CN114297585B - 社交网络中重要节点排序方法、装置和计算机设备 - Google Patents
社交网络中重要节点排序方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN114297585B CN114297585B CN202210013142.6A CN202210013142A CN114297585B CN 114297585 B CN114297585 B CN 114297585B CN 202210013142 A CN202210013142 A CN 202210013142A CN 114297585 B CN114297585 B CN 114297585B
- Authority
- CN
- China
- Prior art keywords
- node
- network
- social network
- algorithm
- representing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 69
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 10
- 230000007423 decrease Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 102000007999 Nuclear Proteins Human genes 0.000 description 1
- 108010089610 Nuclear Proteins Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种社交网络中重要节点排序方法、装置和计算机设备。所述方法包括：从数据源获取社交网络；采用混合度分解算法对社交网络进行分解，得到每个节点的剩余邻居数和已移除邻居数；根据剩余邻居数和所述已移除邻居数，确定节点的混合度；获取社交网络中每个节点的网络约束系数，根据网络约束系数和所述混合度，构建排序算法，根据排序算法，计算每个节点的排序数值，根据排序数值的大小对社交网络中的节点进行排序。采用本方法能够消除类核结构影响。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种社交网络中重要节点排序方法、装置和计算机设备。
背景技术
随着计算机技术的发展，对于社交网络的分析有了更多的手段，一般而言，在进行社交网络分析时，会将社交网络看作一个节点网络，复杂社交网络对应一个复杂网络，重要节点是指相比网络其他节点而言，能够在更大程度上影响网络的结构与功能的一些特殊节点，重要节点一般数量非常少，但其影响却可以快速地波及到网络中大部分节点。
k-shell分解算法将网络节点分配到不同的壳层，壳值最高的节点被认为是网络中最有影响力的节点。通过该方法，网络逐渐趋于核心的区域，越中心的核，连通性越强。混合度分解算法是k-shell分解算法的一种改进，采用混合度分解算法可以很好地区分树形图以及BA网络中不同节点的传播能力，并且分层的层数大大增加(甚至可超过度中心性)，提高了节点传播能力的区分度，然而对于存在类核团结构的网络，混合度分解算法MDD同样会误认为类核团内的节点具有较高的节点重要性值，导致整个网络节点的重要性排序精度不够高。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决存在类核团结构的网络中节点重要性排序精度不高问题的社交网络中重要节点排序方法、装置和计算机设备。
一种社交网络中重要节点排序方法，所述方法包括：
从数据源获取社交网络；所述社交网络中包括：表示用户的节点，以及表示用户之间社交关系的连边；
采用混合度分解算法对所述社交网络进行分解，得到每个节点的剩余邻居数和已移除邻居数；
根据所述剩余邻居数和所述已移除邻居数，确定节点的混合度；
获取所述社交网络中每个节点的网络约束系数，根据所述网络约束系数和所述混合度，构建排序算法；其中，所述排序算法的值随着所述混合度的增大而增大，随着所述网络约束系数的增大而非线性减小；
根据所述排序算法，计算每个节点的排序数值，根据所述排序数值的大小对所述社交网络中的节点进行排序。
在其中一个实施例中，还包括：根据所述剩余邻居数和所述已移除邻居数，确定节点的混合度，包括：
根据所述剩余邻居数和所述已移除邻居数，确定节点的混合度为：
其中，表示节点i的混合度，/>表示节点i的剩余邻居数，/>表示节点i的已移除邻居数，λ表示预设系数。
在其中一个实施例中，还包括：获取所述社交网络中每个节点的网络约束系数，根据所述网络约束系数和所述混合度，构建排序算法，包括：
获取所述社交网络中每个节点的网络约束系数为：
其中，Ci表示节点i的网络约束系数，pij表示节点i为维持与节点j的邻居关系所投入的精力占总精力的比例，piq和pqj分别是节点i,j与共同邻居q维持关系投入的精力占其总精力的比例，其中，i到j有链接时zij＝1,，i到j之间没有链接时zij＝0；
根据所述网络约束系数和所述混合度，构建排序算法为：
其中，IMDD表示排序算法的值。
一种社交网络中重要节点排序装置，所述装置包括：
网络构建模块，用于从数据源获取社交网络；所述社交网络中包括：表示用户的节点，以及表示用户之间社交关系的连边；
分解模块，用于采用混合度分解算法对所述社交网络进行分解，得到每个节点的剩余邻居数和已移除邻居数；
混合度计算模块，用于根据所述剩余邻居数和所述已移除邻居数，确定节点的混合度；
排序算法构建模块，用于获取所述社交网络中每个节点的网络约束系数，根据所述网络约束系数和所述混合度，构建排序算法；其中，所述排序算法的值随着所述混合度的增大而增大，随着所述网络约束系数的增大而非线性减小；
排序模块，用于根据所述排序算法，计算每个节点的排序数值，根据所述排序数值的大小对所述社交网络中的节点进行排序。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
从数据源获取社交网络；所述社交网络中包括：表示用户的节点，以及表示用户之间社交关系的连边；
采用混合度分解算法对所述社交网络进行分解，得到每个节点的剩余邻居数和已移除邻居数；
根据所述剩余邻居数和所述已移除邻居数，确定节点的混合度；
获取所述社交网络中每个节点的网络约束系数，根据所述网络约束系数和所述混合度，构建排序算法；其中，所述排序算法的值随着所述混合度的增大而增大，随着所述网络约束系数的增大而非线性减小；
根据所述排序算法，计算每个节点的排序数值，根据所述排序数值的大小对所述社交网络中的节点进行排序。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
从数据源获取社交网络；所述社交网络中包括：表示用户的节点，以及表示用户之间社交关系的连边；
采用混合度分解算法对所述社交网络进行分解，得到每个节点的剩余邻居数和已移除邻居数；
根据所述剩余邻居数和所述已移除邻居数，确定节点的混合度；
获取所述社交网络中每个节点的网络约束系数，根据所述网络约束系数和所述混合度，构建排序算法；其中，所述排序算法的值随着所述混合度的增大而增大，随着所述网络约束系数的增大而非线性减小；
根据所述排序算法，计算每个节点的排序数值，根据所述排序数值的大小对所述社交网络中的节点进行排序。
上述社交网络中重要节点排序方法、装置、计算机设备和存储介质，基于混合度分解算法和网络约束系数，构建排序算法，从而可以消除网络类核团的负面影响，从而在进行节点影响力识别时，全局网络识别结果更加准确。
附图说明
图1为一个实施例中社交网络中重要节点排序方法的流程示意图；
图2为一个实施例中社交网络中重要节点排序装置的结构框图；
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种社交网络中重要节点排序方法，包括以下步骤：
步骤102，从数据源获取社交网络。
社交网络中包括：表示用户的节点，以及表示用户之间社交关系的连边。数据源可以是互联网、聊天APP等。
步骤104，采用混合度分解算法对社交网络进行分解，得到每个节点的剩余邻居数和已移除邻居数。
本步骤中，混合度分解算法(MDD)是对k-壳分解法的一种改进，该算法在每一步剥去一部分外围节点之后，同时考虑节点剩余的邻居数和节点已经移除的邻居数。然后定义混合度，根据新的混合度值对网络继续分层。这种采用混合度值的k-壳分解法能够很好地区分树形图以及BA网络中不同节点的传播能力，并且分层的层数大大增加(甚至可超过度中心性)，提高了节点传播能力的区分度。
步骤106，根据剩余邻居数和已移除邻居数，确定节点的混合度。
步骤108，获取社交网络中每个节点的网络约束系数，根据网络约束系数和混合度，构建排序算法。
对于存在类核团结构的网络，混合分解算法，会误认为类核团内的节点具有较高的节点重要性值，导致整个网络节点的重要性排序精度不够高。因此，引入网络约束系数，构建排序算法，来消除类核团的影响。排序算法的值随着所述混合度的增大而增大，随着所述网络约束系数的增大而非线性减小。
步骤110，根据排序算法，计算每个节点的排序数值，根据排序数值的大小对社交网络中的节点进行排序。
上述社交网络中重要节点排序方法中，基于混合度分解算法和网络约束系数，构建排序算法，从而可以消除网络类核团的负面影响，从而在进行节点影响力识别时，全局网络识别结果更加准确。
在其中一个实施例中，根据剩余邻居数和已移除邻居数，确定节点的混合度为：
其中，表示节点i的混合度，/>表示节点i的剩余邻居数，/>表示节点i的已移除邻居数，λ表示预设系数。
在其中一个实施例中，获取社交网络中每个节点的网络约束系数为：
其中，Ci表示节点i的网络约束系数，pij表示节点i为维持与节点j的邻居关系所投入的精力占总精力的比例，piq和pqj分别是节点i,j与共同邻居q维持关系投入的精力占其总精力的比例，其中，i到j有链接时zij＝1,，i到j之间没有链接时zij＝0；
根据网络约束系数和所述混合度，构建排序算法为：
其中，IMDD表示排序算法的值。
结构洞理论是指非冗余联系人之间存在的缺口，或者说社会关系网络中的搭桥者，比如A用户与B用户只能通过C产生联系，那么用户C就在A和B之间占据了结构洞的位置，因此结构洞越多的节点它的重要性一般也会大于其他节点。从复杂网络角度看，拥有较多结构洞的网络节点更有利于信息大范围地传播。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图2所示，提供了一种社交网络中重要节点排序装置，包括：网络构建模块202、分解模块204、混合度计算模块206、排序算法构建模块208和排序模块210，其中：
网络构建模块202，用于从数据源获取社交网络；所述社交网络中包括：表示用户的节点，以及表示用户之间社交关系的连边；
分解模块204，用于采用混合度分解算法对所述社交网络进行分解，得到每个节点的剩余邻居数和已移除邻居数；
混合度计算模块206，用于根据所述剩余邻居数和所述已移除邻居数，确定节点的混合度；
排序算法构建模块208，用于获取所述社交网络中每个节点的网络约束系数，根据所述网络约束系数和所述混合度，构建排序算法；其中，所述排序算法的值随着所述混合度的增大而增大，随着所述网络约束系数的增大而非线性减小；
排序模块210，用于根据所述排序算法，计算每个节点的排序数值，根据所述排序数值的大小对所述社交网络中的节点进行排序。
在其中一个实施例中，混合度计算模块206还用于根据所述剩余邻居数和所述已移除邻居数，确定节点的混合度为：
其中，表示节点i的混合度，/>表示节点i的剩余邻居数，/>表示节点i的已移除邻居数，λ表示预设系数。
在其中一个实施例中，排序算法构建模块208还用于获取所述社交网络中每个节点的网络约束系数为：
其中，Ci表示节点i的网络约束系数，pij表示节点i为维持与节点j的邻居关系所投入的精力占总精力的比例，piq和pqj分别是节点i,j与共同邻居q维持关系投入的精力占其总精力的比例，其中，i到j有链接时zij＝1,，i到j之间没有链接时zij＝0；
根据所述网络约束系数和所述混合度，构建排序算法为：
其中，IMDD表示排序算法的值。
关于社交网络中重要节点排序装置的具体限定可以参见上文中对于社交网络中重要节点排序方法的限定，在此不再赘述。上述社交网络中重要节点排序装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种社交网络中重要节点排序方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种社交网络中重要节点排序方法，其特征在于，所述方法包括：
从数据源获取社交网络；所述社交网络中包括：表示用户的节点，以及表示用户之间社交关系的连边；
采用混合度分解算法对所述社交网络进行分解，得到每个节点的剩余邻居数和已移除邻居数；
根据所述剩余邻居数和所述已移除邻居数，确定节点的混合度；
获取所述社交网络中每个节点的网络约束系数，根据所述网络约束系数和所述混合度，构建排序算法；其中，所述排序算法的值随着所述混合度的增大而增大，随着所述网络约束系数的增大而非线性减小；
根据所述排序算法，计算每个节点的排序数值，根据所述排序数值的大小对所述社交网络中的节点进行排序；
根据所述剩余邻居数和所述已移除邻居数，确定节点的混合度，包括：
根据所述剩余邻居数和所述已移除邻居数，确定节点的混合度为：
其中，表示节点i的混合度，/>表示节点i的剩余邻居数，/>表示节点i的已移除邻居数，λ表示预设系数；
获取所述社交网络中每个节点的网络约束系数，根据所述网络约束系数和所述混合度，构建排序算法，包括：
获取所述社交网络中每个节点的网络约束系数为：
其中，Ci表示节点i的网络约束系数，pij表示节点i为维持与节点j的邻居关系所投入的精力占总精力的比例，piq和pqj分别是节点i,j与共同邻居q维持关系投入的精力占其总精力的比例，其中，i到j有链接时zij＝1,，i到j之间没有链接时zij＝0；
根据所述网络约束系数和所述混合度，构建排序算法为：
其中，IMDD表示排序算法的值；所述排序算法是在每一步剥去一部分外围节点之后，同时考虑节点剩余的邻居数和节点已经移除的邻居数，然后定义混合度，根据新的混合度值对网络继续分层。
2.一种社交网络中重要节点排序装置，其特征在于，所述装置包括：
网络构建模块，用于从数据源获取社交网络；所述社交网络中包括：表示用户的节点，以及表示用户之间社交关系的连边；
分解模块，用于采用混合度分解算法对所述社交网络进行分解，得到每个节点的剩余邻居数和已移除邻居数；
混合度计算模块，用于根据所述剩余邻居数和所述已移除邻居数，确定节点的混合度；
排序算法构建模块，用于获取所述社交网络中每个节点的网络约束系数，根据所述网络约束系数和所述混合度，构建排序算法；其中，所述排序算法的值随着所述混合度的增大而增大，随着所述网络约束系数的增大而非线性减小；
排序模块，用于根据所述排序算法，计算每个节点的排序数值，根据所述排序数值的大小对所述社交网络中的节点进行排序；
所述混合度计算模块还用于根据所述剩余邻居数和所述已移除邻居数，确定节点的混合度为：
其中，表示节点i的混合度，/>表示节点i的剩余邻居数，/>表示节点i的已移除邻居数，λ表示预设系数；
所述排序算法构建模块还用于获取所述社交网络中每个节点的网络约束系数为：
其中，Ci表示节点i的网络约束系数，pij表示节点i为维持与节点j的邻居关系所投入的精力占总精力的比例，piq和pqj分别是节点i,j与共同邻居q维持关系投入的精力占其总精力的比例，其中，i到j有链接时zij＝1,，i到j之间没有链接时zij＝0；
根据所述网络约束系数和所述混合度，构建排序算法为：
其中，IMDD表示排序算法的值；所述排序算法是在每一步剥去一部分外围节点之后，同时考虑节点剩余的邻居数和节点已经移除的邻居数，然后定义混合度，根据新的混合度值对网络继续分层。
3.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1所述方法的步骤。
4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210013142.6A CN114297585B (zh) | 2022-01-06 | 2022-01-06 | 社交网络中重要节点排序方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210013142.6A CN114297585B (zh) | 2022-01-06 | 2022-01-06 | 社交网络中重要节点排序方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114297585A CN114297585A (zh) | 2022-04-08 |
| CN114297585B true CN114297585B (zh) | 2023-10-13 |
Family
ID=80976366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210013142.6A Active CN114297585B (zh) | 2022-01-06 | 2022-01-06 | 社交网络中重要节点排序方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114297585B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109949164A (zh) * | 2019-03-28 | 2019-06-28 | 中山大学 | 一种基于投资关系网络的重要节点挖掘方法及装置 |
| CN111310290A (zh) * | 2018-12-12 | 2020-06-19 | 中移动信息技术有限公司 | 一种节点的社区划分的方法、装置及计算机可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9947060B2 (en) * | 2014-06-03 | 2018-04-17 | Excalibur Ip, Llc | Information matching and match validation |
-
2022
- 2022-01-06 CN CN202210013142.6A patent/CN114297585B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310290A (zh) * | 2018-12-12 | 2020-06-19 | 中移动信息技术有限公司 | 一种节点的社区划分的方法、装置及计算机可读存储介质 |
| CN109949164A (zh) * | 2019-03-28 | 2019-06-28 | 中山大学 | 一种基于投资关系网络的重要节点挖掘方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 一种基于改进K-shell的节点重要性排序方法;邓凯旋;《计算机应用研究》;20171030;第1-4页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114297585A (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105630800B (zh) | 一种节点重要性排序的方法和系统 | |
| CN112910710B (zh) | 网络流量时空预测方法、装置、计算机设备和存储介质 | |
| CN111258767A (zh) | 复杂系统仿真应用的云计算资源智能分配方法与装置 | |
| CN112163929B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
| Ollier et al. | Regression modelling on stratified data with the lasso | |
| CN110880014B (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
| CN110888911A (zh) | 样本数据处理方法、装置、计算机设备及存储介质 | |
| CN109542962B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN114297585B (zh) | 社交网络中重要节点排序方法、装置和计算机设备 | |
| CN117312881A (zh) | 临床试验治疗效果评估方法、装置、设备及存储介质 | |
| 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 | |
| CN111158732A (zh) | 访问数据处理方法、装置、计算机设备及存储介质 | |
| EP3580676B1 (en) | Sample-based multidimensional data cloning | |
| CN110929163B (zh) | 课程推荐方法、装置、计算机设备及存储介质 | |
| CN114491038A (zh) | 一种基于会话场景的流程挖掘方法、装置及设备 | |
| CN114168581A (zh) | 数据清洗方法、装置、计算机设备及存储介质 | |
| CN110599377A (zh) | 在线学习的知识点排序方法和装置 | |
| CN111008311A (zh) | 基于邻域弱连接的复杂网络节点重要性评估方法和装置 | |
| CN116436799B (zh) | 复杂网络节点重要性评估方法、装置、设备和存储介质 | |
| CN114003305B (zh) | 设备相似度计算方法、计算机设备和存储介质 | |
| CN110807130A (zh) | 确定网络中群组的向量表示的方法、装置和计算机设备 | |
| CN111985185A (zh) | 电路板编码生成方法、装置、计算机设备和存储介质 | |
| CN114297572B (zh) | 社交网络中节点传播影响力识别方法、装置和计算机设备 | |
| CN114118388B (zh) | 面向用户隐私保护的异构网络图链接预测方法及相关设备 | |
| CN113379271A (zh) | 面向开源平台的遗弃贡献接管者推荐方法、装置和设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |