CN112994933B - 一种复杂网络的广义社区发现方法 - Google Patents
一种复杂网络的广义社区发现方法 Download PDFInfo
- Publication number
- CN112994933B CN112994933B CN202110167565.9A CN202110167565A CN112994933B CN 112994933 B CN112994933 B CN 112994933B CN 202110167565 A CN202110167565 A CN 202110167565A CN 112994933 B CN112994933 B CN 112994933B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- community
- degree
- independent
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种复杂网络的广义社区发现方法,包括获取复杂网络的所有节点,将所有节点依次定义为示例节点、标记节点,且每个示例节点与标记节点之间具有唯一对应的描述度;对示例节点进行依次进行比较判断,选取每个示例节点中描述度最大的标记节点,并将所有选取的标记节点定义为放置节点;根据节点及边的信息,对每个放置节点进行节点筛选,筛选出独立节点和非独立节点;对非独立节点依次进行节点到社区的判断,将每个非独立节点划分到描述度最大值的社区;根据所设定的网络社区划分数量,将所划分的社区进行社区合并,得到最终的所需社区,将标记分布学习的思想融合到社区发现中,既缩减了标记成本,同时又提高了运行效率。
Description
技术领域
本发明涉及网络通信技术领域,尤其涉及一种复杂网络的广义社区发现方法。
背景技术
复杂网络从直观视觉上看呈现出高度复杂特点,利用复杂网络的知识可以把杂乱无章的信息建立一个联系,复杂系统结构的内部关系是人们关注的热点问题,具有复杂、小世界、无标度特性,对复杂网络的研究可以使我们更加深刻的认识到世界万物的复杂性。
社区发现能准确的识别出网络中的自然聚簇结构,其聚簇内节点的边较为稠密,聚簇与聚簇之间的边较为稀疏。就以往社区发现算法来说,一方面,社区发现和聚类算法相同,划分主要有凝聚方法(添加边)和分裂方法(删除边);另一方面,利用向量对节点进行描述,具有相似性的节点会聚集在同一社区内部。多标记学习利用示例标记的相关性完成了分类的过程,能有效的处理示例之间的多义性问题,对于一个特定的示例,它所有标记的描述度构成的数据结构称为标记分布。学习示例的标记分布的过程称为标记分布学习,在多标记分布学习中,一个示例对应所有可能的标记,每个标记都有对应的重要性分布,表示每个标记的重要程度。
针对社区发现这一问题,目前解决的算法已趋于成熟。Kernighan-Lin算法,不断交换两个子图中的点,使得子图之间的边尽可能少。谱平分法,谱是矩阵的特征值,平分是把一个图分成两个大小相等的子图,利用矩阵的第二小特征向量进行聚类。Newman快速算法,网络中的每个节点独自成为一个社团,之后进行社团和社团之间的合并,根据两个社团合并后模块度增长的数量,每次都选择增长数量最大两个的进行合并,反复循环此过程,最终得到社区的准确划分。GN算法,基于聚类中的分裂思想,每次将网络中任意两节点通过此边的最短路径最大的边删除。谱算法,利用邻接矩阵或拉普拉斯矩阵的特征向量得到一个新的空间,用传统的聚类方法,例如k-means,在这个新的空间中实现聚类。标签传播算法,利用标签标记网络节点,用已标记的信息推测估计相邻节点信息,节点标签根据相似度的大小传播给相邻节点,此算法可应用于社区发现,命名为RAK算法,每一个节点具有一个标签,此标签标记这个节点所在的社区,节点标签会根据邻近节点的标签进行修改,最终标签相同的节点属于同一个社区。基于密度的快速聚类,找出每个类的中心点,类的中心密度较大,不同类的中心距离较远,将剩余的非中心点分配给离它最近且密度比它高的邻点所在的社团。但是以上算法忽略节点的重要程度、节点与节点之间的关联程度以及标记分布中示例的特性,是的运算成本和运行效率降低。
发明内容
针对上述缺陷或不足,本发明的目的在于提供一种复杂网络的广义社区发现方法。
为达到以上目的,本发明的技术方案为:
一种复杂网络的广义社区发现方法,包括:
1)、获取复杂网络的所有节点,将所有节点依次定义为示例节点,除所定义示例节点之外的所有节点定义为该示例节点的标记节点,且每个示例节点与标记节点之间具有唯一对应的描述度;
2)、对示例节点进行依次进行比较判断,选取每个示例节点中描述度最大的标记节点,并将所有选取的标记节点定义为放置节点;
3)、根据节点及边的信息,对每个放置节点进行节点筛选,筛选出独立节点和非独立节点;对独立节点依次进行节点到社区的判断,获取每个独立节点到各个社区的描述度,并将每个独立节点划分到描述度最大的社区;
4)、根据所设定的网络社区划分数量,将所划分的社区进行社区合并,得到最终的所需社区。
所述步骤1)具体包括:
标记所有节点序号,并且标记示例节点i,对标记节点j分配一个实数di j,数值di j表示标记节点j描述示例节点i的描述度,定义为:
其中,其中i∈N,Mi为示例节点的总关联度;Rij表示节点i与节点j之间的关联度,其中0<i,j≤n,i,j∈N,关联度的值等于标记节点j在示例节点i上的重要程度乘以标记节点i在示例节点j上的重要程度;
节点的重要程度定义为如下:
其中,aij表示节点i与节点j之间是否存在连边;若节点i与节点j之间存在连边,则aij=1,i,j∈N,N为整数,若节点i与节点j之间不存在连边,则aij=0,i,j∈N。
所述步骤3)具体包括:
3.1、定义复杂网络邻接矩阵A=(aij)n×n,i,j∈N,设当前已划分好的社区为C={C1,C2,…Cx},x为划分的社区号,表示已划分好的第一个社区、第二个社区等等。复杂网络的节点邻接矩阵A表示为:
节点i与节点j之间存在连边,则aij=1,i,j∈N,如果节点i与节点j之间不存在连边,则aij=0,i,j∈N;
3.2、将每个放置节点根据节点序号的大小依次进行判断,若节点i与社区Cx中任一节点都没有连边,则称该节点i为复杂网络中的独立节点;
3.3、将独立节点进行集合,根据节点序号的大小,首先处理序号小的节点i,并将所处理的该节点i作为示例节点,其余节点为标记节点,然后计算示例节点到各个社区的描述度;所述示例节点与社区的描述度等于示例节点与社区中该示例节点的标记节点描述度的总和;
3.4、根据示例节点到各个社区的描述度大小,将示例节点归到与该示例节点描述度最大的社区中。
所述步骤3)还包括:
若独立节点描述度最大值的社区为多个,则对该独立节点进行节点度的判断,判断该独立节点的度值,如果度值大于等于2时,则将与此独立节点描述度最大值相等的社区们归为一个社区,并且该社区包括此独立节点。
所述步骤4)具体包括:
根据网络社区划分数量,作为先验知识,每轮选取节点度数最大的节点作为示例节点,计算除集合内部节点社区之外的社区到集合节点社区的描述度,将使描述度最大的两个社区进行归并。
与现有技术比较,本发明的有益效果为:
本发明提供了一种复杂网络的广义社区发现方法,将节点描述度表示示例节点与其它节点的重要关联程度,利用节点的重要程度、节点与节点之间的关联程度以及标记分布中示例的特性得出节点的描述度,一个示例节点对应多个描述度,将标记分布学习的思想融合到社区发现中,既缩减了标记成本,同时又提高了运行效率,并且通过实验数据证明划分社区的效果及效率很好,在实际应用中,能够更深入地了解网络内部之间存在的联系,也有助于进一步研究更多的方向。
附图说明
图1是本发明复杂网络的广义社区发现方法流程图;
图2是本发明CDNL算法空手道俱乐部网络划分社区效果图,其中,(a)是初划分及节点调整后的社区效果,(b)是社区归并后的社区效果;
图3是本发明空手道俱乐部网络的自然划分果图;
图4是本发明CDNL算法海豚网络划分社区效果图;
图5是本发明CDNL算法美国政治书网络划分社区效果图;其中,(a)是初划分及节点调整后的社区效果,(b)是社区归并后的社区效果。
具体实施方式
下面将结合附图对本发明做详细描述,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,都属于本发明的保护范围。
如图1所示,本发明提供了一种复杂网络的广义社区发现方法,由网络初划分、网络节点调整、社区合并三个部分组分,其中网络节点调整由独立节点的调整、节点到社区的判断、节点度的判断三个步骤组成。
具体包括:
网络初划分:
1)、获取复杂网络的所有节点,将所有节点依次定义为示例节点,除所定义示例节点之外的所有节点定义为该示例节点的标记节点,且每个示例节点与标记节点之间具有唯一对应的描述度;
标记所有节点序号,并且标记示例节点i,对标记节点j分配一个实数di j,数值di j表示标记节点j描述示例节点i的描述度,定义为:
其中,其中i∈N,Mi为示例节点的总关联度;Rij表示节点i与节点j之间的关联度,其中0<i,j≤n,i,j∈N,关联度的值等于标记节点j在示例节点i上的重要程度乘以标记节点i在示例节点j上的重要程度;
节点的重要程度定义为如下:
其中,aij表示节点i与节点j之间是否存在连边;若节点i与节点j之间存在连边,则aij=1,i,j∈N,N为整数,若节点i与节点j之间不存在连边,则aij=0,i,j∈N。
2)、对示例节点进行依次进行比较判断,选取每个示例节点中描述度最大的标记节点,并将所有选取的标记节点定义为放置节点;
网络节点调整:
网络节点调整包括单个节点划分到社区、节点归并到社区、独立节点的处理三个步骤。通过网络初划分后,示例节点与标记节点中描述度的最大值不止一个个时,将这类节点筛选下来,进行独立节点的处理、节点到社区的判断、节点度的判断三轮处理,每轮都是对上一轮筛选下来的节点进行的处理。
3)、根据节点及边的信息,对每个放置节点进行节点筛选,筛选出独立节点和非独立节点;对独立节点依次进行节点到社区的判断,获取每个独立节点到各个社区的描述度,并将每个独立节点划分到描述度最大的社区里;
所述步骤3)具体包括:
3.1、定义复杂网络邻接矩阵A=(aij)n×n,i,j∈N,设当前已划分好的社区为C={C1,C2,…Cx},x为划分的社区号,表示已划分好的第一个社区、第二个社区等等。复杂网络的节点邻接矩阵A表示为:
节点i与节点j之间存在连边,则aij=1,i,j∈N,如果节点i与节点j之间不存在连边,则aij=0,i,j∈N;n为节点邻接矩阵A的行列数;
3.2、将每个放置节点根据节点序号的大小依次进行判断,若节点i与社区Cx中任一节点都没有连边,则称该节点i为复杂网络中的独立节点;
3.3、将独立节点进行集合,根据节点序号的大小,首先处理序号小的节点i,并将所处理的该节点i作为示例节点,其余节点为标记节点,然后计算示例节点到各个社区的描述度d;所述示例节点与社区的描述度等于示例节点与社区中该示例节点的标记节点描述度的总和;
3.4、根据示例节点到各个社区的描述度大小,将示例节点归到与该示例节点描述度最大的社区中。
3.5、若独立节点描述度最大值的社区为多个,则对该独立节点进行节点度的判断,判断该独立节点的度值,如果度值大于等于2时,则将与此独立节点描述度最大值相等的社区们归为一个社区,并且该社区包括此独立节点。
社区合并:
4)、根据所设定的网络社区划分数量,将所划分的社区进行社区合并,得到最终的所需社区。
根据网络社区划分数量,作为先验知识,每轮选取节点度数最大的节点作为示例节点,计算除集合内部节点社区之外的社区到集合节点社区的描述度,将使描述度最大的两个社区进行归并。
实验过程:
实验数据集通过真实网络来验证本文算法的有效性和可行性,采用了空手道俱乐部网络、海豚网络、美国足球队网络、美国政治书网络以及形容词和名词邻接网络五个真实网络作为测试数据集,利用标记分布学习来刻画不同标记的重要程度,把这一重要程度命名为标记分布中节点的描述度,把它作为衡量节点是否成为一个社区的唯一标准,由网络初划分、网络节点调整、社区合并三个部分组分,其中网络节点调整由独立节点的调整、节点到社区的判断、节点度的判断三个步骤组成。实验数据集信息如表1所示:
表1实验数据集信息
实施例1
空手道俱乐部网络:空手道俱乐部网络是进行社区发现时常用的小型网络之一,是由大学空手道俱乐部成员之间的关系组合而成,由于主管和教练的争吵,于是俱乐部分成了两个小俱乐部。网络中包含34个节点,每个节点表示俱乐部成员,节点间的连接表示两个成员。
运用空手道俱乐部网络对CDNL算法形成的社区进行比较,利用网络初划分及调整后的社区图2(a)与网络社区归并后效果图2(b)进行了比较,对归并后的社区结果与空手道俱乐部网络自然划分(图3)进行了比较。在社区归并后得到了合理的社区划分,划分数量为2个社区,如图2(b)所示。从模块度Q值的角度来看,CDNL算法模块度值在GN算法和网络自然划分模块度值之间,因此,CDNL算法在空手道俱乐部网络中社区划分效果良好。
实施例2
海豚网络:海豚网络是由观察宽嘴海豚的生活习性而得出的网络,海豚之间如频繁活动,则两海豚之间就会存在一条边。网络中包含62个节点,节点表示海豚,边表示海豚之间的接触度较于频繁。
运用海豚网络比较了CDNL算法在归并前与归并后的社区效果。从图4(a)可知网络初划分及节点调整后,社区划分为17个,社区中存在节点数量较少的形成了一个社区,经小社区向大社区进行归并后,社区归并为2个,如图4(b)所示,得到了合理的社区划分结果。
表1 CDNL算法与其他算法在真实网络上的NMI
表2 LPA算法在真实网络上的NMI
空手道俱乐部网络以及海豚网络在各个算法中的准确度结果如上表所示。数据显示利用CDNL算法进行社区划分更稳定、更准确。
实施例3
美国足球队网络:美国足球队网络是由美国大学生足球联赛而创建的。网络中包含115个节点,节点表示参赛的足球队,节点之间的连边表示两球队之间进行过一场比赛。
实施例4
美国政治书网络:美国政治书网络是由美国在线书店上销售的政治书籍而建立的网络。网络共有105个节点,节点表示销售的政治相关书籍,边表示有读者同时购买了相连两节点表示的书籍。
运用美国政治书网络比较了CDNL算法在归并前与归并后的社区效果。从图5(a)可知,网络初划分及节点调整后,社区划分为22个,社区中存在节点数量较少的形成了一个社区,经小社区向大社区进行归并后,社区归并为3个,如图5(b)所示,社区划分效果明显。
实施例5
形容词和名词邻接网络:此网络是利用小说中常用的形容词和名词而邻接成的网络。网络共有112个节点,节点代表本书中常见的形容词和名词,节点值对于形容词是0,对于名词是1,边是对书中相邻位置出现的单词对进行的连接。
表4 CDNL算法与其他算法在各真实网络上的模块度Q
在karate、dolphins、polbooks以及adjnoun网络下,CDNL算法模块度数值都处于各算法数值之间。CDNL算法在节点数量较少的情况下,模块度能取得较好的数值,因此,节点数量较少时,运用此算法能增加网络社区结构强度,使得社区划分效果更明显。
表5 CDNL算法与其他算法在各真实网络上的社区数量
表6 LPA算法在真实网络上执行n次后的社区数量
在执行次数不同的情况下,LPA算法出现了多个数值,会划分成不同数量的社区,表明利用LPA算法进行社区划分时不稳定,而CDNL算法、GN算法以及fast Newman算法都能得到划分后的社区数量,并且CDNL算法相较于其他两个算法来说,社区划分数量较小,说明利用CDNL算法进行社区划分时,社区划分更为明显、更稳定。
表7 CDNL算法与其他算法在各真实网络上的运行时间
在karate、dolphins网络这种节点数量较少的情况下,三个算法的运行时间相差不多;像football、polbooks、adjnoun网络这种节点数量较多的情况下,fast Newman算法的运行时间比CDNL算法、LPA算法的运行时间相差较多,但CDNL算法与LPA算法的运行时间相差很少,说明CDNL算法进行社区划分时,划分速度较快,尤其在网络节点数量较少时,算法运行更有效率。因此,除LPA算法外,CDNL算法划分社区用时少、运行更加快速。
综上所述:本发明提供的基于标记分布节点描述度的社区发现算法通过实验数据证明划分社区的效果及效率很好。在实际应用中,能够让人们更深入地了解网络内部之间存在的联系,也有助于进一步研究更多的方向。
对于本领域技术人员而言,显然能了解到上述具体事实例只是本发明的优选方案,因此本领域的技术人员对本发明中的某些部分所可能作出的改进、变动,体现的仍是本发明的原理,实现的仍是本发明的目的,均属于本发明所保护的范围。
Claims (5)
1.一种复杂网络的广义社区发现方法,其特征在于,包括:
1)、获取复杂网络的所有节点,将所有节点依次定义为示例节点,除所定义示例节点之外的所有节点定义为该示例节点的标记节点,且每个示例节点与标记节点之间具有唯一对应的描述度;
2)、对示例节点进行依次进行比较判断,选取每个示例节点中描述度最大的标记节点,并将所有选取的标记节点定义为放置节点;
3)、根据节点及边的信息,对每个放置节点进行节点筛选,筛选出独立节点和非独立节点;对独立节点依次进行节点到社区的判断,获取每个独立节点到各个社区的描述度,并将每个独立节点划分到描述度最大的社区;
4)、根据所设定的网络社区划分数量,将所划分的社区进行社区合并,得到最终的所需社区。
2.根据权利要求1所述的复杂网络的广义社区发现方法,其特征在于,所述步骤1)具体包括:
其中,其中i∈N,Mi为示例节点的总关联度;Rij表示节点i与节点j之间的关联度,其中0<i,j≤n,i,j∈N,关联度的值等于标记节点j在示例节点i上的重要程度乘以标记节点i在示例节点j上的重要程度;
节点的重要程度定义为如下:
其中,aij表示节点i与节点j之间是否存在连边;若节点i与节点j之间存在连边,则aij=1,i,j∈N,N为整数,若节点i与节点j之间不存在连边,则aij=0,i,j∈N。
3.根据权利要求2所述的复杂网络的广义社区发现方法,其特征在于,所述步骤3)具体包括:
3.1、定义复杂网络邻接矩阵A=(aij)n×n,i,j∈N,设当前已划分好的社区为C={C1,C2,…Cx},x为划分的社区号,复杂网络的节点邻接矩阵A表示为:
节点i与节点j之间存在连边,则aij=1,i,j∈N,如果节点i与节点j之间不存在连边,则aij=0,i,j∈N;
3.2、将每个放置节点根据节点序号的大小依次进行判断,若节点i与社区Cx中任一节点都没有连边,则称该节点i为复杂网络中的独立节点;
3.3、将独立节点进行集合,根据节点序号的大小,首先处理序号小的节点i,并将所处理的该节点i作为示例节点,其余节点为标记节点,然后计算示例节点到各个社区的描述度d;所述示例节点与社区的描述度等于示例节点与社区中该示例节点的标记节点描述度的总和;
3.4、根据示例节点到各个社区的描述度大小,将示例节点归到与该示例节点描述度最大的社区中。
4.根据权利要求3所述的复杂网络的广义社区发现方法,其特征在于,所述步骤3)还包括:
若独立节点描述度最大值的社区为多个,则对该独立节点进行节点度的判断,判断该独立节点的度值,如果度值大于等于2时,则将与此独立节点描述度最大值相等的社区们归为一个社区,并且该社区包括此独立节点。
5.根据权利要求3或4所述的复杂网络的广义社区发现方法,其特征在于,所述步骤4)具体包括:
根据网络社区划分数量,作为先验知识,每轮选取节点度数最大的节点作为示例节点,计算除集合内部节点社区之外的社区到集合节点社区的描述度,将使描述度最大的两个社区进行归并。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110167565.9A CN112994933B (zh) | 2021-02-07 | 2021-02-07 | 一种复杂网络的广义社区发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110167565.9A CN112994933B (zh) | 2021-02-07 | 2021-02-07 | 一种复杂网络的广义社区发现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112994933A CN112994933A (zh) | 2021-06-18 |
CN112994933B true CN112994933B (zh) | 2022-09-06 |
Family
ID=76348766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110167565.9A Active CN112994933B (zh) | 2021-02-07 | 2021-02-07 | 一种复杂网络的广义社区发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112994933B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198084A (zh) * | 2017-12-22 | 2018-06-22 | 山西大学 | 一种复杂网络重叠社区发现方法 |
CN109859065A (zh) * | 2019-02-28 | 2019-06-07 | 桂林理工大学 | 基于谱聚类的多目标复杂网络社区发现方法 |
CN111008338A (zh) * | 2019-11-11 | 2020-04-14 | 重庆邮电大学 | 一种基于层次聚类的社交网络多尺度结构挖掘方法及介质 |
CN111125547A (zh) * | 2019-12-30 | 2020-05-08 | 桑滨 | 一种基于复杂网络的知识社区发现方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153713B (zh) * | 2017-05-27 | 2018-02-23 | 合肥工业大学 | 社交网络中基于节点间相似性的重叠社区检测方法及系统 |
CN108009575A (zh) * | 2017-11-28 | 2018-05-08 | 武汉大学 | 一种用于复杂网络的社区发现方法 |
CN108287866A (zh) * | 2017-12-18 | 2018-07-17 | 成都理工大学 | 一种大规模网络中基于节点密度的社区发现方法 |
-
2021
- 2021-02-07 CN CN202110167565.9A patent/CN112994933B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198084A (zh) * | 2017-12-22 | 2018-06-22 | 山西大学 | 一种复杂网络重叠社区发现方法 |
CN109859065A (zh) * | 2019-02-28 | 2019-06-07 | 桂林理工大学 | 基于谱聚类的多目标复杂网络社区发现方法 |
CN111008338A (zh) * | 2019-11-11 | 2020-04-14 | 重庆邮电大学 | 一种基于层次聚类的社交网络多尺度结构挖掘方法及介质 |
CN111125547A (zh) * | 2019-12-30 | 2020-05-08 | 桑滨 | 一种基于复杂网络的知识社区发现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112994933A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | LED: A fast overlapping communities detection algorithm based on structural clustering | |
Cavallari et al. | Embedding both finite and infinite communities on graphs [application notes] | |
Bu et al. | A fast parallel modularity optimization algorithm (FPMQA) for community detection in online social network | |
Zhang et al. | Identification of overlapping community structure in complex networks using fuzzy c-means clustering | |
CN103559504B (zh) | 图像目标类别识别方法及装置 | |
CN107515877A (zh) | 敏感主题词集的生成方法和装置 | |
CN110046634B (zh) | 聚类结果的解释方法和装置 | |
US10678888B2 (en) | Methods and systems to predict parameters in a database of information technology equipment | |
Motwani et al. | A study on initial centroids selection for partitional clustering algorithms | |
CN102254033A (zh) | 基于熵权重的全局k-均值聚类方法 | |
CN110781295A (zh) | 一种多标记数据的特征选择方法及装置 | |
CN110909253A (zh) | 一种基于特定用户的群体关系挖掘与分析方法 | |
van Laarhoven et al. | Graph clustering with local search optimization: The resolution bias of the objective function matters most | |
CN107392249A (zh) | 一种k近邻相似度优化的密度峰聚类方法 | |
Liu et al. | Fast clustering with flexible balance constraints | |
Shine et al. | Generative graph models based on laplacian spectra? | |
CN112994933B (zh) | 一种复杂网络的广义社区发现方法 | |
CN114556364A (zh) | 基于相似度运算符排序的神经架构搜索 | |
CN107402984B (zh) | 一种基于主题的分类方法及装置 | |
Amin et al. | Advanced community identification model for social networks | |
Qiao et al. | Improving stochastic block models by incorporating power-law degree characteristic | |
Pereda et al. | Machine learning analysis of complex networks in Hyperspherical space | |
Wang et al. | Modeling over-dispersion for network data clustering | |
Long et al. | A skeleton-based community detection algorithm for directed networks | |
Shao et al. | Graph clustering with density-cut |
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 |