CN113127730A - 一种基于重叠社区的社区检测方法、终端设备及存储介质 - Google Patents
一种基于重叠社区的社区检测方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN113127730A CN113127730A CN202110275093.9A CN202110275093A CN113127730A CN 113127730 A CN113127730 A CN 113127730A CN 202110275093 A CN202110275093 A CN 202110275093A CN 113127730 A CN113127730 A CN 113127730A
- Authority
- CN
- China
- Prior art keywords
- community
- node
- communities
- overlapping
- weight
- 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
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Abstract
本发明涉及一种基于重叠社区的社区检测方法、终端设备及存储介质,该方法中包括:S1:构建高阶信息检测模型,通过高阶信息检测模型获取待检测信息的复杂网络的重加权网络;S2:根据重加权网络,计算重加权网络中每个节点包含的社区和每个社区对应的社区分数权重,并计算每个节点的自身权重;S3:根据每个节点包含的各社区的重叠度对该节点的社区进行筛选,并重新计算筛选后的各社区的社区分数权重,根据筛选后的由节点包含的社区和各社区对应的社区分数权重组成的节点社区列表,得到社区分类结果。本发明能够实现标签传播重叠社区检测,具有良好的检测效果,可以高效提取复杂网络中的高阶信息,并且能够准确地给节点分配其对应的重叠社区。
Description
技术领域
本发明涉及社区检测领域,尤其涉及一种基于重叠社区的社区检测方法、终端设备及存储介质。
背景技术
社区检测算法是挖掘网络应用和分析中信息的重要工具之一。随着信息技术的进步,新型的社会网络不断涌现,社区发现不仅可以广泛应用于协作网络、生物网络、通信网络、食物网络、电子商务推荐系统、社会舆情发现、风控信息传播等领域,而且对于数学、社会学、生物学、工程学等领域中复杂网络的检测具有重要作用。由于复杂网络除了小世界和无标度效应外,社区结构也是复杂网络的另一个主要特征。由于网络的规模和复杂度往往非常巨大,还存在节点所属社区数目不确定、拓扑结构错综复杂等各种问题,使得社区检测技术的应用还存在诸多难题。针对不同类型的网络,还需要设计相应的技术来提高系统性能。
现实生活中的复杂网络往往具有很多局部节点间存在联系紧密或彼此重叠的相似或者相同的子图。这些高频出现的子图能够揭示复杂网络的功能,从而能够为社区挖掘提供重要线索。例如,在社会网络中存在家庭、学校、社区等多个不同的子图,其中的某个特定个体可能存在于当中的多个子图内,同时这些子图中的所有个体可能以某种特定的方式相关联,我们称这种子图为“频繁模式"。在这种大型网络的相似子图中寻找重叠社区的检测算法,我们称其为“重叠社区检测模型”。
随着物联网、互联网技术的快速发展,事物之间的联系变得更加紧密和繁杂,交错的联系形成了多变、多样、庞大的网络,例如人际交往关系中的复杂社会网络、交通网络等,因其连接复杂、节点多样、重复性高等特点,称为复杂网络。为了研究复杂网络,相关研究人员已经提出了大量的社区挖掘算法来检测重叠社区。然而现有的这些方法大多数侧重于检测不相交的社区,即便这些社区是真实世界中众所周知的社区。另一个缺点是这些方法往往只关注低阶的邻接信息,导致忽略了网络中的高阶连接网络结构,从而降低了检测性能。
现有的社区挖掘方法大多采用的是假设每个节点恰好属于一个群体,或者是每个节点与其他节点简单连接。这类方法只能检测简单的图,且只考虑了节点之间简单的单跳连接,这类方法不能解决社区重叠问题或高阶结构社区问题,限制了相关技术的应用与推广。
发明内容
为了解决上述问题,本发明提出了一种基于重叠社区的社区检测方法、终端设备及存储介质。
具体方案如下:
一种基于重叠社区的社区检测方法,包括以下步骤:
S1:构建高阶信息检测模型,通过高阶信息检测模型获取待检测信息的复杂网络的重加权网络;
S2:根据重加权网络,计算重加权网络中每个节点包含的社区和每个社区对应的社区分数权重,并计算每个节点的自身权重;
S3:根据每个节点包含的各社区的重叠度对该节点的社区进行筛选,并重新计算筛选后的各社区的社区分数权重,根据筛选后的由节点包含的社区和各社区对应的社区分数权重组成的节点社区列表,得到社区分类结果。
进一步的,高阶信息检测模型采用频繁模式模型。
进一步的,通过高阶信息检测模型获取待检测信息的复杂网络的重加权网络的具体过程包括以下步骤:
S101:将复杂网络输入高阶信息检测模型后,高阶信息检测模型输出去对角化网络节点邻接矩阵A,同时将复杂网络中每个节点进行归一化处理;
S102:对邻接矩阵A进行无向处理后,得到邻接矩阵对应的无向邻接矩阵B;
S103:将无向邻接矩阵B转化为频繁模式的邻接矩阵M;
S104:将频繁模式的邻接矩阵M与复杂网络相加后,得到重加权网络。
进一步的,步骤S103中将无向邻接矩阵B转化为频繁模式的邻接矩阵M的方法为:对无向邻接矩阵B进行矩阵乘法操作,即无向邻接矩阵B相乘自身后再点乘自身。
进一步的,步骤S2具体包括以下步骤:
S201:针对重加权网络中的每个节点,获取其每个邻居的权重,并根据每个邻居的权重计算该节点对应的每个邻居的分数;
S202:初始化设定每个节点和其每个邻居的社区均为其本身,每个节点对应的社区分数权重为1;
S203:根据每个节点包含的所有邻居,将每个节点的社区更新为该节点的所有邻居对应的社区的集合,将每个节点的社区分数权重与该节点的每个邻居的分数的乘积,作为该节点的每个邻居对应社区的社区分数权重;
S204:将每个节点的所有邻居的社区包含的社区总数作为该节点的自身权重。
进一步的,步骤S3具体包括以下步骤:
S301:初始化设定节点序号i=1;
S302:针对每i个节点,将其包含的每个社区的社区分数权重与该节点的自身权重的比值作为每个社区的重叠度;
S303:判断该节点是否存在重叠度大于重叠度阈值的社区,如果是,则删除重叠度小于或等于重叠度阈值的社区后,将节点的自身权重更新为大于重叠度阈值的所有社区的社区分数权重之和,之后使用社区的社区分数权重与更新后的节点的自身权重的比值对社区的社区分数权重进行更新,最后将节点的自身权重更新为1;否则,仅保留社区分数权重最大的社区,其余社区全部剔除,并将保留的社区的社区分数权重更新为1,同时将节点的自身权重更新为1;
S304:将经过步骤S303得到的第i个节点包含的所有社区和每个社区对应的社区分数权重添加至节点社区列表内;
S303:判断i是否等于节点总数,如果是,进入S304;否则,令i=i+1,返回步骤S301;
S304:构建临时结果存放集合CM、TM和RM并初始化为空,将节点社区列表内所有节点对应的社区和社区分数权重添加至CM内,按照以下两种情况进行处理:
(1)如果CM与TM中的社区类别或社区数量不同,则将CM赋予RM后,再将RM赋予TM,返回步骤S301;
(2)如果CM与TM中的社区类别和社区数量均相同,但社区分数权重不想等,则将CM中社区分数权重最小的社区赋予RM后,判断RM与TM是否完全相同,如果是,输出节点社区列表,进入S305;否则将RM赋予TM,返回步骤S301;
S305:根据节点社区列表得到社区分类结果。
进一步的,还包括S4:对社区分类结果中的社区进行排序,将由单一节点构成的社区排在其他社区之后。
一种基于重叠社区的社区检测终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案,能够实现标签传播重叠社区检测,具有良好的检测效果,可以高效提取复杂网络中的高阶信息,并且能够准确地给节点分配其对应的重叠社区。
附图说明
图1所示为本发明实施例一的流程图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
本发明实施例提供了一种基于重叠社区的社区检测方法,如图1所示,所述方法包括以下步骤:
S1:构建高阶信息检测模型,通过高阶信息检测模型获取待检测信息的复杂网络的重加权网络。
该实施例中高阶信息检测模型采用频繁模式模型,频繁模式模型包括多种类型,如三角模型、四角模型、双向模型、单向模型等,在实施过程中,本领域技术人员可以选用任意的频繁模式模型,在此不做限制。
该实施例中通过高阶信息检测模型获取待检测信息的复杂网络的重加权网络的具体过程包括以下步骤:
S101:将复杂网络输入高阶信息检测模型后,高阶信息检测模型输出去对角化网络节点邻接矩阵A,同时将复杂网络中每个节点进行归一化处理。
S102:对邻接矩阵A进行无向处理后,得到邻接矩阵对应的无向邻接矩阵B。
S103:将无向邻接矩阵B转化为频繁模式的邻接矩阵M。
该实施例中将无向邻接矩阵B转化为频繁模式的邻接矩阵M的方法为:对无向邻接矩阵B进行矩阵乘法操作,即无向邻接矩阵B相乘自身后再点乘自身。
S104:将频繁模式的邻接矩阵M与复杂网络相加后,得到重加权网络。
S2:根据重加权网络,计算重加权网络中每个节点包含的社区和每个社区对应的社区分数权重,并计算每个节点的自身权重。
该实施例中步骤S2具体包括以下步骤:
S201:针对重加权网络中的每个节点,获取其每个邻居的权重,并根据每个邻居的权重计算该节点对应的每个邻居的分数。
S202:初始化设定每个节点和其每个邻居的社区均为其本身,每个节点对应的社区分数权重为1。
S203:根据每个节点包含的所有邻居,将每个节点的社区更新为该节点的所有邻居对应的社区的集合,将每个节点的社区分数权重与该节点的每个邻居的分数的乘积,作为该节点的每个邻居对应社区的社区分数权重。
S204:将每个节点的所有邻居的社区包含的社区总数作为该节点的自身权重。
S3:根据每个节点包含的各社区的重叠度对该节点的社区进行筛选,并重新计算筛选后的各社区的社区分数权重,根据筛选后的由节点包含的社区和各社区对应的社区分数权重组成的节点社区列表,得到社区分类结果。
该实施例中步骤S3具体包括以下步骤:
S301:初始化设定节点序号i=1;
S302:针对每i个节点,将其包含的每个社区的社区分数权重与该节点的自身权重的比值作为每个社区的重叠度;
S303:判断该节点是否存在重叠度大于重叠度阈值的社区,如果是,则删除重叠度小于或等于重叠度阈值的社区后,将节点的自身权重更新为大于重叠度阈值的所有社区的社区分数权重之和,之后使用社区的社区分数权重与更新后的节点的自身权重的比值对社区的社区分数权重进行更新,最后将节点的自身权重更新为1;否则,仅保留社区分数权重最大的社区,其余社区全部剔除,并将保留的社区的社区分数权重更新为1,同时将节点的自身权重更新为1;
S304:将经过步骤S303得到的第i个节点包含的所有社区和每个社区对应的社区分数权重添加至节点社区列表内;
S303:判断i是否等于节点总数,如果是,进入S304;否则,令i=i+1,返回步骤S301;
S304:构建临时结果存放集合CM、TM和RM并初始化为空,将节点社区列表内所有节点对应的社区和社区分数权重添加至CM内,按照以下两种情况进行处理:
(1)如果CM与TM中的社区类别或社区数量不同,则将CM赋予RM后,再将RM赋予TM,返回步骤S301;
(2)如果CM与TM中的社区类别和社区数量均相同,但社区分数权重不想等,则将CM中社区分数权重最小的社区赋予RM后,判断RM与TM是否完全相同,如果是,输出节点社区列表,进入S305;否则将RM赋予TM,返回步骤S301;
S305:根据节点社区列表得到社区分类结果。
进一步的,为了便于统计计算,本实施例还包括S4:对社区分类结果中的社区进行排序,将由单一节点构成的社区排在其他社区之后。
本发明实施例能够实现标签传播重叠社区检测,具有良好的检测效果,可以高效提取复杂网络中的高阶信息,并且能够准确地给节点分配其对应的重叠社区。
实施例二:
本发明还提供一种基于重叠社区的社区检测终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地,作为一个可执行方案,所述基于重叠社区的社区检测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于重叠社区的社区检测终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述基于重叠社区的社区检测终端设备的组成结构仅仅是基于重叠社区的社区检测终端设备的示例,并不构成对基于重叠社区的社区检测终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于重叠社区的社区检测终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述基于重叠社区的社区检测终端设备的控制中心,利用各种接口和线路连接整个基于重叠社区的社区检测终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于重叠社区的社区检测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述基于重叠社区的社区检测终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (9)
1.一种基于重叠社区的社区检测方法,其特征在于,包括以下步骤:
S1:构建高阶信息检测模型,通过高阶信息检测模型获取待检测信息的复杂网络的重加权网络;
S2:根据重加权网络,计算重加权网络中每个节点包含的社区和每个社区对应的社区分数权重,并计算每个节点的自身权重;
S3:根据每个节点包含的各社区的重叠度对该节点的社区进行筛选,并重新计算筛选后的各社区的社区分数权重,根据筛选后的由节点包含的社区和各社区对应的社区分数权重组成的节点社区列表,得到社区分类结果。
2.根据权利要求1所述的基于重叠社区的社区检测方法,其特征在于:高阶信息检测模型采用频繁模式模型。
3.根据权利要求1所述的基于重叠社区的社区检测方法,其特征在于:通过高阶信息检测模型获取待检测信息的复杂网络的重加权网络的具体过程包括以下步骤:
S101:将复杂网络输入高阶信息检测模型后,高阶信息检测模型输出去对角化网络节点邻接矩阵A,同时将复杂网络中每个节点进行归一化处理;
S102:对邻接矩阵A进行无向处理后,得到邻接矩阵对应的无向邻接矩阵B;
S103:将无向邻接矩阵B转化为频繁模式的邻接矩阵M;
S104:将频繁模式的邻接矩阵M与复杂网络相加后,得到重加权网络。
4.根据权利要求3所述的基于重叠社区的社区检测方法,其特征在于:步骤S103中将无向邻接矩阵B转化为频繁模式的邻接矩阵M的方法为:对无向邻接矩阵B进行矩阵乘法操作,即无向邻接矩阵B相乘自身后再点乘自身。
5.根据权利要求1所述的基于重叠社区的社区检测方法,其特征在于:步骤S2具体包括以下步骤:
S201:针对重加权网络中的每个节点,获取其每个邻居的权重,并根据每个邻居的权重计算该节点对应的每个邻居的分数;
S202:初始化设定每个节点和其每个邻居的社区均为其本身,每个节点对应的社区分数权重为1;
S203:根据每个节点包含的所有邻居,将每个节点的社区更新为该节点的所有邻居对应的社区的集合,将每个节点的社区分数权重与该节点的每个邻居的分数的乘积,作为该节点的每个邻居对应社区的社区分数权重;
S204:将每个节点的所有邻居的社区包含的社区总数作为该节点的自身权重。
6.根据权利要求1所述的基于重叠社区的社区检测方法,其特征在于:步骤S3具体包括以下步骤:
S301:初始化设定节点序号i=1;
S302:针对每i个节点,将其包含的每个社区的社区分数权重与该节点的自身权重的比值作为每个社区的重叠度;
S303:判断该节点是否存在重叠度大于重叠度阈值的社区,如果是,则删除重叠度小于或等于重叠度阈值的社区后,将节点的自身权重更新为大于重叠度阈值的所有社区的社区分数权重之和,之后使用社区的社区分数权重与更新后的节点的自身权重的比值对社区的社区分数权重进行更新,最后将节点的自身权重更新为1;否则,仅保留社区分数权重最大的社区,其余社区全部剔除,并将保留的社区的社区分数权重更新为1,同时将节点的自身权重更新为1;
S304:将经过步骤S303得到的第i个节点包含的所有社区和每个社区对应的社区分数权重添加至节点社区列表内;
S303:判断i是否等于节点总数,如果是,进入S304;否则,令i=i+1,返回步骤S301;
S304:构建临时结果存放集合CM、TM和RM并初始化为空,将节点社区列表内所有节点对应的社区和社区分数权重添加至CM内,按照以下两种情况进行处理:
(1)如果CM与TM中的社区类别或社区数量不同,则将CM赋予RM后,再将RM赋予TM,返回步骤S301;
(2)如果CM与TM中的社区类别和社区数量均相同,但社区分数权重不想等,则将CM中社区分数权重最小的社区赋予RM后,判断RM与TM是否完全相同,如果是,输出节点社区列表,进入S305;否则将RM赋予TM,返回步骤S301;
S305:根据节点社区列表得到社区分类结果。
7.根据权利要求1所述的基于重叠社区的社区检测方法,其特征在于:还包括S4:对社区分类结果中的社区进行排序,将由单一节点构成的社区排在其他社区之后。
8.一种基于重叠社区的社区检测终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~7中任一所述方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1~7中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110275093.9A CN113127730A (zh) | 2021-03-15 | 2021-03-15 | 一种基于重叠社区的社区检测方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110275093.9A CN113127730A (zh) | 2021-03-15 | 2021-03-15 | 一种基于重叠社区的社区检测方法、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113127730A true CN113127730A (zh) | 2021-07-16 |
Family
ID=76773081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110275093.9A Pending CN113127730A (zh) | 2021-03-15 | 2021-03-15 | 一种基于重叠社区的社区检测方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113127730A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114329099A (zh) * | 2021-11-22 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 重叠社区识别方法、装置、设备、存储介质及程序产品 |
CN115563400A (zh) * | 2022-09-19 | 2023-01-03 | 广东技术师范大学 | 一种基于模体加权聚合的多路网络社区检测方法及装置 |
-
2021
- 2021-03-15 CN CN202110275093.9A patent/CN113127730A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114329099A (zh) * | 2021-11-22 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 重叠社区识别方法、装置、设备、存储介质及程序产品 |
CN115563400A (zh) * | 2022-09-19 | 2023-01-03 | 广东技术师范大学 | 一种基于模体加权聚合的多路网络社区检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sieranoja et al. | Fast and general density peaks clustering | |
Sun et al. | Large-scale multiple testing under dependence | |
Alshahrani et al. | Efficient algorithms based on centrality measures for identification of top-k influential users in social networks | |
Gregori et al. | Parallel k-clique community detection on large-scale networks | |
Ahmed et al. | Sampling-based algorithm for link prediction in temporal networks | |
CN105630800B (zh) | 一种节点重要性排序的方法和系统 | |
He et al. | Discovering fuzzy structural patterns for graph analytics | |
Gong et al. | An efficient shortest path approach for social networks based on community structure | |
CN113127730A (zh) | 一种基于重叠社区的社区检测方法、终端设备及存储介质 | |
Ye et al. | Identifying influential individuals on large-scale social networks: A community based approach | |
CN111461440B (zh) | 链路预测方法、系统及终端设备 | |
Louhichi et al. | Unsupervised varied density based clustering algorithm using spline | |
KR102498294B1 (ko) | 키워드 공동출현 네트워크를 기반으로 핵심 키워드를 추출하는 방법 및 장치 | |
Wang et al. | Influential node identification by aggregating local structure information | |
Fanrong et al. | Local community detection in complex networks based on maximum cliques extension | |
Lu et al. | Multiple-kernel combination fuzzy clustering for community detection | |
Qing et al. | Community detection for weighted bipartite networks | |
CN112364198B (zh) | 一种跨模态哈希检索方法、终端设备及存储介质 | |
Yang et al. | Three-fast-inter incremental association Markov blanket learning algorithm | |
CN112131199A (zh) | 一种日志处理方法、装置、设备及介质 | |
CN113905066B (zh) | 物联网的组网方法、物联网的组网装置及电子设备 | |
CN115632874A (zh) | 一种实体对象的威胁检测方法、装置、设备及存储介质 | |
CN108011735B (zh) | 社区发现方法及装置 | |
CN110995649B (zh) | 一种基于贝叶斯网络的网络安全态势预测方法及装置 | |
CN114282121A (zh) | 业务节点推荐方法、系统、设备及存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210716 |