CN113225199A - 基于时序网络挖掘的交互行为预测方法、装置及电子设备 - Google Patents
基于时序网络挖掘的交互行为预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113225199A CN113225199A CN202011286692.2A CN202011286692A CN113225199A CN 113225199 A CN113225199 A CN 113225199A CN 202011286692 A CN202011286692 A CN 202011286692A CN 113225199 A CN113225199 A CN 113225199A
- Authority
- CN
- China
- Prior art keywords
- subgraph
- network
- node
- graph
- time
- 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
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000005065 mining Methods 0.000 title claims abstract description 52
- 230000006399 behavior Effects 0.000 claims abstract description 185
- 238000004891 communication Methods 0.000 claims abstract description 91
- 230000003993 interaction Effects 0.000 claims abstract description 85
- 230000001932 seasonal effect Effects 0.000 claims abstract description 72
- 238000012216 screening Methods 0.000 claims abstract description 60
- 230000000737 periodic effect Effects 0.000 claims abstract description 37
- 238000004590 computer program Methods 0.000 claims abstract description 5
- 230000003313 weakening effect Effects 0.000 claims description 31
- 230000002123 temporal effect Effects 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 20
- 102100032467 Transmembrane protease serine 13 Human genes 0.000 description 8
- 238000000765 microspectrophotometry Methods 0.000 description 8
- 235000019799 monosodium phosphate Nutrition 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 230000036961 partial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241000682622 Andracantha sigma Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书提供一种基于时序网络挖掘的交互行为预测方法,通信交互行为规律总结全面,能够对交互行为进行准确预测,包括:根据网络通信交互行为记录,构建交互行为时序网络;根据周期目标参数与季节目标参数从所述时序网络中筛选周期季节子图作为节点,构建子图生成树;根据关注度目标参数,从所述子图生成树中筛选出极大周期季节子图并确定网络通信交互行为规律,利用所述网络通信交互行为规律对网络交互行为进行预测。所述装置包括:时序网络模块、参数设定模块、子图生成树模块、子图筛选模块与行为预测模块。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行以实现所述基于时序网络挖掘的交互行为预测方法的计算机程序。
Description
技术领域
本说明书一个或多个实施例涉及网络通信技术领域,尤其涉及一种基于时序网络挖掘的交互行为预测方法、装置及电子设备。
背景技术
随着互联网网络技术不断发展,人们越来越依赖于网络进行沟通和信息交互,越来越多的数据通过互联网网络进行传输。在网络中同一时间内有大量数据进行传输时往往容易造成网络拥塞,这就对通信网络的稳定性和可靠性提出较高要求。
为解决网络拥塞的问题,一种较优的思路是对网络中的通信交互行为进行预测,在用户通信交互频繁时有选择性针对性的为相应用户分配更多的网络通信资源。现有的通信交互行为预测方法往往是通过挖掘通信时序网络的周期性子图总结用户通信交互行为规律,从而实现对用户通信交互行为的预测。网络通信交互行为往往存在有季节性周期特性,而现有的挖掘周期性子图的工作往往忽略了通信交互行为的季节性特征,并且对于预测目标行为关注度的契合性也较低,对通信交互行为预测的效果也较差。
发明内容
有鉴于此,本说明书一个或多个实施例的目的在于提出一种基于时序网络挖掘的交互行为预测方法、装置及电子设备,以解决忽略季节性特征与行为关注度导致的通信交互行为规律总结不全面、行为预测不够准确的问题。
基于上述目的,本说明书一个或多个实施例提供了一种基于时序网络挖掘的交互行为预测方法,包括:
设定周期目标参数σ、季节目标参数ω与关注度目标参数k;
根据所述关注度目标参数k,按照自底向上的顺序对所述子图生成树进行遍历,从所述子图生成树SGT中筛选出极大σ-周期ω-季节k子图;
根据所述极大σ-周期ω-季节k子图确定网络通信交互行为规律,利用所述网络通信交互行为规律对网络交互行为进行预测。
若两个所述用户之间存在通信交互行为,则相应两顶点之间存在时序联接关系;
根据所述时序联接关系以及与所述时序连接关系相对应的交互时间确定时序边;
以虚拟节点作为根节点,初始化生成所述子图生成树SGT;
所述扩展子图是指在上一层所述父节点子图基础上添加一条边的子图。
可选的,所述根据所述弱化支持度supp*对所述扩展子图进行筛选,根据筛选结果确定子节点,包括:
对于第i(i≤k+1)层,筛选出所述弱化支持度supp*不小于所述季节目标参数ω的所述扩展子图作为上一层相应所述父节点的子节点;
对于第j(j>k+1)层,将所述扩展子图作为上一层相应所述父节点的子节点,根据所述扩展子图的所述弱化支持度supp*为相应所述子节点添加扩展标识;
其中,对于所述弱化支持度supp*不小于所述季节目标参数ω的所述扩展子图,将所述扩展标识设置为true,对于所述弱化支持度supp*不小于所述季节目标参数ω的所述扩展子图,将所述扩展标识设置为false;
将所述扩展标识为false的所述子节点设置为叶子节点。
可选的,所述弱化支持度supp*的计算方法包括:
所述子图S的支持度supp(S)的含义为:所述子图S的时间支持度集合T(S)中所述σ-周期时间支持度集合的数目;
对于所述时序网络与所述周期目标参数σ,所述子图S的所述σ-周期时间支持度集合的含义为:所述时间支持度集合T(S)的一个极大连续子集πσ(S)={tm,tm+1,…,tn},所述极大连续子集πσ(S)满足:
1)n-m≥σ-1;
2)对于周期阈值参数p,tk+1-tk≤p(k∈[m,n-1]);
3)不存在其他的时间戳使得与其与tm或tn的时间间距不超过所述周期阈值参数p。
可选的,所述基于时序网络挖掘的交互行为预测方法还包括:
在根据新的所述父节点子图选取得到扩展子图后,将与新的所述父节点子图相应的所述扩展子图与现有所述子图候选集中的所述扩展子图进行对比,判断新的所述父节点子图相应的所述扩展子图是否出现在现有所述子图候选集中;
将未出现在现有所述子图候选集中的所述扩展子图存入所述子图候选集中;
所述根据所述弱化支持度supp*对所述扩展子图进行筛选,包括根据所述弱化支持度supp*对所述子图候选集中的所述扩展子图进行筛选。
可选的,所述根据所述关注度目标参数k,按照自底向上的顺序对所述子图生成树进行遍历,从所述子图生成树SGT中筛选出极大σ-周期ω-季节k子图,包括:
将所述子图生成树SGT中所述扩展标识为false的叶子节点标记为已访问节点;
按照自底向上的方向对所述子图生成树SGT中的未访问节点进行遍历判定,直至所述子图生成树SGT的第k+1层节点;
对所述未访问节点进行判定的方法包括:
对于未访问节点x,其对应扩展子图表示为Sx,所述未访问节点x的邻居节点中所述已访问节点数目表示为x.N,所述未访问节点x的子节点数目表示为x.C,相应所述扩展子图的所述弱化支持度为supp*(Sx);
若x.N=x.C且supp*(Sx)≥ω,则所述扩展子图Sx为所述极大σ-周期ω-季节k子图;
若x.N=x.C且supp*(Sx)<ω,则将所述扩展子图Sx的所述扩展标识修改设置为false,并将所述未访问节点x标记为已访问节点。
可选的,所述基于时序网络挖掘的交互行为预测方法还包括:
若已判定所述未访问节点x相应所述扩展子图Sx为所述所述极大σ-周期ω-季节k子图,则无需再对所述未访问节点x的祖先节点进行遍历判定。
参数设定模块,被配置为设定周期目标参数σ、季节目标参数ω与关注度目标参数k;
子图筛选模块,被配置为根据所述关注度目标参数k,按照自底向上的顺序对所述子图生成树进行遍历,从所述子图生成树SGT中筛选出极大σ-周期ω-季节k子图;
行为预测模块,被配置为根据所述极大σ-周期ω-季节k子图确定网络通信交互行为规律,利用所述网络通信交互行为规律对网络交互行为进行预测。
基于上述目的,本说明书一个或多个实施例提供了一种基于时序网络挖掘的交互行为预测电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如下方法:
设定周期目标参数σ、季节目标参数ω与关注度目标参数k;
根据所述关注度目标参数k,按照自底向上的顺序对所述子图生成树进行遍历,从所述子图生成树SGT中筛选出极大σ-周期ω-季节k子图;
根据所述极大σ-周期ω-季节k子图确定网络通信交互行为规律,利用所述网络通信交互行为规律对网络交互行为进行预测。
从上面所述可以看出,本说明书一个或多个实施例提供的所述基于时序网络挖掘的交互行为预测方法、装置及电子设备,根据网络通信交互行为记录构建出交互行为的时序网络,除交互行为的周期性特征之外还考虑季节性特征以及契合目标行为关注度,根据周期目标参数、季节目标参数与关注度目标参数从所述时序网络中筛选子图作为节点构建子图生成树,再利用所述子图生成树遍历筛选出符合要求的极大周期季节子图,进而利用所述极大周期季节子图总结出更加全面的网络通信交互行为规律,能够对网络交互行为进行高效准确预测。
附图说明
为了更清楚地说明本说明书一个或多个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,显而易见地,下面描述中的附图仅仅是本说明书一个或多个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例所提供的基于时序网络挖掘的交互行为预测方法示意图;
图2为网络通信交互行为记录示意图;
图3为时序网络示意图;
图4为本说明书实施例所述基于时序网络挖掘的交互行为预测方法中构建子图生成树的方法示意图;
图5为本说明书实施例所述基于时序网络挖掘的交互行为预测方法中构建子图生成树过程示意图;
图6-a为本说明书实施例IsMSPs方法与IsMSPs-B方法针对HS数据集的执行效率对比图;
图6-b为本说明书实施例IsMSPs方法与IsMSPs-B方法针对LKML数据集的执行效率对比图;
图6-c为本说明书实施例IsMSPs方法与IsMSPs-B方法针对DBLP数据集的执行效率对比图;
图7为本说明书实施例IsMSPs方法有效性示意图;
图8为本说明书实施例所提供的基于时序网络挖掘的交互行为预测装置示意图;
图9为本说明书实施例所提供的基于时序网络挖掘的交互行为预测电子设备示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。
在网络通信交互中一般存在季节周期行为,所述季节周期行为是指在时序网络中的一种频繁出现的社会交互行为,主要表现为在时序网络中多个特定时期内呈现周期性。所述季节周期行为所体现的不仅仅是交互行为的周期性特征,还体现有交互行为的季节性特征,所述季节性特征能够表征有关季节或时间关联的有用信息,能够表明网络通信交互行为中参与者个体之间的有趣关系,因此在总结通信交互行为规律时,季节性特征是一个值得重点关注的重要属性。而现有的通信网络中交互行为预测方法中往往是通过挖掘通信时序网络的周期性子图总结用户通信交互行为规律,其总结的规律结果一般只能体现出交互行为的周期性特征,忽略了季节性特征。
此外,旨在解决网络拥塞问题所提出的基于时序网络挖掘的交互行为预测的方法,还需要对所有存在规律性的行为进行价值度的区分,对于同一时间内多个用户同时进行交互的行为更加关注,因此在对网络交互行为进行预测时总结通信交互行为规律还需要与目标行为的关注度契合。
针对于上述问题,本发明实施例提供了基于时序网络挖掘的交互行为预测方案,能够从根据网络通信交互行为构建的时序网络中根据周期目标参数、季节目标参数与关注度目标参数筛选子图作为节点构建子图生成树,并进一步遍历筛选得到符合要求的极大周期季节子图,利用所述极大周期子图总结归纳出更加全面的网络通信交互行为规律,从而实现对网络交互行为的高效准确预测。
在一方面,本发明一个或多个实施例提供了一种基于时序网络挖掘的交互行为预测方法。
如图1所示,本发明的一个或多个实施例所提供的所述基于时序网络挖掘的交互行为预测方法,包括:
时序网络本质上是边带有时间关系的大图,在网络通信场景下,时序网络的边所对应的时间关系即表示通信交互行为的实施与存续时间,而边的两个端点即表示交互行为所涉及的两用户或两端口。构建所述交互行为时序网络的一种可选的方式可以是根据网络通信交互行为的历史数据确定行为记录,或者对网络通信交互行为进行实时跟踪记录确定行为记录,需要说明的是,其中通过实施跟踪确定行为记录的方式,其构建得到的所述时序网络相应的也可以实施更新,本发明实施例中所述基于时序网络挖掘的交互行为预测方法中利用所述时序网络确定的所述交互行为规律以及进一步的交互行为预测结果也随着时间实时更新调整。根据交互行为记录构建交互行为时序网络,可以根据通信网络中的用户确定时序网络图的节点,根据交互行为的实施与存续时间确定时序网络图中的边;
S2:设定周期目标参数σ、季节目标参数ω与关注度目标参数k;
所述周期目标参数σ用于衡量所述周期性特征,所述季节目标参数ω则相应的用来衡量季节性特征,以及所述关注度目标参数k则用来衡量对交互行为的关注度,可以根据经验对这三者参数进行预先设定,或者根据对周期性特性、季节性特性以及关注度这三者的阈值要求分别进行设定;
相比挖掘周期子图,所述基于时序网络挖掘的交互行为预测方法中根据设定好的所述周期目标参数σ、所述季节目标参数ω与所述关注度目标参数k从时序网络中选取符合所述周期目标参数σ、所述季节目标参数ω的子图作为节点构建子图生成树(SubgraphGeneration Tree,SGT),所选取的子图即所述σ-周期ω-季节子图能够同时体现交互行为的周期性特征与季节性特征;
S4:根据所述关注度目标参数k,按照自底向上的顺序对所述子图生成树进行遍历,从所述子图生成树SGT中筛选出极大σ-周期ω-季节k子图;
在利用筛选出的所述σ-周期ω-季节子图构建所述子图生成树SGT后,进一步的考虑对目标交互行为的关注度,根据所述关注度目标参数k选取出所述极大σ-周期ω-季节k子图,所述极大σ-周期ω-季节k子图在满足体现周期性特征与季节性特征的基础上进一步的对关注度进行契合;
S5:根据所述极大σ-周期ω-季节k子图确定网络通信交互行为规律,利用所述网络通信交互行为规律对网络交互行为进行预测。
在确定所述网络通信交互行为规律时,可以根据所述极大σ-周期ω-季节k子图确定交互行为所涉及的用户、相应交互行为事件等信息,例如可以确定通信网络中某些同时在特定事件段内会同时出现交互行为的规律,或者可以确定每经过特定时间段会同时出现多个用户进行交互的规律。所述极大σ-周期ω-季节k子图同时体现周期性特征与季节性特征以及对关注对契合,利用所述极大σ-周期ω-季节k子图所确定所述网络通信交互行为规律更加全面。
所述基于时序网络挖掘的交互行为预测方法根据网络通信交互行为记录构建出交互行为的时序网络,除交互行为的周期性特征之外还考虑季节性特征以及契合目标行为关注度,根据周期目标参数、季节目标参数与关注度目标参数从所述时序网络中筛选子图作为节点构建子图生成树,再利用所述子图生成树遍历筛选出符合要求的极大周期季节子图,进而利用所述极大周期季节子图总结出更加全面的网络通信交互行为规律,能够对网络交互行为进行高效准确预测。
若两个所述用户之间存在通信交互行为,则相应两顶点之间存在时序联接关系;
根据所述时序联接关系以及与所述时序连接关系相对应的交互时间确定时序边;
参考图2,3所示,对构建交互行为时序网络的方法进行示例性说明。图2为网络通信交互行为记录示意图,其中带箭头的横轴表示时间轴,在所述时间轴中不同时间点对应部分记录了相应时刻下通信网络中实施或存续的交互行为,例如以时刻5为例,在时刻5相应时间点下,存在三个交互行为分别是<v3-v8>,<v3-v4>和<v3-v4>,其含义为在时刻5时,通信网络中的用户v3、v8进行交互、用户v3、v4进行交互、用户v3、v4进行交互;同样的,根据此示意图可以到的信息包括:用户v3、v8在时刻3、5时进行交互;用户v3、v4在时刻3、4、5时进行交互等。对应的,将用户v3、v8作为所述时序网络的顶点v3、v8,这两个顶点之间存在时序联接关系,相应确定的时序边上时间戳为{3,5},将用户v3、v4作为所述时序网络的顶点v3、v4,这两个顶点之前的时序边上时间戳为{3,4,5}。参考图3所示,为与参考图2所示网络通信交互行为记录对应的时序网络。
所述时序网络可以定义为其中表示顶点集合,ε表示一系列的时序边集合;所述时序网络中的时序边表示所述时序网络中的顶点v和v′在时刻存在交互,其中v和v′表示所述顶点集合中的顶点,表示所述顶点v和v′交互式对应的时间戳t集合,表示整数形式的时间戳。
若给定一个图S={Vs,Es},(Vs∈V,Es∈E),则图S表示所述去时序化图G的诱导子图,应当理解的是所述诱导子图S其中包含有通信网络中部分或全部用户节点之间的通信联接关系;当给定一个时间戳所述时序网络在tx时刻的快照Gx是所述时序网络中所有与时间戳tx相关的边集合的导出图,应当理解的是所述快照Gx其中包含有时间戳tx时刻下的通信网络中的通信交互情况信息。也就是说在所述时序网络的基础上通过获取相应的诱导子图或快照,能够获取到与用户交互行为相关的通信联接关系或通信交互情况信息。那么相应的根据从所述时序网络或相应的去时序化图G中选取的子图也能获取到相应的部分用户交互行为信息,这对本领域技术人员而言是可以理解的。
如图4所示,在本说明书的一个或多个实施例所提供的所述基于时序网络挖掘的交互行为预测方法中,所述根据所述周期目标参数σ与所述季节目标参数ω从所述时序网络中筛选σ-周期ω-季节子图作为节点,构建子图生成树SGT,包括:
S401:以虚拟节点作为根节点,初始化生成所述子图生成树SGT;
S403:从第二层开始,根据上一层父节点对应子图从所述时序网络中选取扩展子图,并根据所述弱化支持度supp*对所述扩展子图进行筛选,根据筛选结果确定子节点,利用所述子节点对所述子图生成树SGT进行扩展;
在根据所述弱化支持度supp*对所述扩展子图进行筛选时也将所述弱化支持度supp*与所述季节目标参数ω进行对比,根据对比结果对所述扩展子图进行筛选。
所述扩展子图是指在上一层所述父节点子图基础上添加一条边的子图。
对本领域技术人员应当理解的是,从所述时序网络或相应的去时序化图G中选取的子图包含有部分用户交互行为信息,为实现对网络交互行为规律的全面准确总结归纳,首先需要获取能同时涵盖有周期性特征与季节性特征的用户交互行为信息,即从所述时序网络或相应的去时序化图G中选取同时包含这两者的子图。
在所述基于时序网络挖掘的交互行为预测方法中从所述时序网络中筛选σ-周期ω-季节子图并将其作为节点构建子图生成树SGT,所选取的子图即所述σ-周期ω-季节子图能够同时体现交互行为的周期性特征与季节性特征。
所述子图生成树SGT中的层数与节点对应子图中边的数目一致,如图5所示,为构建所述子图生成树SGT的过程示意图,图中扩展子图S1是处于所述子图生成树SGT第三层的节点,由v1,v5,v7三个节点以及三条边组成;而以扩展子图S1为父节点,选取的作为子节点的扩展子图S2、S3为所述子图生成树SGT第四层节点,所述扩展子图S2、S3是在扩展子图S1已有的三条边基础上添加一条新的边得到。
结合图5能够理解,所述子图生成树SGT在结构上隐含了子图所包含边的个数的信息,而通过之前的分析能够了解到的子图中的边其所代表的是用户之间所存在的交互联接关系,一个子图中的边越多,说明这一子图对应的部分用户之间的交互联系更紧密,很显然的对于这部分用户的交互行为应当赋予更多的关注度。因此能够理解,在所述基于时序网络挖掘的交互行为预测方法中采用构建子图生成树SGT的方式,其中的节点能够同时体现交互行为的周期性特征与季节性特征,所述子图生成树SGT在结构上同时也隐含包括了关注度信息。因此所述基于时序网络挖掘的交互行为预测方法构建所述子图生成树SGT能够兼顾周期性特征、季节性特征与关注度这三方面因素,从而便于之后进一步遍历筛选出满足体现周期性特征与季节性特征的基础上进一步的对关注度进行契合的子图。
在所述基于时序网络挖掘的交互行为预测方法中构建子图生成树SGT时,以将所述弱化支持度supp*与所述季节目标参数ω的对比结果作为筛选-周期ω-季节子图的判定条件,以下通过概念解释对采取这一判定条件的原因进行说明:
定义1:时间支持度集合:
定义2:σ-周期时间支持度集合:
对于所述时序网络与所述周期目标参数σ,所述子图S的所述σ-周期时间支持度集合的含义为:所述时间支持度集合T(S)的一个极大连续子集πσ(S)={tm,tm+1,…,tn},所述极大连续子集πσ(S)满足:
1)n-m≥σ-1;
2)对于周期阈值参数p,tk+1-tk≤p(k∈[m,n-1]);
3)不存在其他的时间戳使得与其与tm或tn的时间间距不超过所述周期阈值参数p。
以图3所示的时序网络为例,对于子图S={<v1,v7>,<v1,v5>,<v5,v7>},其时间支持度集合T(S)={1,2,3,7,8,10},如果将所示周期阈值p设置为2,则集合πσ(S)={7,8,10}是一个周期为3的时间时间支持度集合。
对于一个子图S的时间支持度集合T(S),其中可能存在对多个所述σ-周期时间支持度集合。根据定义2的表述,能够看出时序网络中部分时间范围内表现出周期性特征。
定义3:σ-周期ω-季节时间支持度集合:
1)Ωω σ(S)={πσ 1(S),πσ 2(S),…,πσ q(S)},q≥ω;
2)每个πσ o(S),(o∈[1,q])表示所述子图S的一个所述σ-周期时间支持度集合。
能够看出所述σ-周期ω-季节时间支持度集合中存在多个季节性的σ-周期时间支持度集合。
定义4:σ-周期ω-季节子图:
能够理解,所述σ-周期ω-季节子图同时涵盖有周期性特征与季节性特征。
定义5:极大σ-周期ω-季节k子图(Maximalσ-periodicω-seasonal k subgraph,MSPs):
1)子图S为所述σ-周期ω-季节子图,且|S|>k;
根据定义5能够理解,所述极大σ-周期ω-季节k子图是边的数量|S|大于k的σ-周期ω-季节子图。
以图3所示的时序网络为例,设置参数为σ=3,ω=2,k=2,p=2,对于子图S={<v1,v7>,<v1,v5>,<v5,v7>}存在一个σ-周期ω-季节时间支持度集合Ωω σ(S)={(1,2,3),(7,8,10)},所述子图S为σ-周期ω-季节子图,并且根据上述定义5中的条件容易判断知道子图S为极大σ-周期ω-季节k子图(MSPs).
能够理解,根据所述极大σ-周期ω-季节k子图同时涵盖有周期性特性与季节性特征,并且与交互行为关注度相契合。
通过上述概念解释,可以知道为兼顾交互行为的周期性特征与季节性特征,应当从所述所述时序网络中选取出所述σ-周期ω-季节子图,而判断一个子图S是否为σ-周期ω-季节子图,可以通过统计所述子图S的时间支持度集合T(S)中σ-周期时间支持度集合的数目,将其与所述季节目标参数ω进行对比。
将所述子图S的时间支持度集合T(S)中σ-周期时间支持度集合的数目定义为所述子图S的支持度,记为supp(S)。
然而,通过对所述支持度supp(S)的分析发现,这一支持度度量不具有反单调属性,也就是说可能存在子图S1不是σ-周期ω-季节子图,但以所述子图S1为基础的扩展子图是σ-周期ω-季节子图的情况,以图3所示的时序网络为例,设置σ=3,ω=2,p=2,此时对于子图S1={<v1,v5>},其支持度supp(S1)=1,因此子图S1不是σ-周期ω-季节子图,而对于以子图S1为基础扩展得到的子图S2={<v1,v7>,<v1,v5>,<v5,v7>},其支持度supp(S2)=2,因此子图S2是σ-周期ω-季节子图。放在树结构当中分析时,不能根据祖先节点对应子图是否为σ-周期ω-季节子图的情况,对子孙节点的情况进行判断,因此,在从所述时序网络中筛选σ-周期ω-季节子图时若采用支持度supp(S)来进行判断筛选,就需要对所述时序网络中所有的子图都进行判断,采用这样的方式可能带来大量的工作量,计算复杂度较高,所需计算资源较多。
在本说明书的一个或多个实施例所提供的所述基于时序网络挖掘的交互行为预测方法中,采用弱化支持度supp*(S)进行筛选判断:
通过对所述弱化支持度supp*(S)进行分析,能够确定与所述支持度supp(S)之间的关系为:supp*(S)≥supp(S);
若子图S的支持度满足supp(S)=ω,则必然存在一个关于子图S的所述弱化支持度满足supp*(S)=ω,且若子图S不存在所述弱化支持度,则子图S不是σ-周期ω-季节子图;
因此根据所述弱化支持度supp*(S)也能对相应子图S是否为σ-周期ω-季节子图进行判断。
并且,进一步的,对于任意的时序网络以及其任意子图S1与S2,若则supp*(S1)≥supp*(S2).即所述弱化支持度supp*(S)具有反单调属性。放在树结构当中分析时,若子图S1表示父节点子图,S2表示相应的一个扩展子图,则扩展子图的所述弱化支持度小于父节点子图的弱化支持度,因此当父节点子图不是σ-周期ω-季节子图时,它的扩展子图也一定不是σ-周期ω-季节子图时,因此采用弱化支持度supp*(S)进行筛选判断时,若确定树中某子节点对应子图不是σ-周期ω-季节子图,就无需在对其进行扩展,采用这样的方式能够大大减少需要筛选判断的子图数量,降低计算复杂度,减少工作量提高方法执行效率。
在本说明书的一个或多个实施例所提供的所述基于时序网络挖掘的交互行为预测方法中,所述根据所述弱化支持度supp*对所述扩展子图进行筛选,根据筛选结果确定子节点,包括:
对于第i(i≤k+1)层,筛选出所述弱化支持度supp*不小于所述季节目标参数ω的所述扩展子图作为上一层相应所述父节点的子节点;
对于第j(j>k+1)层,将所述扩展子图作为上一层相应所述父节点的子节点,根据所述扩展子图的所述弱化支持度supp*为相应所述子节点添加扩展标识;
其中,对于所述弱化支持度supp*不小于所述季节目标参数ω的所述扩展子图,将所述扩展标识设置为true,对于所述弱化支持度supp*不小于所述季节目标参数ω的所述扩展子图,将所述扩展标识设置为false;
将所述扩展标识为false的所述子节点设置为叶子节点。
在所述子图生成树SGT中的层数与节点对应子图中边的数目一致,一个子图中的边越多,说明这一子图对应的部分用户之间的交互联系更紧密,很显然的对于这部分用户的交互行为应当赋予更多的关注度。为便于之后利用所述子图生成树SGT筛选出极大σ-周期ω-季节k子图,在构建所述子图生成树SGT时,对于不同层区分对待。
本说明书的一个或多个实施例所提供的所述基于时序网络挖掘的交互行为预测方法,还包括:
在根据新的所述父节点子图选取得到扩展子图后,将与新的所述父节点子图相应的所述扩展子图与现有所述子图候选集中的所述扩展子图进行对比,判断新的所述父节点子图相应的所述扩展子图是否出现在现有所述子图候选集中;
将未出现在现有所述子图候选集中的所述扩展子图存入所述子图候选集中;
所述根据所述弱化支持度supp*对所述扩展子图进行筛选,包括根据所述弱化支持度supp*对所述子图候选集中的所述扩展子图进行筛选。
本领域技术人员应当理解的是,对于不同的父节点,在其对应子图基础上所确定的扩展子图,经常可能出现重复的情况,及不同父节点扩展得到相同的扩展子图。对于这种情况,所述基于时序网络挖掘的交互行为预测方法中采用创建子图候选集存储扩展子图的方式,对于每个新的父节点对应的扩展子图都进行查重,这样构建得到的所述子图生成树SGT中每个节点对应的子图都是唯一的,能够避免大量重复计算操作。
在本说明书的一个或多个实施例所提供的所述基于时序网络挖掘的交互行为预测方法中,所述根据所述关注度目标参数k,按照自底向上的顺序对所述子图生成树进行遍历,从所述子图生成树SGT中筛选出极大σ-周期ω-季节k子图,包括:
将所述子图生成树SGT中所述扩展标识为false的叶子节点标记为已访问节点;
按照自底向上的方向对所述子图生成树SGT中的未访问节点进行遍历判定,直至所述子图生成树SGT的第k+1层节点;
对所述未访问节点进行判定的方法包括:
对于未访问节点x,其对应扩展子图表示为Sx,所述未访问节点x的邻居节点中所述已访问节点数目表示为x.N,所述未访问节点x的子节点数目表示为x.C,相应所述扩展子图的所述弱化支持度为supp*(Sx);
若x.N=x.C且supp*(Sx)≥ω,则所述扩展子图Sx为所述极大σ-周期ω-季节k子图;
若x.N=x.C且supp*(Sx)<ω,则将所述扩展子图Sx的所述扩展标识修改设置为false,并将所述未访问节点x标记为已访问节点。
在所述基于时序网络挖掘的交互行为预测方法中,从所述子图生成树SGT中筛选出极大σ-周期ω-季节k子图,其所包含的边数目肯定大于k,因此关注点在于所述子图生成树SGT中从第k+1层节点开始以下部分的节点。
根据所述极大σ-周期ω-季节k子图定义中子图需满足的条件,以及所述子图生成树SGT的结构,能够确定筛选确定所述极大σ-周期ω-季节k子图的方法为:若x.N=x.C且supp*(Sx)≥ω,则所述扩展子图Sx为所述极大σ-周期ω-季节k子图。所述基于时序网络挖掘的交互行为预测方法,采用这样的方式能够从所述子图生成树SGT中快速准确地筛选出同时涵盖有周期性特性与季节性特征,并且与交互行为关注度相契合的极大σ-周期ω-季节k子图。
在本说明书的一个或多个实施例所提供的所述基于时序网络挖掘的交互行为预测方法中,若已判定所述未访问节点x相应所述扩展子图Sx为所述所述极大σ-周期ω-季节k子图,则无需再对所述未访问节点x的祖先节点进行遍历判定。
根据所述极大σ-周期ω-季节k子图的性质(定义中需满足的第二条件),在所述子图生成树SGT中,不存在一个极大σ-周期ω-季节k子图的祖先节点其子孙节点子图中也存在极大σ-周期ω-季节k子图的情况,因此当确定一个子图为极大σ-周期ω-季节k子图时,其祖先节点就无需再考虑。
所述基于时序网络挖掘的交互行为预测方法采用这样的处理方式,能够再一次地减少需要遍历判定的节点数量,减少计算工作量,提高方法执行效率。
以下通过实验数据对本说明书的一个或多个实施例所提供的所述基于时序网络挖掘的交互行为预测方法中筛选确定极大σ-周期ω-季节k子图方法(记为IsMSPs)的技术效果进行说明。
实验场景:如表1所示,包括:HS是一所法国高中的学生通信交互的数据集;LKML是关于用户邮件通信的时序网络数据集;DBLP是关于作者相互合作沟通通信的时序网络数据集。
表1
参数设置:实验中主要包括4个参数k,p,σ,ω。对于参数k,我们将其从3增加到5,默认值为3。对于参数p,我们将其从2增加到4,默认值为3。此外,我们将σ从3增加到5,默认值为3;将ω从1增加到3,默认值为2。除非有特殊的指出,否则在变化一个参数时,其他的参数设置为默认值。
如图6-a,6-b,6-c所示,为两种不同算法的执行效率结果对比图。在不同数据集中将参数设置为k=4,p=3,σ=4,ω=2。相似的结果在可以在其他的参数设置中体现出来。值得注意的是,IsMSPs算法比IsMSPs-B算法要快的多,最快在DBLP数据集中达到304.71倍。这些结果表明利用所述弱化支持度进行筛选可以在子图的挖掘过程中,大大的约减搜索空间。
如图7所示,为本说明书实施例中采用的IsMSPs方法在LKML数据集,设置不同参数时处理结果有效性示意图。图中折线图中横轴表示参数k取值,纵轴表示处理结果中筛选出的所述极大σ-周期ω-季节k子图MSPs数量。其中,可以发现(1)固定参数p,σ和ω,k的增加会导致MSPs数目的降低;(2)固定参数p,σ和k,ω的增加会导致MSPs数目的降低;(3)固定参数k,p和ω,σ的增加会导致MSPs数目的降低;(4)固定参数ω,σ和k,p的减少会导致MSPs数目的降低。这是因为当σ和ω,k的增加或者p减少时,季节周期子图的约束将会更加的强,挖掘出的子图的数目也会相应的减少。通过实验结果能够知道对于不同的参数设置,本说明实施例中采用的IsMSPs方法都能有效处理,相应的通过对各个参数进行调整,所获取的MSPs能够不同程度表征交互行为的周期性特征、季节性特征以及对关注度契合。
需要说明的是,本说明书一个或多个实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本说明书一个或多个实施例还提供了一种基于时序网络挖掘的交互行为预测装置。
参考图8,所述基于时序网络挖掘的交互行为预测装置,包括:
参数设定模块2,被配置为设定周期目标参数σ、季节目标参数ω与关注度目标参数k;
子图筛选模块4,被配置为根据所述关注度目标参数k,按照自底向上的顺序对所述子图生成树进行遍历,从所述子图生成树SGT中筛选出极大σ-周期ω-季节k子图;
行为预测模块5,被配置为根据所述极大σ-周期ω-季节k子图确定网络通信交互行为规律,利用所述网络通信交互行为规律对网络交互行为进行预测。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的基于时序网络挖掘的交互行为预测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本说明书一个或多个实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上任意一实施例所述的基于时序网络挖掘的交互行为预测方法。
图9示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的所述基于时序网络挖掘的交互行为预测方法技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的基于时序网络挖掘的交互行为预测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本说明书一个或多个实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本说明书一个或多个实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本公开的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
以虚拟节点作为根节点,初始化生成所述子图生成树SGT;
所述扩展子图是指在上一层所述父节点子图基础上添加一条边的子图。
4.根据权利要求3所述的方法,其特征在于,所述根据所述弱化支持度supp*对所述扩展子图进行筛选,根据筛选结果确定子节点,包括:
对于第i(i≤k+1)层,筛选出所述弱化支持度supp*不小于所述季节目标参数ω的所述扩展子图作为上一层相应所述父节点的子节点;
对于第j(j>k+1)层,将所述扩展子图作为上一层相应所述父节点的子节点,根据所述扩展子图的所述弱化支持度supp*为相应所述子节点添加扩展标识;
其中,对于所述弱化支持度supp*不小于所述季节目标参数ω的所述扩展子图,将所述扩展标识设置为true,对于所述弱化支持度supp*不小于所述季节目标参数ω的所述扩展子图,将所述扩展标识设置为false;
将所述扩展标识为false的所述子节点设置为叶子节点。
5.根据权利要求3、4任意一项所述的方法,其特征在于,所述弱化支持度supp*的计算方法包括:
所述子图S的支持度supp(S)的含义为:所述子图S的时间支持度集合T(S)中所述σ-周期时间支持度集合的数目;
对于所述时序网络与所述周期目标参数σ,所述子图S的所述σ-周期时间支持度集合的含义为:所述时间支持度集合T(S)的一个极大连续子集πσ(S)={tm,tm+1,…,tn},所述极大连续子集πσ(S)满足:
1)n-m≥σ-1;
2)对于周期阈值参数p,tk+1-tk≤p(k∈[m,n-1]);
3)不存在其他的时间戳使得与其与tm或tn的时间间距不超过所述周期阈值参数p。
7.根据权利要求4所述的方法,其特征在于,所述根据所述关注度目标参数k,按照自底向上的顺序对所述子图生成树进行遍历,从所述子图生成树SGT中筛选出极大σ-周期ω-季节k子图,包括:
将所述子图生成树SGT中所述扩展标识为false的叶子节点标记为已访问节点;
按照自底向上的方向对所述子图生成树SGT中的未访问节点进行遍历判定,直至所述子图生成树SGT的第k+1层节点;
对所述未访问节点进行判定的方法包括:
对于未访问节点x,其对应扩展子图表示为Sx,所述未访问节点x的邻居节点中所述已访问节点数目表示为x.N,所述未访问节点x的子节点数目表示为x.C,相应所述扩展子图的所述弱化支持度为supp*(Sx);
若x.N=x.C且supp*(Sx)≥ω,则所述扩展子图Sx为所述极大σ-周期ω-季节k子图;
若x.N=x.C且supp*(Sx)<ω,则将所述扩展子图Sx的所述扩展标识修改设置为false,并将所述未访问节点x标记为已访问节点。
8.根据权利要求7所述的方法,其特征在于,还包括:
若已判定所述未访问节点x相应所述扩展子图Sx为所述所述极大σ-周期ω-季节k子图,则无需再对所述未访问节点x的祖先节点进行遍历判定。
9.一种基于时序网络挖掘的交互行为预测装置,其特征在于,包括:
参数设定模块,被配置为设定周期目标参数σ、季节目标参数ω与关注度目标参数k;
子图筛选模块,被配置为根据所述关注度目标参数k,按照自底向上的顺序对所述子图生成树进行遍历,从所述子图生成树SGT中筛选出极大σ-周期ω-季节k子图;
行为预测模块,被配置为根据所述极大σ-周期ω-季节k子图确定网络通信交互行为规律,利用所述网络通信交互行为规律对网络交互行为进行预测。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011286692.2A CN113225199A (zh) | 2020-11-17 | 2020-11-17 | 基于时序网络挖掘的交互行为预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011286692.2A CN113225199A (zh) | 2020-11-17 | 2020-11-17 | 基于时序网络挖掘的交互行为预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113225199A true CN113225199A (zh) | 2021-08-06 |
Family
ID=77086002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011286692.2A Pending CN113225199A (zh) | 2020-11-17 | 2020-11-17 | 基于时序网络挖掘的交互行为预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113225199A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139022A (zh) * | 2022-01-30 | 2022-03-04 | 支付宝(杭州)信息技术有限公司 | 子图抽取方法和装置 |
US20240028744A1 (en) * | 2022-07-21 | 2024-01-25 | University Of Chinese Academy Of Sciences | Dynamic network risk predicting method based on a graph neural network |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180113458A1 (en) * | 2016-10-24 | 2018-04-26 | International Business Machines Corporation | Method of effective driving behavior extraction using deep learning |
US20190332932A1 (en) * | 2018-04-30 | 2019-10-31 | EMC IP Holding Company LLC | Learning Machine Behavior Related to Install Base Information and Determining Event Sequences Based Thereon |
CN111008196A (zh) * | 2019-11-01 | 2020-04-14 | 天津大学 | 基于深度优先搜索的频繁模式挖掘方法 |
CN111932174A (zh) * | 2020-07-28 | 2020-11-13 | 中华人民共和国深圳海关 | 货运监管异常信息获取方法、装置、服务器及存储介质 |
-
2020
- 2020-11-17 CN CN202011286692.2A patent/CN113225199A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180113458A1 (en) * | 2016-10-24 | 2018-04-26 | International Business Machines Corporation | Method of effective driving behavior extraction using deep learning |
US20190332932A1 (en) * | 2018-04-30 | 2019-10-31 | EMC IP Holding Company LLC | Learning Machine Behavior Related to Install Base Information and Determining Event Sequences Based Thereon |
CN111008196A (zh) * | 2019-11-01 | 2020-04-14 | 天津大学 | 基于深度优先搜索的频繁模式挖掘方法 |
CN111932174A (zh) * | 2020-07-28 | 2020-11-13 | 中华人民共和国深圳海关 | 货运监管异常信息获取方法、装置、服务器及存储介质 |
Non-Patent Citations (1)
Title |
---|
QIANZHEN ZHANG等: "Seasonal-Periodic Subgraph Mining in Temporal Networks", 《ACM》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139022A (zh) * | 2022-01-30 | 2022-03-04 | 支付宝(杭州)信息技术有限公司 | 子图抽取方法和装置 |
CN114139022B (zh) * | 2022-01-30 | 2022-04-29 | 支付宝(杭州)信息技术有限公司 | 子图抽取方法和装置 |
US20240028744A1 (en) * | 2022-07-21 | 2024-01-25 | University Of Chinese Academy Of Sciences | Dynamic network risk predicting method based on a graph neural network |
US11934536B2 (en) * | 2022-07-21 | 2024-03-19 | University Of Chinese Academy Of Sciences | Dynamic network risk predicting method based on a graph neural network |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ardagna et al. | Context-aware data quality assessment for big data | |
US10417063B2 (en) | Artificial creation of dominant sequences that are representative of logged events | |
Rossi et al. | Modeling dynamic behavior in large evolving graphs | |
JP6422617B2 (ja) | ネットワークアクセス動作識別プログラム、サーバ及び記憶媒体 | |
US8719796B2 (en) | Parametric trace slicing | |
Symeonidis et al. | From biological to social networks: Link prediction based on multi-way spectral clustering | |
US20170116530A1 (en) | Generating prediction models in accordance with any specific data sets | |
CN105893406A (zh) | 群体用户画像方法及系统 | |
CN112910710B (zh) | 网络流量时空预测方法、装置、计算机设备和存储介质 | |
WO2012018694A1 (en) | Predicting a user behavior number of a word | |
CN113225199A (zh) | 基于时序网络挖掘的交互行为预测方法、装置及电子设备 | |
CN108900619A (zh) | 一种独立访客统计方法及装置 | |
WO2016130542A1 (en) | Code relatives detection | |
Cao et al. | Analyzing the composition of cities using spatial clustering | |
WO2016063341A1 (ja) | 時系列予測装置、及び時系列予測方法 | |
Sisodia et al. | Fast prediction of web user browsing behaviours using most interesting patterns | |
CN111090807A (zh) | 一种基于知识图谱的用户识别方法及装置 | |
CN110855648A (zh) | 一种网络攻击的预警控制方法及装置 | |
CN103077254A (zh) | 网页获取方法和装置 | |
CN105117489B (zh) | 一种数据库管理方法、装置及电子设备 | |
Jeong et al. | Decentralized and coordinate-free computation of critical points and surface networks in a discretized scalar field | |
CN116503031A (zh) | 基于简历解析的人员相似性计算方法、装置、设备及介质 | |
CN111028092A (zh) | 基于Louvain算法的社区发现方法、计算机设备及其可读存储介质 | |
CN110442614A (zh) | 元数据的搜索方法及装置、电子设备、存储介质 | |
CN103971191A (zh) | 工作线程管理方法和设备 |
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: 20210806 |
|
RJ01 | Rejection of invention patent application after publication |