CN112380267B - 一种基于隐私图的社区发现方法 - Google Patents

一种基于隐私图的社区发现方法 Download PDF

Info

Publication number
CN112380267B
CN112380267B CN202011134665.3A CN202011134665A CN112380267B CN 112380267 B CN112380267 B CN 112380267B CN 202011134665 A CN202011134665 A CN 202011134665A CN 112380267 B CN112380267 B CN 112380267B
Authority
CN
China
Prior art keywords
node
graph
nodes
core
public
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
Application number
CN202011134665.3A
Other languages
English (en)
Other versions
CN112380267A (zh
Inventor
于东晓
张喜连
郑艳伟
罗琦
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202011134665.3A priority Critical patent/CN112380267B/zh
Publication of CN112380267A publication Critical patent/CN112380267A/zh
Application granted granted Critical
Publication of CN112380267B publication Critical patent/CN112380267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于隐私图的社区发现方法，包括如下步骤：从实际的社交网络中采集用户之间的关系，基于用户及用户之间的关系来构建隐私图；在隐私图中为每个节点定义一个新的概念，pp‑核值；计算所有节点在隐私图中的公有图中的公有核值，并挖掘出公有图中的k‑核子图作为一个社区；对每一个节点，根据其所有邻居在公有图中的公有核值计算该节点在隐私图中的pp‑核值，然后将每一个节点与pp‑核值满足条件的邻居所在的社区构建成一个新的在隐私图中的社区；当有公有边或私有边插入或删除时，更新所有节点的pp‑核值和节点所归属的社区。本发明所公开的方法方便简洁，计算复杂度低，能够应用到大规模的图数据中。

Description

一种基于隐私图的社区发现方法
技术领域
本发明涉及数据挖掘技术领域，特别涉及一种基于隐私图的社区发现方法。
背景技术
在社交网络中，隐私问题是设计算法需要考虑的一个重要因素。一个简单的例子是，用户可以将她的一些朋友标记为私密，这将使得这个用户和他的私密朋友之间的关系只对用户和他的朋友可见。为了描述这种社交网络，一个隐私图的模型被提了出来。如Efficient Algorithms for Public-Private Social Networks文献中提到的Public-Private Graphs(共有-私有图)，在本申请中定义为隐私图。在隐私图中，节点代表用户，边代表用户之间的关系，隐私图包含一个公有图和多个私有图，其中公有图是指图中所有节点与节点之间的关系都是公开的，即公有图中的边是公开的，这些边被称为公有边，它们对图中的所有节点都可见；而对于公有图中的每一个节点，它会有一个与自己相关联的私有图，一个节点的私有图是指这个节点隐藏了自己与其他节点的关系，使得这些边只对该节点可见，私有图中的边被称为私有边。近年来，许多图分析任务在隐私图上得到了研究，比如全对最短路径距离、节点拟异和相关聚类等。
在图网络中，内部连接比较紧密的节点子集合对应的子图叫做社区，从图中找出其社区结构的过程就叫做社区发现。当前社区发现用到的子图结构有k-核、k-团等等，然而这些社区结构只能用于一般公有图中，对于隐私图而言，由于私有边的存在，通过k-核或者k-团无法准确的进行社区发现。
发明内容
为解决上述技术问题，本发明提供了一种基于隐私图的社区发现方法，提出了pp-核值，并基于pp-核值来确定每一个节点归属的社区，更好的解决了在隐私图中的社区发现问题；并且能动态维护所有节点pp-核值，为在大规模的隐私图中挖掘关键数据和信息提供了基础。
在本发明中，为了与pp-核值进行区分，将在隐私图的公有图中计算的核值称为公有核值。
为达到上述目的，本发明的技术方案如下：
一种基于隐私图的社区发现方法，其特征在于，包括如下步骤：
步骤一，从实际的社交网络中采集用户之间的关系，基于用户及用户之间的关系来构建隐私图；
步骤二，在隐私图中为每个节点定义一个新的概念，pp-核值，该指标用于衡量节点的重要程度，进一步用于确定节点归属到的社区；
步骤三，计算所有节点在隐私图中的公有图中的公有核值，并挖掘出公有图中的k-核子图作为一个社区；
步骤四，对每一个节点，根据其所有邻居的公有核值计算该节点在隐私图中的pp-核值，然后将每一个节点与pp-核值满足条件的邻居所在的社区构建成一个新的在隐私图中的社区，该社区仅对这个节点可见；
步骤五，当有公有边或私有边插入或删除时，更新所有节点的pp-核值，同时也更新节点所归属的社区。
上述方案中，所述步骤一中，从实际的社交网络中采集用户之间的关系，用节点来表示用户，边来表示用户之间的关系，并且将所有用户可见的关系作为公有边，只有某个用户可见的关系作为该用户的私有边，以此来构建隐私图。
上述方案中，所述步骤二中，节点的pp-核值定义为，当一个节点有k个公有核值大于等于k的邻居且没有k+1个公有核值大于等于k+1的邻居时，该节点的pp-核值为k。
上述方案中，所述步骤三中，使用公有核值分解方法在公有图中计算出所有节点的公有核值，并且计算出所有节点所在的k-核，作为该节点所在的具有一定紧密关系的社区。
进一步的技术方案中，所述公有核值分解方法具体如下：
(1)计算所有节点的度数；
(2)选择一个度数最小的节点，其公有核值即为其度数的值；
(3)遍历步骤(2)中节点的邻居节点，若某邻居节点的度数大于该节点的度数，则邻居节点的度数减1；
(4)重复步骤(2)和(3)；
(5)计算每个节点所在的k-核，作为该节点所在的最紧密的社区。
上述方案中，所述步骤四的具体方法如下：在计算一个节点的公有核值时，先找出其所有的邻居节点，并且把这些邻居节点按照公有核值降序排列的方式存储在数组ulist中，当找到第一个i值大于ulist[i]值的时候，该节点的pp-核值就是当前的ulist[i]值；
求得所有节点的pp-核值之后，对每一个节点u，找出其邻居中公有核值大于等于pp-核[u]的邻居节点，进而找出这些邻居节点在公有图中所在的最紧密社区，将这些社区基于节点u的连接进行合并，合并后社区再加上节点u构成了一个在隐私图中对于节点u可见的新的社区。
上述方案中，所述步骤五中，当插入或者删除一条私有边时，根据一个节点的当前pp-核值与另一个节点当前的pp-核值的大小关系判断哪个节点的pp-核值会发生变化；
当插入或者删除一条公有边时，需要首先找出所有的pp-核值发生变化的节点集合，然后找出这些节点的邻居节点的集合，对该集合中的所有节点执行计算pp-核值的操作，对于pp-核值发生了变化的节点，其所在的社区也会发生变化，根据步骤四中在隐私图中构建社区的方法更新这些节点所在社区。
通过上述技术方案，本发明提供的一种基于隐私图的社区发现方法具有如下有益效果：
(1)本发明提出了一个新的pp-核值的概念，能够更精确的反映某个节点在隐私图中的重要程度，解决了公有核值不能反映通过私有边相连的两节点的关系这一问题。并且在隐私图中为每一个节点构建一个只对该节点可见的社区，更好的解决了在隐私图中的社区发现问题。
(2)本发明提出了计算pp-核值的一种快速简便的方法，并且提出了一种动态维护所有节点pp-核值的方法，解决了在图中插入或者删除一条边之后，需要重现计算所有节点的pp-核值这一问题，这为在大规模的隐私图中挖掘关键数据和信息提供了基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例所公开的一种基于隐私图的社区发现方法流程示意图；
图2为计算节点所在社区阶段的主要流程示意图；
图3为动态维护社区阶段的具体流程示意图。
具体实施方式
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。
本发明提供了一种基于隐私图的社区发现方法，如图1所示，具体包括以下步骤：
步骤一，从实际的社交网络中采集用户之间的关系，用节点来表示用户，边来表示用户之间的关系，并且将所有用户可见的关系作为公有边，只有某个用户可见的关系作为该用户的私有边，以此来构建隐私图。
步骤二，在隐私图中为每个节点定义一个新的概念，pp-核值，该指标用于衡量节点的重要程度，进一步用于确定节点归属到的社区；
节点的pp-核值定义为，当一个节点有k个公有核值大于等于k的邻居且没有k+1个公有核值大于等于k+1的邻居时，该节点的pp-核值为k。
步骤三，计算所有节点在隐私图中的公有图中的公有核值，并挖掘出公有图中的k-核子图作为一个社区；
具体为，使用公有核值分解方法在公有图中计算出所有节点的公有核值，并且计算出所有节点所在的k-核，作为该节点所在的具有一定紧密关系的社区。
公有核值分解方法具体如下：
(1)计算所有节点的度数；
(2)选择一个度数最小的节点，其公有核值即为其度数的值；
(3)遍历步骤(2)中节点的邻居节点，若某邻居节点的度数大于该节点的度数，则邻居节点的度数减1；
(4)重复步骤(2)和(3)；
(5)计算每个节点所在的k-核，作为该节点所在的最紧密的社区。
步骤四，对每一个节点，根据其所有邻居的公有核值计算该节点在隐私图中的pp-核值，然后将每一个节点与pp-核值满足条件的邻居所在的社区构建成一个新的在隐私图中的社区，该社区仅对这个节点可见；
计算节点的pp-核值的公式为：
Figure BDA0002736267930000041
如图2所示，具体如下：
(1)在公有图中使用公有核值分解的方法计算出所有节点的公有核值。
(2)随机选择一个未被访问过的节点u进行访问。在隐私图中找到所有节点的邻居，其中包括通过公有边连接的邻居和通过私有边连接的邻居。将这些邻居按照(1)中计算过的公有核值进行降序排列，并存储在数组ulist中。
(3)从i＝1开始遍历数组ulist，判断i与ulist[i]的大小关系；如果i<ulist[i]，说明当前公有核值大于等于ulist[i]的邻居个数小于ulist[i]，反之，说明当前公有核值大于等于ulist[i]的邻居个数大于ulist[i]。
(4)如果i<ulist[i]，则继续遍历ulist；如果i≥ulist[i]，则终止遍历，当前ulist[i]的值即为u的pp-核值。
(5)在隐私图中，遍历节点u的邻居节点，如果有邻居节点的公有核值大于等于pp-core[u]，合并这些邻居节点在公共图中归属到的社区，将合并后得到的社区再添加上节点u作为输出的社区，该社区即是节点u在隐私图中所归属的社区。
(6)如果存在未被访问的的节点，重复步骤(2)-(4)，否则结束。
步骤五，当图不断变化，有公有边或私有边插入或删除时，更新所有节点的pp-核值，同时也更新节点所归属的社区。如图3所示：
当有公有边插入时，pp-核值的更新方法如下：
(1)初始化动态维护算法中的相关变量，如用来标记节点处理状态的visited[]与removed[]，记录节点邻居情况的MCD、PCD、与cv。
(2)对根节点进行处理，将根节点放入栈中，标记为visited，判断根节点的PCD值是否大于其公有核值。
(3)从栈中弹出一个节点，访问该节点的每个尚未被访问过的邻居节点，判断其公有核值是否与根节点公有核值相等并且其MCD值是否大于根节点的公有核值；将满足这些条件的邻居节点放入栈中并标记为visited。
(4)对于不满足步骤(3)中所提条件的邻居节点，执行一个DFS算法，通过更新此节点的cv值并且标记为removed来递归地删除这个节点和它的邻居。
(5)重复步骤(3)、(4)直至栈为空。
(6)标记为visited并且未被标记为removed的节点的公有核值将加一。将这些公有核值发生了变化的节点存储在集合C中。
(7)找出由步骤(6)得到的集合C中所有节点的邻居节点(包括共有邻居和私有邻居)，存储在集合NC中，NC中的节点的pp-核值可能会发生变化。
(8)调用步骤四的方法，对NC中的所有节点重新计算他们的pp-核值。
(9)对NC中的每个pp-核值发生了变化的节点u，遍历其邻居，找到pp-核值大于等于pp-核[u]的节点，进而找到这些邻居节点所在的最紧密社区，将这些社区进行合并操作，得到一个合并后的社区之后再添加上节点u作为一个新的社区输出，这个新的社区即为在隐私图中构建的对于节点u可见的社区。
当删除一条公有边时，与插入过程类似，先找到公有核值发生了变化的节点，再找到这些节点的所有邻居节点，最后计算所有的邻居节点的pp-核。
一条私有边(u,v)插入的具体方法如下：
(1)比较u的pp-核值与v的公有核值的大小，若pp-core(u)<core(v)，更新节点u的pp-核值与节点u归属的社区。
(2)比较v的pp-核值与u的公有核值的大小，若pp-core(v)<core(u)，更新节点v的pp-核值与节点v归属的社区。
一条私有边(u,v)删除的具体方法如下：
(1)比较u的pp-核值与v的公有核值的大小，若pp-core(u)≤core(v)，更新节点u的pp-核值与节点u归属的社区。
(2)比较v的pp-核与u的公有核值的大小，若pp-core(v)≤core(u)，更新节点v的pp-核值与节点v归属的社区。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于隐私图的社区发现方法，其特征在于，包括如下步骤：
步骤一，从实际的社交网络中采集用户之间的关系，基于用户及用户之间的关系来构建隐私图；
步骤二，在隐私图中为每个节点定义一个新的概念，pp-核值，该指标用于衡量节点的重要程度，进一步用于确定节点归属到的社区；
步骤三，计算所有节点在隐私图中的公有图中的公有核值，并挖掘出公有图中的k-核子图作为一个社区；
步骤四，对每一个节点，根据其所有邻居的公有核值计算该节点在隐私图中的pp-核值，然后将每一个节点与pp-核值满足条件的邻居所在的社区构建成一个新的在隐私图中的社区，该社区仅对这个节点可见；
步骤五，当有公有边或私有边插入或删除时，更新所有节点的pp-核值，同时也更新节点所归属的社区；
步骤五中，当插入或者删除一条私有边时，根据一个节点的当前pp-核值与另一个节点当前的pp-核值的大小关系判断哪个节点的pp-核值会发生变化；
当插入或者删除一条公有边时，需要首先找出所有的pp-核值发生变化的节点集合，然后找出这些节点的邻居节点的集合，对该集合中的所有节点执行计算pp-核值的操作，对于pp-核值发生了变化的节点，其所在的社区也会发生变化，根据步骤四中在隐私图中构建社区的方法更新这些节点所在社区。
2.根据权利要求1所述的一种基于隐私图的社区发现方法，其特征在于，所述步骤一中，从实际的社交网络中采集用户之间的关系，用节点来表示用户，边来表示用户之间的关系，并且将所有用户可见的关系作为公有边，只有某个用户可见的关系作为该用户的私有边，以此来构建隐私图。
3.根据权利要求1所述的一种基于隐私图的社区发现方法，其特征在于，所述步骤二中，节点的pp-核值定义为，当一个节点有k个公有核值大于等于k的邻居且没有k+1个公有核值大于等于k+1的邻居时，该节点的pp-核值为k。
4.根据权利要求1所述的一种基于隐私图的社区发现方法，其特征在于，所述步骤三中，使用公有核值分解方法在公有图中计算出所有节点的公有核值，并且计算出所有节点所在的k-核，作为该节点所在的具有一定紧密关系的社区。
5.根据权利要求4所述的一种基于隐私图的社区发现方法，其特征在于，所述公有核值分解方法具体如下：
（1）计算所有节点的度数；
（2）选择一个度数最小的节点，其公有核值即为其度数的值；
（3）遍历步骤（2）中节点的邻居节点，若某邻居节点的度数大于该节点的度数，则邻居节点的度数减1；
（4）重复步骤（2）和（3）；
（5）计算每个节点所在的k-核，作为该节点所在的最紧密的社区。
6.根据权利要求1所述的一种基于隐私图的社区发现方法，其特征在于，所述步骤四的具体方法如下：在计算一个节点的公有核值时，先找出其所有的邻居节点，并且把这些邻居节点按照公有核值降序排列的方式存储在数组ulist中，当找到第一个i值大于ulist[i]值的时候，该节点的pp-核值就是当前的ulist[i]值；
求得所有节点的pp-核值之后，对每一个节点u，找出其邻居中公有核值大于等于pp-核[u]的邻居节点，进而找出这些邻居节点在公有图中所在的最紧密社区，将这些社区基于节点u的连接进行合并，合并后社区再加上节点u构成了一个在隐私图中对于节点u可见的新的社区。
CN202011134665.3A 2020-10-21 2020-10-21 一种基于隐私图的社区发现方法 Active CN112380267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011134665.3A CN112380267B (zh) 2020-10-21 2020-10-21 一种基于隐私图的社区发现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011134665.3A CN112380267B (zh) 2020-10-21 2020-10-21 一种基于隐私图的社区发现方法

Publications (2)

Publication Number Publication Date
CN112380267A CN112380267A (zh) 2021-02-19
CN112380267B true CN112380267B (zh) 2022-08-05

Family

ID=74580483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011134665.3A Active CN112380267B (zh) 2020-10-21 2020-10-21 一种基于隐私图的社区发现方法

Country Status (1)

Country Link
CN (1) CN112380267B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114638007B (zh) * 2022-05-10 2022-08-23 富算科技(上海)有限公司 基于图数据的社群关系的确定方法及系统、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106101202A (zh) * 2009-09-30 2016-11-09 柯蔼文 用于社交图数据分析以确定社区内的连接性的系统和方法
CN106844500A (zh) * 2016-12-26 2017-06-13 深圳大学 一种k‑core‑truss社区模型及分解、搜索算法
CN108052743A (zh) * 2017-12-15 2018-05-18 华中科技大学 一种阶梯接近中心度确定方法及系统
CN110222055A (zh) * 2019-05-23 2019-09-10 华中科技大学 一种动态图下多边更新的单轮核值维护方法
CN110633402A (zh) * 2019-09-20 2019-12-31 东北大学 一种带有差分隐私机制的三维时空信息传播预测方法
CN111127233A (zh) * 2019-12-26 2020-05-08 华中科技大学 一种社交网络无向有权图中用户核值计算方法
CN111723399A (zh) * 2020-06-15 2020-09-29 内蒙古科技大学 一种基于k-核的大规模社会网络有向图隐私保护方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130014279A1 (en) * 2010-07-29 2013-01-10 Ethan Leland System for providing privacy of user information in an online social network with inline editing of privacy levels and customized privacy groups

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106101202A (zh) * 2009-09-30 2016-11-09 柯蔼文 用于社交图数据分析以确定社区内的连接性的系统和方法
CN106097107A (zh) * 2009-09-30 2016-11-09 柯蔼文 用于社交图数据分析以确定社区内的连接性的系统和方法
CN106844500A (zh) * 2016-12-26 2017-06-13 深圳大学 一种k‑core‑truss社区模型及分解、搜索算法
CN108052743A (zh) * 2017-12-15 2018-05-18 华中科技大学 一种阶梯接近中心度确定方法及系统
CN110222055A (zh) * 2019-05-23 2019-09-10 华中科技大学 一种动态图下多边更新的单轮核值维护方法
CN110633402A (zh) * 2019-09-20 2019-12-31 东北大学 一种带有差分隐私机制的三维时空信息传播预测方法
CN111127233A (zh) * 2019-12-26 2020-05-08 华中科技大学 一种社交网络无向有权图中用户核值计算方法
CN111723399A (zh) * 2020-06-15 2020-09-29 内蒙古科技大学 一种基于k-核的大规模社会网络有向图隐私保护方法

Also Published As

Publication number Publication date
CN112380267A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
Zou et al. Finding top-k maximal cliques in an uncertain graph
CN108038136A (zh) 基于图模型的企业知识图谱的建立方法和图形化查询方法
CN107784598A (zh) 一种网络社区发现方法
CN109766710B (zh) 关联社交网络数据的差分隐私保护方法
Xia et al. CHIEF: Clustering with higher-order motifs in big networks
CN112464107B (zh) 一种基于多标签传播的社交网络重叠社区发现方法及装置
Zhang et al. SUMMA: subgraph matching in massive graphs
CN113626723A (zh) 一种基于表示学习的属性图社区搜索方法和系统
Wang et al. Efficient radius-bounded community search in geo-social networks
CN112380267B (zh) 一种基于隐私图的社区发现方法
CN109656898A (zh) 基于节点度的分布式大规模复杂社团探测方法及装置
CN109783696B (zh) 一种面向弱结构相关性的多模式图索引构建方法及系统
Liu et al. Social group query based on multi-fuzzy-constrained strong simulation
CN111709102B (zh) 一种基于层次聚类的供水管网分区方法
Yang et al. K-truss community most favorites query based on top-t
CN109684185B (zh) 基于启发式遍历的超级计算机大数据处理能力测试方法
Khan et al. vGraph: graph virtualization towards big data
CN111680196A (zh) 一种基于二分图蝴蝶结构的关键节点搜索方法
CN115086179B (zh) 一种社交网络中社区结构的检测方法
Chen et al. Research on spatial and dynamic planning methods for settlement buildings based on data mining
CN115827996B (zh) 一种具有共享约束的社区查询方法及系统
CN116305262B (zh) 基于负调查的社交网络拓扑隐私保护方法
Bai et al. Parallel Core Maintenance of Dynamic Graphs
Yu et al. Public-private-core maintenance in public-private-graphs
CN112579831B (zh) 基于SimRank全局矩阵平滑收敛的网络社区发现方法、装置及存储介质

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