CN111784206B - 采用LeaderRank算法评估社交网络关键节点的方法 - Google Patents
采用LeaderRank算法评估社交网络关键节点的方法 Download PDFInfo
- Publication number
- CN111784206B CN111784206B CN202010746950.4A CN202010746950A CN111784206B CN 111784206 B CN111784206 B CN 111784206B CN 202010746950 A CN202010746950 A CN 202010746950A CN 111784206 B CN111784206 B CN 111784206B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- community
- social network
- influence
- 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 43
- 238000013210 evaluation model Methods 0.000 claims abstract description 9
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 230000006855 networking Effects 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种采用LeaderRank算法评估社交网络关键节点的方法,该方法首先计算社交网络图内每个节点的平均表现特征,利用该平均表现特征改进加权LeaderRank算法得到基于节点属性的影响力,以此表征节点的全局重要性;再依据社交网络的社区结构特性对网络进行社区划分,然后计算基于社区结构的节点度,以此表征节点的局部重要性;最后使用欧氏距离法,结合基于节点属性的影响力和基于社区结构的节点度构建关键节点评估模型,从而对社交网络节点重要度进行评估。本发明能够解决现有技术在评价社交网络节点的影响力时考虑的方面较为单一,不能全面地刻画节点的重要程度的问题。
Description
技术领域
本发明涉及网络分析技术领域,特别是涉及一种采用LeaderRank算法评估社交网络关键节点的方法。
背景技术
社交网络可以看做是人与人之间线上交流的一个抽象,如今已经慢慢渗透到了人们的日常工作生活中。国外的社交网络有以社交活动分享为主的Facebook,微博服务站点Twitter等。国内广泛使用的社交网络则有QQ、微信、知乎、微博和豆瓣等。社交网络属于复杂网络,具有小世界性、无标度性和社区结构等特性。
在社交网络中有些节点对整个网络起着关键的作用,对这些节点进行分析具有重要价值。对于商家而言,如果可以通过雇佣一些社交网站上的大V用户来做商品广告的推广和营销,那么对新产品的宣传推广会起到事半功倍的效果。对于政府部门来说,如果需要去监管、引导网民在社交网站上的舆论,则可以找到社交网络上的一些意见领袖,通过他们来引导舆论的方向或者监测网络上的言论,特别是对一些非法言论加以处理。因此,深入了解网络结构并从节点独特性方面分析网络特性从而找到关键节点具有重要的意义。
目前,相关技术中有一些评估社交网络关键节点的方法。但现有方法都是比较基础的诸如基于邻居、基于路径的关键节点分析方法,在评价社交网络节点的影响力时考虑的方面较为单一,不能全面地刻画节点的重要程度,不能很好地适用于现实的社交网络中。
发明内容
针对上述问题,本发明的目的在于提出一种采用LeaderRank算法评估社交网络关键节点的方法,以解决现有技术在评价社交网络节点的影响力时考虑的方面较为单一,不能全面地刻画节点的重要程度的问题。
一种采用LeaderRank算法评估社交网络关键节点的方法,包括:
计算社交网络图内每个节点的平均表现特征APi,节点平均表现特征APi从一组一般节点属性中提取得到,一般节点属性组由两部分组成,第一部分为社交平台都有的互动统计功能,第二部分为社交平台所特有的互动统计功能;
采用改进加权LeaderRank算法,在迭代分配节点影响力时,同时使用边权wji和节点的平均表现特征APi,控制指向节点i的节点j将自身影响力分配给节点i时的分配量,得到基于节点属性的影响力ALRi,以此表征节点的全局重要性;
利用社交网络的社区结构特性对网络进行社区划分,以得到社区集合;
获取社区集合后,将社区的邻居节点划分为同社区邻居节点和不同社区邻居节点,当邻居节点为不同社区的节点时,按照社区的规模以及整个社区影响力的不同给不同社区邻居节点分配更大的度贡献值,最终得到基于社区结构的节点度CDi;
使用欧氏距离法,结合基于节点属性的影响力ALRi和基于社区结构的节点度CDi,构建关键节点评估模型,从而对社交网络节点重要度进行评估。
根据本发明提供的采用LeaderRank算法评估社交网络关键节点的方法,通过考虑节点的自身属性来反映节点的全局重要性,结合社区结构改进节点的度指标表征节点的局部重要性,最终得到节点的综合重要度,能对社交网络图进行更全面的分析,关键节点的评估结果更准确,能够更全面地刻画节点的重要程度。另外,节点平均表现特征是从一组一般节点属性中提取出来的,这使本方法能够应用到从不同社交平台提取出的网络图的关键节点评估之中,通用性更好。
另外,根据本发明上述的采用LeaderRank算法评估社交网络关键节点的方法,还可以具有如下附加的技术特征:
进一步地,计算社交网络图内每个节点的平均表现特征APi的步骤具体包括:
统计用户预设时间内在社交平台原创且有效内容的发布数、获赞数、被转发数、被评论数以及社交平台特有的互动统计功能,得到节点的一般节点属性组A={A1,A2,…,An},使用1-9标度法得到除内容发布数外其它属性之间的相对重要性,来确定这些属性在平均表现特征中应占的权重根据下式得到节点的平均表现特征APi:
进一步地,采用改进加权LeaderRank算法,在迭代分配节点影响力时,同时使用边权wji和节点的平均表现特征APi,控制指向节点i的节点j将自身影响力分配给节点i时的分配量,得到基于节点属性的影响力ALRi的步骤具体包括:
根据下式迭代更新所有节点的ALRi值:
当所有节点的ALRi趋于稳定或者达到最大迭代次数时,停止迭代。
进一步地,调节因子α取0.3。
进一步地,利用社交网络的社区结构特性对网络进行社区划分的步骤中,使用Louvain算法对网络进行社区划分,得到社区集合C={C1,C2,…,Cn}。
进一步地,得到基于社区结构的节点度CDi的步骤中,采用下式计算基于社区结构的节点度CDi:
Γ(iin)表示指向节点i的节点的集合,Cj表示节点j所在的社区。
进一步地,使用欧氏距离法,结合基于节点属性的影响力ALRi和基于社区结构的节点度CDi,构建关键节点评估模型的步骤具体包括:
获取社交网络图中所有节点的基于节点属性的影响力ALRi和基于社区结构的节点度CDi,采用min-max标准化方法对两个指标进行归一化处理;
使用欧氏距离法构建关键节点评估模型,根据下式评估节点的重要度值Ri,重要度值大的节点即为关键节点;
附图说明
本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一实施例提供的采用LeaderRank算法评估社交网络关键节点的方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,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做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。
为了对本发明进行说明,首先定义社交网络为有向无权网络图G=(V,E),其中V为节点集合,E为边集合,使用Louvain算法将社交网络图G划分为多个社区,社区集合C={C1,C2,…,Cn},其中Cn=(Vn,En),表示社区n的网络拓扑结构图,Vn表示社区n节点的集合,En表示社区n的边集合。
基于上述内容,本发明通过考虑节点的一组自身属性来反映节点的全局重要性,使用结合社区结构改进节点的度指标表征节点的局部重要性,最终使用欧式距离法基于以上两个指标构建评估模型对社交网络图进行更全面的分析,具体请参阅图1,本发明一实施例提供的采用LeaderRank算法评估社交网络关键节点的方法,其步骤如下:
S1.针对社交网络中节点的独立性,计算所述社交网络图内每个节点的平均表现特征,节点平均表现特征APi从一组一般节点属性中提取得到,一般节点属性组由两部分组成,第一部分为大多数社交平台都有的互动统计功能,如:内容发布数、获赞数、被转发数,第二部分为社交平台所特有的互动统计功能,如:头条的“打赏”、bilibili的“投币”和“收藏”、知乎的“感谢”等,得到节点的一般节点属性组A={A1,A2,…,An};之后采用1-9标度法计算除内容发布数外其它属性之间的相对重要性,得到判定矩阵,按照矩阵中的相对重要性得到每个属性在节点平均表现特征中的权值占比。最终的节点平均表现特征计算方法如式(1)所示:
S2.获取节点平均表现特征APi后,改进加权LeaderRank算法得到基于节点属性的影响力ALRi,具体步骤如下:
按照式(2)迭代更新所有节点的ALRi值;
其中,wji=1表示节点j指向节点i存在连边,但当连边某一端为背景节点g时k(iin)表示节点i的入度,Γ(jout)表示节点j指向节点的集合,调节因子α根据相关研究得到的经验值可设置为0.3,同时也可根据实际网络数据做对比实验来进行调优;
当所有节点的ALRi趋于稳定,即ALRi(t+1)-ALRi(t)≤10-5,或者达到最大迭代次数20次时,停止迭代。
S3.社交网络进行社区划分,使用Louvain算法将社交网络G划分为多个社区,得到社区集合C={C1,C2,…,Cn}。
S4.获取社区集合后,可将社区的邻居节点划分为同社区邻居节点和不同社区邻居节点,当邻居节点为不同社区的节点时,会按照社区的规模以及整个社区影响力的不同给不同社区邻居节点分配更大的度贡献值,最终得到基于社区结构的节点度CDi,具体计算方法如公式(3)所示:
S5.使用欧氏距离法结合基于LeaderRank算法和节点平均表现特征的全局重要性指标ALRi和基于社区结构的节点度局部重要性指标CDi构建评估模型,模型的构建过程如下:
对两个指标进行归一化处理,如式(4)、式(5)所示:
使用欧式距离法结合基于节点属性的影响力ALRi和基于社区结构的节点度CDi,得到网络中节点的重要度值Ri,具体根据公式(6)计算节点的重要度值Ri,重要度值大于阈值的节点即为关键节点:
根据上述的采用LeaderRank算法评估社交网络关键节点的方法,通过考虑节点的自身属性来反映节点的全局重要性,结合社区结构改进节点的度指标表征节点的局部重要性,最终得到节点的综合重要度,能对社交网络图进行更全面的分析,关键节点的评估结果更准确,能够更全面地刻画节点的重要程度。另外,节点平均表现特征是从一组一般节点属性中提取出来的,这使本方法能够应用到从不同社交平台提取出的网络图的关键节点评估之中,通用性更好。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (4)
1.一种采用LeaderRank算法评估社交网络关键节点的方法,其特征在于,包括:
计算社交网络图内每个节点的平均表现特征APi,节点平均表现特征APi从一组一般节点属性中提取得到,一般节点属性组由两部分组成,第一部分为社交平台都有的互动统计功能,第二部分为社交平台所特有的互动统计功能;
采用改进加权LeaderRank算法,在迭代分配节点影响力时,同时使用边权wji和节点的平均表现特征APi,控制指向节点i的节点j将自身影响力分配给节点i时的分配量,得到基于节点属性的影响力ALRi,以此表征节点的全局重要性;
利用社交网络的社区结构特性对网络进行社区划分,以得到社区集合;
获取社区集合后,将社区的邻居节点划分为同社区邻居节点和不同社区邻居节点,并计算基于社区结构的节点度CDi;
使用欧氏距离法,结合基于节点属性的影响力ALRi和基于社区结构的节点度CDi,构建关键节点评估模型,从而对社交网络节点重要度进行评估;
其中,计算社交网络图内每个节点的平均表现特征APi的步骤具体包括:
统计用户预设时间内在社交平台原创且有效内容的发布数、获赞数、被转发数、被评论数以及社交平台特有的互动统计功能,得到节点的一般节点属性组A={A1,A2,...,An},使用1-9标度法得到除内容发布数外其它属性之间的相对重要性,来确定这些属性在平均表现特征中应占的权重根据下式得到节点的平均表现特征APi:
采用改进加权LeaderRank算法,在迭代分配节点影响力时,同时使用边权wji和节点的平均表现特征APi,控制指向节点i的节点j将自身影响力分配给节点i时的分配量,得到基于节点属性的影响力ALRi的步骤具体包括:
根据下式迭代更新所有节点的ALRi值:
当所有节点的ALRi趋于稳定或者达到最大迭代次数时,停止迭代;
计算基于社区结构的节点度CDi的步骤中,采用下式计算基于社区结构的节点度CDi:
Г(iin)表示指向节点i的节点的集合,Cj表示节点j所在的社区,G=(V,E)表示社交网络的有向无权网络图,其中V为节点集合,E为边集合。
2.根据权利要求1所述的采用LeaderRank算法评估社交网络关键节点的方法,其特征在于,调节因子α取0.3。
3.根据权利要求1所述的采用LeaderRank算法评估社交网络关键节点的方法,其特征在于,利用社交网络的社区结构特性对网络进行社区划分的步骤中,使用Louvain算法对网络进行社区划分,得到社区集合C={C1,C2,...,Cn}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010746950.4A CN111784206B (zh) | 2020-07-29 | 2020-07-29 | 采用LeaderRank算法评估社交网络关键节点的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010746950.4A CN111784206B (zh) | 2020-07-29 | 2020-07-29 | 采用LeaderRank算法评估社交网络关键节点的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784206A CN111784206A (zh) | 2020-10-16 |
CN111784206B true CN111784206B (zh) | 2021-03-19 |
Family
ID=72765470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010746950.4A Active CN111784206B (zh) | 2020-07-29 | 2020-07-29 | 采用LeaderRank算法评估社交网络关键节点的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784206B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762334B (zh) * | 2021-07-26 | 2022-03-01 | 南昌航空大学 | 一种采用深度强化学习评估异质社交网络关键节点的方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012216943A (ja) * | 2011-03-31 | 2012-11-08 | Kddi Corp | ネットワークにおけるコミュニティ構造検出装置及び方法 |
CN103678669A (zh) * | 2013-12-25 | 2014-03-26 | 福州大学 | 一种社交网络中的社区影响力评估系统及方法 |
CN105117849A (zh) * | 2015-08-28 | 2015-12-02 | 湖南大学 | 基于电气LeaderRank算法的电网节点重要度评估方法 |
CN105337773A (zh) * | 2015-11-19 | 2016-02-17 | 南京邮电大学 | 基于ReciprocityRank算法的微博网络影响力节点发现方法 |
CN104598605B (zh) * | 2015-01-30 | 2018-01-12 | 福州大学 | 一种社交网络中的用户影响力评估方法 |
CN108809697A (zh) * | 2018-05-18 | 2018-11-13 | 中国矿业大学 | 基于影响力最大化的社交网络关键节点识别方法及系统 |
CN109005055A (zh) * | 2018-07-16 | 2018-12-14 | 西安交通大学 | 基于多尺度拓扑空间的复杂网络信息节点重要度评价方法 |
CN111161089A (zh) * | 2019-12-30 | 2020-05-15 | 哈尔滨工程大学 | 基于copra的重叠社区划分方法 |
CN111340821A (zh) * | 2020-02-20 | 2020-06-26 | 太原理工大学 | 一种基于模块连接的大脑结构网络的偏测性检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073700B (zh) * | 2010-12-30 | 2012-12-19 | 浙江大学 | 一种复杂网络社团的发现方法 |
CN102413029B (zh) * | 2012-01-05 | 2014-04-02 | 西安电子科技大学 | 基于分解的局部搜索多目标复杂动态网络社区划分方法 |
CN105956413B (zh) * | 2016-04-27 | 2019-08-06 | 王�忠 | 识别生物分子网络中关键模块或关键节点的方法 |
-
2020
- 2020-07-29 CN CN202010746950.4A patent/CN111784206B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012216943A (ja) * | 2011-03-31 | 2012-11-08 | Kddi Corp | ネットワークにおけるコミュニティ構造検出装置及び方法 |
CN103678669A (zh) * | 2013-12-25 | 2014-03-26 | 福州大学 | 一种社交网络中的社区影响力评估系统及方法 |
CN104598605B (zh) * | 2015-01-30 | 2018-01-12 | 福州大学 | 一种社交网络中的用户影响力评估方法 |
CN105117849A (zh) * | 2015-08-28 | 2015-12-02 | 湖南大学 | 基于电气LeaderRank算法的电网节点重要度评估方法 |
CN105337773A (zh) * | 2015-11-19 | 2016-02-17 | 南京邮电大学 | 基于ReciprocityRank算法的微博网络影响力节点发现方法 |
CN108809697A (zh) * | 2018-05-18 | 2018-11-13 | 中国矿业大学 | 基于影响力最大化的社交网络关键节点识别方法及系统 |
CN109005055A (zh) * | 2018-07-16 | 2018-12-14 | 西安交通大学 | 基于多尺度拓扑空间的复杂网络信息节点重要度评价方法 |
CN111161089A (zh) * | 2019-12-30 | 2020-05-15 | 哈尔滨工程大学 | 基于copra的重叠社区划分方法 |
CN111340821A (zh) * | 2020-02-20 | 2020-06-26 | 太原理工大学 | 一种基于模块连接的大脑结构网络的偏测性检测方法 |
Non-Patent Citations (4)
Title |
---|
Community Detection in Scale-Free Networks: Approximation Algorithms for Maximizing Modularity;Thang N. Dinh;《IEEE》;20130517;全文 * |
基于多属性的社交网络关键节点挖掘方法;申琳;《中国优秀硕士学位论文全文数据库 基础科学辑》;20180415(第4期);全文 * |
基于节点重要性的社区发现算法研究与应用;袁丹丹;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200215(第2期);全文 * |
网络重要节点排序方法综述;任晓龙;《科学通报》;20130531(第13期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111784206A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11301884B2 (en) | Seed population diffusion method, device, information delivery system and storage medium | |
WO2020029590A1 (zh) | 基于联邦训练的样本预测方法、装置及存储介质 | |
CN105117422A (zh) | 智能社交网络推荐系统 | |
Gursoy et al. | Influence maximization in social networks under deterministic linear threshold model | |
CN109063010A (zh) | 一种基于PageRank的意见领袖挖掘方法 | |
CN106095887A (zh) | 基于加权时空效应的情境感知Web 服务推荐方法 | |
CN111143704B (zh) | 一种融合用户影响关系的在线社区好友推荐方法及系统 | |
Parau et al. | Opinion leader detection | |
US20230342606A1 (en) | Training method and apparatus for graph neural network | |
CN111784206B (zh) | 采用LeaderRank算法评估社交网络关键节点的方法 | |
Bahadorpour et al. | Determining optimal number of neighbors in item-based kNN collaborative filtering algorithm for learning preferences of new users | |
Jin et al. | IM2Vec: Representation learning-based preference maximization in geo-social networks | |
CN106991496A (zh) | 一种面向移动社交环境的用户行为分层关联预测方法 | |
TWI657395B (zh) | 意見領袖之網路交易管理方法、系統以及儲存媒體 | |
Farhadi et al. | Improving random forest algorithm by selecting appropriate penalized method | |
Botelho et al. | Combining Social Network Analysis with Semi-supervised Clustering: a case study on fraud detection | |
CN112966930A (zh) | 光伏电站的评价方法、装置以及计算机可读存储介质 | |
El Marrakchi et al. | E-reputation prediction model in online social networks | |
CN117216376A (zh) | 一种基于深度图神经网络的公平感知推荐系统及推荐方法 | |
CN108133296B (zh) | 基于活动的社交网络下的一种结合环境数据的活动出席预测方法 | |
Chen et al. | Research of collaborative filtering recommendation algorithm based on trust propagation model | |
Linyi et al. | The node influence for link prediction based on triadic closure structure | |
Fioretto et al. | Differential private stream processing of energy consumption | |
Zhang et al. | A collaborative filtering recommendation algorithm for social interaction | |
Motevallian et al. | Using trust statements and ratings by GraphSAGE to alleviate cold start in recommender systems |
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 |