方法和装置 | |
| CN102135983A (zh) | 基于网络用户行为的群体划分方法和装置 | |
| CN112667860A (zh) | 一种子图匹配方法、装置、设备及存储介质 | |
| CN111400504A (zh) | 企业关键人的识别方法和装置 | |
| CN113706326B (zh) | 基于矩阵运算的移动社会网络图修改方法 | |
| US11797534B2 (en) | Efficient SQL-based graph random walk | |
| Guerrieri et al. | DFEP: Distributed funding-based edge partitioning | |
| Yu et al. | Fast budgeted influence maximization over multi-action event logs | |
| Yoo et al. | Sampling subgraphs with guaranteed treewidth for accurate and efficient graphical inference | |
| Mukherjee et al. | Two provably consistent divide-and-conquer clustering algorithms for large networks | |
| CN111178678B (zh) | 基于社团影响力的网络节点重要性评估方法 | |
| CN102708285A (zh) | 基于复杂网络模型并行化PageRank算法的核心药物挖掘方法 | |
| KR20190030435A (ko) | 자연어 처리를 이용한 지정상품 추천 방법, 장치 및 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램 | |
| CN104023056B (zh) | 更新数据的方法和相关设备 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231218 Address after: 519060 No.1, Pingdong 1st Road, Nanping Science and Technology Industrial Park, Zhuhai City, Guangdong Province Patentee after: ZHUHAI COMLEADER INFORMATION TECHNOLOGY Co.,Ltd. Patentee after: HENAN XINDA WANGYU TECHNOLOGY Co.,Ltd. Address before: 519060 No.1, Pingdong 1st Road, Nanping Science and Technology Industrial Park, Zhuhai City, Guangdong Province Patentee before: ZHUHAI COMLEADER INFORMATION TECHNOLOGY Co.,Ltd. |