CN112784950A - 基于演化变点的社会网络演化分析方法 - Google Patents
基于演化变点的社会网络演化分析方法 Download PDFInfo
- Publication number
- CN112784950A CN112784950A CN202110177548.3A CN202110177548A CN112784950A CN 112784950 A CN112784950 A CN 112784950A CN 202110177548 A CN202110177548 A CN 202110177548A CN 112784950 A CN112784950 A CN 112784950A
- Authority
- CN
- China
- Prior art keywords
- evolution
- community
- network
- events
- temporal
- 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
Links
- 230000008859 change Effects 0.000 title claims abstract description 51
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 230000002123 temporal effect Effects 0.000 claims abstract description 83
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 206010003694 Atrophy Diseases 0.000 claims description 5
- 230000037444 atrophy Effects 0.000 claims description 5
- 230000008033 biological extinction Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 42
- 230000008569 process Effects 0.000 description 17
- 239000013598 vector Substances 0.000 description 12
- 238000011160 research Methods 0.000 description 8
- 239000013256 coordination polymer Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000011273 social behavior Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000003657 Likelihood-ratio test Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000012533 medium component Substances 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 238000010025 steaming Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于演化变点的社会网络演化分析方法。技术方案是:构造时态网络快照序列,检测时态网络快照序列的演化变点;根据社区演化理论计算相邻时态网络快照间的社区演化事件;根据社区演化事件对时态网络快照序列的演化变点进行层次聚类;根据聚类结果对演化变点对应的社会事件进行聚类,得到社会事件存在的微观演化机制。本发明不依赖任何人的主观因素,完全基于现有的计算机技术,可以仅用于对社会网络演化情况的分析,也可以进行与真实事件进行结合的演化分析。
Description
技术领域
本发明属于社会网络态势感知研究领域,具体地说,本发明涉及一种对社会网络演化进行分析的方法。
背景技术
社会网络是指社会成员之间因为互动而形成的相对稳定的关系体系,它关注的是人们之间的互动和联系。具体来说,社会网络是由节点和边构成的一种网络结构,节点通常是指社会网络中的人或组织,边表示这些人或组织之间的社交行为,例如通信或者接触。演化是社会网络最基本的特征之一,社会网络的演化是指社会网络在发展过程中结构和功能的变化过程。研究社会网络的演化机制是认识社会行为的重要途径。现有的研究方法倾向于构建某种演化机制,然后建立演化模型拟合真实的社会网络,参见文献【1】。
然而,这些方法将网络的演化过程视为不断增长的简单过程,忽略了对社会网络中随机性和突发性的考虑。因此,现有方法很难构建一个较为完善的演化规则来描述社会网络的演化过程。
在社会网络的发展过程中,社会事件一直扮演着里程碑的角色。当某些重大的社会事件在社会网络内部或外部发生时,社会网络的结构可能会因为受到“冲击”而发生突变,例如企业的上市,战争的爆发、国际组织的成立等。于是,探索各种社会事件背后社会网络结构的变化规律成为研究社会网络演化的一种新途径。
复杂网络理论是一门新兴不久并不断成长和发展的科学,现已成为研究社会网络必不可少的重要工具。在复杂网络理论中,拓扑结构随时间不断变化的网络被称为时态网络。随着时态网络研究工作的不断涌现,利用时态网络方法挖掘系统结构变点、分析系统演化规律在具有社会属性的大规模时变系统中有着广泛的应用。尤其是基于事件的系统演化研究,在重大事件预测、危机排查等态势感知领域有着重要的应用价值。
发明内容
本发明的目的在于,利用现有的计算机技术,针对日益复杂的社会网络演化过程,提出了一种无人工干预的全自动的基于演化变点的社会网络演化分析方法。该方法通过预测网络结构演化变点捕捉社会事件对社会网络造成的“冲击”,并结合社区演化理论和层次聚类方法分析演化变点处社会网络的演化模式,进而对社会网络的演化规律有更进一步的掌握。该方法具有操作简单,可解释性强等特点,能够为战场态势感知、群体事件预测和危机告警等应用领域提供决策支撑。
为实现所述目的,本发明的技术解决方案是:一种基于演化变点的社会网络演化分析方法,其特征在于,针对社会网络在某一时间段内的动态数据,进行以下步骤:
构造时态网络快照序列,检测时态网络快照序列的演化变点,演化变点是指由于社会事件的发生而导致社会网络结构出现突变的时间点;根据社区演化理论计算相邻时态网络快照间的社区演化事件;根据社区演化事件对时态网络快照序列的演化变点进行层次聚类,根据聚类结果,即可得到演化分析结果,也可根据聚类结果对演化变点对应的社会事件进行聚类,得到社会事件存在的微观演化机制。
进一步地,检测时态网络快照序列的演化变点时,先采用广义层次随机图模型(Generalized Hierarchical Random Graph,GHRG)对时态网络快照序列进行建模,再利用广义似然比检验(Generalized likelihood ratio test,GLRT)方法进行演化变点的检测。
进一步地,计算相邻时态网络快照间的社区演化事件时,采用群体演化发现(Group Evolution Discovery,GED)模型,将社区演化过程归纳为形成、消亡、保持、扩张、萎缩、合并、分裂七种社区演化事件。
进一步地,根据社区演化事件对时态网络快照序列的演化变点进行层次聚类时,将七种社区演化事件发生的次数作为社区演化特征向量,并应用离差平方和法对他们进行层次聚类。
进一步地,一种电子邮件通信网络,其特征在于,采用上述方法进行演化分析。
进一步地,一种人口接触网络,其特征在于,采用上述方法进行演化分析。
与现有技术相比,本发明的有益效果在于:
(1)本发明基于现有的计算机技术,提出演化变点,建立了一种社会网络演化过程与社会事件之间的连接关系,在一定程度上揭示了真实、复杂的社会事件对社会网络演化的推动作用。本发明的分析方法不依赖任何人的主观因素,完全基于现有的计算机技术,可以仅用于对社会网络演化情况的分析,也可以进行与真实事件进行结合的演化分析。
(2)本发明通过时态网络上的演化变点检测方法捕捉社会事件对社会网络结构造成的“冲击”。这些演化变点是社会网络演化过程中的重要标志,通过研究演化变点研究社会网络的演化过程,因此本发明具有创新性。
(3)本发明根据社区演化事件对时态网络快照序列的演化变点进行层次聚类,通过社区演化事件揭示了真实的社会事件隐含的微观演化机制。社区结构是社会网络中最常见的结构之一,而社区结构的变化也在一定程度上揭示了人群社交模式的变化。因此,通过网络社区演化事件来研究真实社会隐含的微观演化机制更贴合人类社会行为规律,也更具有理论依据。
(4)本发明通过网络社区演化事件分析真实的社会事件的发生与关联,对真实的社会事件进行一定程度的解释。提出的社区演化事件模式有助于帮助决策者更好地理解社会系统的演化过程,进而支持从不断发生的社会事件中预测社会系统的演化趋向。
(5)本发明提出的方法,建立了社区演化事件与真实的社会事件的联系,分析、预测、解释真实的社会事件研究框架,在应用时可根据实际社会网络的特点选择不同的演化变点检测模型和不同的社区演化度量指标相结合,使得本发明可以更加与实际应用需求相符,适应性强,因此具有较好的灵活性。
附图说明
图1为本发明提出的一种基于演化变点的社会网络演化分析方法的流程图;
图2为本发明中构造的时态网络快照序列的示意图;
图3为本发明中根据社区演化理论计算相邻时态网络快照间的社区演化事件过程的七种社区演化事件的示意图;
图4为利用本发明对真实社会网络数据集进行测试实验的相关内容。
具体实施方式
下面结合附图和具体实施例,对本发明提供的一种基于演化变点的社会网络演化分析方法作进一步详细的解释。
步骤①:构造时态网络快照序列{Gt}。
根据社会网络在某一时间段内的动态数据,确定时态网络快照序列的时间分辨率,例如日、周或者月等,并将单位时间内的社会网络数据构造为一个时态网络快照。具体来说,在单位时间内,将社会网络的每一个人(或者组织,以下以人为例)作为一个节点,任意两个人之间如果存在社交行为(例如通信或者接触),则上述两个人之间存在一条边。针对所研究的单位时间内的社会网络,所有节点以及节点之间的边构成时态网络快照。在确定的时间分辨率下,在某一时间段内,所有单位时间内的时态网络快照按照时间先后顺序构成的序列为时态网络快照序列。
需要说明的是,在构造时态网络快照序列时,所有快照的节点都是相同的,只是节点之间边的连接情况不同。如果社会网络中一个人与其他任何人之间并不存在社交行为,那么这个人将作为时态网络快照中的一个孤立节点。因此,时态网络快照序列{Gt}可以表示为{Gt(V,Et)|t=1,2,…,T}。其中,V表示时态网络快照的节点集,不随时间变化;Et表示第t个单位时间内,时态网络快照Gt的边集,T表示在某一时间段内得到的时态网络快照序列中时态网络快照的数量。图2给出一个时态网络快照序列的示意图,a、b、c、d、e、f为时态网络快照的节点。
步骤②:检测时态网络快照序列{Gt}的演化变点。
演化变点是指由于社会事件的发生而导致社会网络结构出现突变的时间点。演化变点的现有检测方法较多,本发明优先采用参考文献【2】使用的广义层次随机图模型方法进行演化变点的检测。
假设由步骤②检测到了时态网络快照序列{Gt}中的M个演化变点,将它们分别记为CPi,i=1,2,…,M。
步骤③:计算时态网络快照序列{Gt}中相邻时态网络快照间的社区演化事件。
计算相邻时态网络快照间的社区演化事件时,现有的方法较多,本发明优先采用参考文献【3】使用的方法进行
根据上述计算过程,得到的七种社区演化事件分别是:形成、消亡、保持、扩张、萎缩、合并、分裂。图4表示的是七种社区演化事件的示意图,用于辅助理解七种社区演化事件的发生过程。
具体来说,设Gi和Gj(i<j)是时态网络快照序列{Gt}中相邻的两个时态网络快照,分别表示第i个单位时间和第j个单位时间的时态网络快照。应用Louvain 方法,参考文献【4】,计算时态网络快照Gi中的社区,并记为 是指时态网络快照Gi中的第m个社区,mi是指时态网络快照Gi中的社区数目;计算时态网络快照Gj中的社区,并记为 是指时态网络快照Gj中的第n个社区,nj是指时态网络快照Gj中的社区数目。
七种社区演化事件分别满足下述定义:
其中,k1和k2均是调节匹配强度的参数,取值范围通常都为[50%,100%]。需要申明的是,这两个参数通常是根据实际应用需求进行设置的。这两个参数越大,社区匹配越严格,在相同的数据下匹配得到的社区演化事件越少。
步骤④:根据社区演化事件对时态网络快照序列的演化变点进行层次聚类。
该步骤通过层次聚类方法揭示了不同的真实的社会事件背后相似的人类行为模式,并根据聚类结果和演化变点对应的社会事件分析社会网络的演化规律。具体包含以下子步骤:
(4a)利用步骤③的结果构造两个相邻的时态网络快照对应的社区演化特征向量,特征向量的维度为7,每一维分别代表一类社区演化事件,取值为社区演化事件发生的次数。具体来说,用Vt表示时态网络快照序列从第t-1个单位时间演化到第t个单位时间时的社区演化特征向量Vt。需要申明的是,社区演化特征向量Vt中分量的顺序可任意排列。最优选择是可以根据社区演化事件的复杂程度由简至繁的顺序排列的:形成、消亡、保持、扩张、萎缩、合并、分裂。由此,可得到时态网络快照序列{Gt}对应的社区演化特征向量序列,该序列从第2 个单位时间开始到第T个单位时间结束,即包括T-1个社区演化特征向量。
(4b)从社区演化特征向量序列中抽取出M个演化变点对应的社区演化特征向量,记为则演化变点CPi对应的属性向量为然后应用离差平方和法,根据演化变点的属性向量,对这M个演化变点进行层次聚类并输出聚类结果。
(4c)寻找与演化变点CPi,i=1,2,…,M对应的真实的社会事件,根据演化变点的聚类结果,得到真实的社会事件的聚类结果,即可以推出真实的社会事件背后的微观演化机制。
下面结合真实社会网络数据集对本发明做进一步验证。
图4为利用本发明对安然电子邮件网络,参考文献【5】,进行演化分析的 结果。安然电子邮件网络的动态数据包含了安然公司148名员工之间从1999年 5月至2000年6月的电子邮件交换记录,其中大部分是高级管理人员。实验共 检测到11个演化变点CP1至CP11,其中k1和k2的取值均为50%。通过层次聚类, 这些变点被聚类为4个簇,第一个簇的社区演化事件主要包括形成和合并,第 二个簇和第三个簇主要包括扩张和萎缩事件,但是第二个簇以扩张事件为主, 第三个簇以萎缩事件为主,第四个簇以消亡事件为主。根据动态数据找出11个 演化变点对应的真实的社会事件,并根据演化变点的聚类结果对这些社会事件进行聚类,可以看出安然公司发展过程的四个阶段(对应4个簇),能够用“朝 气蓬勃”、“蒸蒸日上”、“日渐衰退”和“分崩离析”概括其状态。第一阶段的 真实的社会事件为安然公司正在大力推出新的产品和商业战略;第二阶段的真 实的社会事件反映出安然处于快速发展期;第三阶段的真实的社会事件是安然 因为欺诈行为逐步走向败落;第四阶段的真实的社会事件是安然已经彻底破产, 相关责任人等待最终的审判。
上述实验表明本发明可以通过社会网络中的演化变化点对真实的社会事件进行分析,研究社会网络的演化过程。演化变点将社会网络的演化过程集中在重要转折点上,提高了演化分析的准确性和可解释性。不同的社区演化事件组合从微观角度解释了社会网络演化的不同阶段或时期所对应的特征。
参考文献
【1】Yang Z,Li Z,Wang L.Evolution of cooperation in a conformity-drivenevolving dynamic social network[J].Applied Mathematics and Computation, 2020,379:125251.
【2】Peel L,Clauset A.Detecting change points in the large-scalestructure of evolving networks[C]//Proceedings of the AAAI Conference onArtificial Intelligence.2015,29(1).
【3】Bródka P,Saganowski S,Kazienko P.GED:the method for groupevolution discovery in social networks[J].Social Network Analysis and Mining,2013, 3(1):1-14.
【4】Blondel V D,Guillaume J L,Lambiotte R,et al.Fast unfolding ofcommunities in large networks[J].Journal of statistical mechanics:theory andexperiment, 2008,2008(10):P10008.
【5】Klimt B,Yang Y.The enron corpus:A new dataset for emailclassification research[C]//European Conference on Machine Learning.Springer,Berlin, Heidelberg,2004:217-226。
Claims (6)
1.一种基于演化变点的社会网络演化分析方法,其特征在于,针对社会网络在某一时间段内的动态数据,进行以下步骤:
构造时态网络快照序列,检测时态网络快照序列的演化变点,演化变点是指由于社会事件的发生而导致社会网络结构出现突变的时间点;根据社区演化理论计算相邻时态网络快照间的社区演化事件;根据社区演化事件对时态网络快照序列的演化变点进行层次聚类,聚类结果即为演化分析结果。
2.一种基于演化变点的社会网络演化分析方法,其特征在于,针对社会网络在某一时间段内的动态数据,进行以下步骤:
构造时态网络快照序列,检测时态网络快照序列的演化变点,演化变点是指由于社会事件的发生而导致社会网络结构出现突变的时间点;根据社区演化理论计算相邻时态网络快照间的社区演化事件;根据社区演化事件对时态网络快照序列的演化变点进行层次聚类;根据聚类结果对演化变点对应的社会事件进行聚类,得到社会事件存在的微观演化机制。
3.根据权利要求1所述的一种基于演化变点的社会网络演化分析方法,其特征在于,将社区演化事件分为形成、消亡、保持、扩张、萎缩、合并、分裂七种社区演化事件;
设Gi和Gj是时态网络快照序列{Gt}中相邻的两个时态网络快照,分别表示第i个单位时间和第j个单位时间的时态网络快照,i<j;时态网络快照Gi中的社区记为 是指时态网络快照Gi中的第m个社区,mi是指时态网络快照Gi中的社区数目;时态网络快照Gj中的社区记为 是指时态网络快照Gj中的第n个社区,nj是指时态网络快照Gj中的社区数目;
七种社区演化事件分别满足下述定义:
其中,k1和k2均是调节匹配强度的参数,取值范围通常都为[50%,100%]。
4.根据权利要求2所述的一种基于演化变点的社会网络演化分析方法,其特征在于,将社区演化事件分为形成、消亡、保持、扩张、萎缩、合并、分裂七种社区演化事件;
设Gi和Gj是时态网络快照序列{Gt}中相邻的两个时态网络快照,分别表示第i个单位时间和第j个单位时间的时态网络快照,i<j;时态网络快照Gi中的社区记为 是指时态网络快照Gi中的第m个社区,mi是指时态网络快照Gi中的社区数目;时态网络快照Gj中的社区记为 是指时态网络快照Gj中的第n个社区,nj是指时态网络快照Gj中的社区数目;
七种社区演化事件分别满足下述定义:
其中,k1和k2均是调节匹配强度的参数,取值范围通常都为[50%,100%]。
5.一种电子邮件通信网络,其特征在于,采用权利要求1至4所述的任意一个技术方案进行演化分析。
6.一种人口接触网络,其特征在于,采用权利要求1至4所述的任意一个技术方案进行演化分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110177548.3A CN112784950A (zh) | 2021-02-09 | 2021-02-09 | 基于演化变点的社会网络演化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110177548.3A CN112784950A (zh) | 2021-02-09 | 2021-02-09 | 基于演化变点的社会网络演化分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112784950A true CN112784950A (zh) | 2021-05-11 |
Family
ID=75761366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110177548.3A Pending CN112784950A (zh) | 2021-02-09 | 2021-02-09 | 基于演化变点的社会网络演化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784950A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537613A (zh) * | 2021-07-28 | 2021-10-22 | 浙江大学 | 一种模体感知的时态网络预测方法 |
CN114548582A (zh) * | 2022-02-28 | 2022-05-27 | 西安电子科技大学 | 动态社交网络社区演化预测方法、系统、存储介质及设备 |
-
2021
- 2021-02-09 CN CN202110177548.3A patent/CN112784950A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537613A (zh) * | 2021-07-28 | 2021-10-22 | 浙江大学 | 一种模体感知的时态网络预测方法 |
CN113537613B (zh) * | 2021-07-28 | 2023-11-21 | 浙江大学 | 一种模体感知的时态网络预测方法 |
CN114548582A (zh) * | 2022-02-28 | 2022-05-27 | 西安电子科技大学 | 动态社交网络社区演化预测方法、系统、存储介质及设备 |
CN114548582B (zh) * | 2022-02-28 | 2024-05-31 | 西安电子科技大学 | 动态社交网络社区演化预测方法、系统、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Takaffoli et al. | Community evolution mining in dynamic social networks | |
Bhuvaneswari et al. | Naive Bayesian classification approach in healthcare applications | |
Zhou et al. | Multiobjective biogeography based optimization algorithm with decomposition for community detection in dynamic networks | |
CN112784950A (zh) | 基于演化变点的社会网络演化分析方法 | |
Yang et al. | A bayesian approach toward finding communities and their evolutions in dynamic social networks | |
CN109493246A (zh) | 一种动态社交网络社区演化分析方法及其系统 | |
Mohammed et al. | Edge computing intelligence using robust feature selection for network traffic classification in internet-of-things | |
CN111062421A (zh) | 基于相关性分析的网络节点多维数据社团划分算法 | |
Nathiya et al. | An effective way of cloud intrusion detection system using decision tree, support vector machine and Naïve bayes algorithm | |
Flossdorf et al. | Change detection in dynamic networks using network characteristics | |
Ranadive et al. | An all–at–once CP decomposition method for count tensors | |
Soheily-Khah et al. | Intrusion detection in network systems through hybrid supervised and unsupervised mining process-a detailed case study on the ISCX benchmark dataset | |
Widya et al. | Implementation of EM algorithm in data mining for clustering female cooperative | |
Nie | Applying correlation dimension to the analysis of the evolution of network structure | |
Ji et al. | A probabilistic approach for extracting design preferences from design team discussion | |
Xu et al. | Network group hawkes process model | |
Li et al. | High resolution radar data fusion based on clustering algorithm | |
Michalski et al. | Quantifying social network dynamics | |
Abd Algani et al. | Analyze the anomalous behavior of wireless networking using the big data analytics | |
Liu et al. | Duplicated record detection based on improved RBF neural network | |
Ngonmang et al. | Toward community dynamic through interactions prediction in complex networks | |
CN109886313A (zh) | 一种基于密度峰的动态图聚类方法 | |
Bian et al. | Research on a privacy preserving clustering method for social network | |
Lu et al. | Network IDS Duplicate Alarm Reduction Using Improved SNM Algorithm | |
CN113705075B (zh) | 一种基于图神经网络的社交关系分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210511 |
|
RJ01 | Rejection of invention patent application after publication |