CN114925217B - 一种基于关系属性加权的高价值路径发现方法 - Google Patents
一种基于关系属性加权的高价值路径发现方法 Download PDFInfo
- Publication number
- CN114925217B CN114925217B CN202210566307.2A CN202210566307A CN114925217B CN 114925217 B CN114925217 B CN 114925217B CN 202210566307 A CN202210566307 A CN 202210566307A CN 114925217 B CN114925217 B CN 114925217B
- Authority
- CN
- China
- Prior art keywords
- relation
- node
- path
- relationship
- score
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于关系属性加权的高价值路径发现方法,涉及战场目标关系路径发现领域,包括:首先基于目标实体和关系数据构建关系网络图谱;然后设定起始目标、目的目标和终止阈值条件;然后开始遍历节点;并使用关系属性加权算法计算节点路径分值;得出所有符合条件的关系路径,并按照综合得分进行排序,对所有关系路径划分价值等级;最后将关系路径构建成子图谱输出;本发明考虑关系及关系属性等要素对路径发现的影响,旨在从复杂的战场目标关系图谱中发现用户关注的高价值路径,相比于现有的所有路径发现、最短路径发现、最优路径发现等技术而言,能有效降低低价值路径对用户进行目标关系分析时的干扰,进而辅助用户决策和提升效率。
Description
技术领域
本发明涉及战场目标关系路径发现领域,具体涉及一种基于关系属性加权的高价值路径发现方法。
背景技术
在现代战场目标处理领域中,通过引入知识图谱技术挖掘和构建目标关系图谱,进而发现和分析目标之间的关系路径,可以辅助战场分析人员、作战指挥员进行战场态势的理解,为指挥决策提供更加准确、高效、可靠的信息依据。
战场目标关系图谱由目标节点、关系及关系属性等要素组成,其中关系和关系属性中蕴含着丰富的情报价值,如目标通联关系中通联的频次、时长、手段等内容对战场目标关系分析具有重要意义;然而现有的技术大多是从目标节点本身或节点属性的角度出发进行路径发现的研究,如基于目标节点的所有路径发现、最短路径发现、最优路径发现等方法,但这些方法发现的路径并不全是用户关心的高价值路径,而基于目标节点属性的路径发现方法,则需要依赖于目标节点属性等先验知识。
发明内容
本发明的目的在于:针对目前在战场目标关系路径发现领域,以往的路径发现方法仅仅考虑目标节点本身或节点属性,而忽略了目标关系及关系边属性等要素的作用,因此发现的路径不具备高价值和研究意义的问题,提供了一种基于关系属性加权的高价值路径发现方法,在缺少目标节点属性先验知识的前提下,重点关注节点关系及关系属性,通过关系属性加权算法计算各路径分值,再经过价值等级划分得到用户关心的高价值路径;另外,本方法中引入终止阈值条件,在算法执行的过程中可以提前结束不符合条件的路径发现过程,因此可以有效的提高发现效率,从而解决了上述问题。
本发明的技术方案如下:
一种基于关系属性加权的高价值路径发现方法,包括如下步骤:
步骤S1:基于目标实体和关系数据,构建体现战场目标关系网络图谱;
步骤S2:设定起始目标和目的目标,并设置终止阈值条件;
步骤S3:从起始目标节点开始遍历下个节点,并使用关系属性加权算法计算两节点之间的路径分值,若未达到终止阈值条件,则继续遍历直到发现目的节点,否则停止遍历;
步骤S4:获取起始目标节点到目的目标节点之间所有符合条件的关系路径以及计算各关系路径的综合得分;
步骤S5:按照综合得分进行排序,对所有关系路径划分价值等级;
步骤S6:根据划分价值等级后的所有关系路径构建成子图谱输出。
进一步地,所述步骤S1,包括:
将目标实体作为图谱节点,图谱节点与图谱节点之间通过关系链接。
进一步地,所述步骤S2中所述设置终止阈值条件,包括:
遍历最大层深N和终止阈值S;
所述步骤S3中所述未达到终止阈值条件,包括:
当前遍历层深小于N且路径分值大于S。
进一步地,所述步骤S3,还包括:
在图谱中找到起始目标节点并向下遍历一层节点,得到下一层节点集合,若当前遍历层深大于N,则终止该次遍历;否则,使用关系属性加权算法计算两节点之间路径的分值,若分值小于S,则终止该次遍历。
进一步地,所述计算两节点之间的路径分值的计算公式如下:
其中:
Score(A,B)为节点A到节点B之间的路径分值;
l为节点A和节点B间的关系数量;
Scorer(A,B)为节点A和节点B间第r条关系的路径分值;
ωr为节点A和节点B间第r条关系的权重。
进一步地,所述计算公式中:
其中:
m表示节点A和节点B间第r条关系中关系记录条数;
n表示节点A和节点B间第r条关系中关系属性个数;
aij表示由m和n构成的矩阵[m*n]中第i行第j列的关系属性值;
ωj为第r条关系中第j个关系属性的权重;
σ为关系损失因子,当关系为反向时,σ∈(0,1),关系为正向时,σ等于1。
进一步地,所述关系属性的数据类型包括:数值型、日期型、枚举型以及字符型,针对不同类型的关系属性数据,其权重设置具有多样性。
进一步地,所述针对不同类型的关系属性数据,其权重设置具有多样性,包括:
数值型:设置统一权重或按照数值取值范围分别设置权重;
日期型:按照时间取值范围分别设置权重;
枚举型:按照枚举值分别设置对应的权重;
字符型:按照字符模糊匹配或精确匹配方式设置权重。
进一步地,所述步骤S5中,所述对所有关系路径划分价值等级,包括:
其中:
P=(max(Score)-min(Score))/3
式中:
Score为各路径分值;
max(Score)和min(Score)为所有路径中最高分值和最低分值;
P为三等级差;
Vg为划分的价值等级。
进一步地,所述步骤S6包括:
将所有关系路径构建成子图谱输出,并使用不同标记形式标记每条关系路径的价值等级。
与现有的技术相比本发明的有益效果是:
1、一种基于关系属性加权的高价值路径发现方法,包括如下步骤:步骤S1:基于目标实体和关系数据,构建体现战场目标关系网络图谱;步骤S2:设定起始目标和目的目标,并设置终止阈值条件;步骤S3:从起始目标节点开始遍历下个节点,并使用关系属性加权算法计算两节点之间的路径分值,若未达到终止阈值条件,则继续遍历直到发现目的节点,否则停止遍历;步骤S4:获取起始目标节点到目的目标节点之间所有符合条件的关系路径以及计算各关系路径的综合得分;步骤S5:按照综合得分进行排序,对所有关系路径划分价值等级;步骤S6:根据划分价值等级后的所有关系路径构建成子图谱输出;本发明考虑关系及关系属性等要素对路径发现的影响,旨在从复杂的战场目标关系图谱中发现用户关注的高价值路径,相比于现有的所有路径发现、最短路径发现、最优路径发现等技术而言,本发明能有效降低低价值路径对用户进行目标关系分析时的干扰,进而辅助用户决策和提升效率。
2、一种基于关系属性加权的高价值路径发现方法,在缺少目标节点属性先验知识的前提下,重点关注节点关系及关系属性,通过关系属性加权算法计算各路径分值,再经过价值等级划分得到用户关心的高价值路径;另外,引入终止阈值条件,在算法执行的过程中可以提前结束不符合条件的路径发现过程,因此可以有效的提高发现效率。
附图说明
图1为一种基于关系属性加权的高价值路径发现方法的流程图;
图2为基于战场目标信息及关系数据构建的关系图谱示意图;
图3为节点分值计算的处理流程图;
图4为高价值关系路径发现的处理流程图;
图5为图1中计算结果构建的子图谱示意图。
具体实施方式
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合实施例对本发明的特征和性能作进一步的详细描述。
实施例一
战场目标关系图谱由目标节点、关系及关系属性等要素组成,其中关系和关系属性中蕴含着丰富的情报价值,如目标通联关系中通联的频次、时长、手段等内容对战场目标关系分析具有重要意义;然而现有的技术大多是从目标节点本身或节点属性的角度出发进行路径发现的研究,如基于目标节点的所有路径发现、最短路径发现、最优路径发现等方法,但这些方法发现的路径并不全是用户关心的高价值路径,而基于目标节点属性的路径发现方法,则需要依赖于目标节点属性等先验知识。
本实施例针对于上述问题,提供了一种基于关系属性加权的高价值路径发现方法,在缺少目标节点属性先验知识的前提下,重点关注节点关系及关系属性,通过关系属性加权算法计算各路径分值,再经过价值等级划分得到用户关心的高价值路径;另外,本方法中引入终止阈值条件,在算法执行的过程中可以提前结束不符合条件的路径发现过程,因此可以有效的提高发现效率。
请参阅图1-5,一种基于关系属性加权的高价值路径发现方法,包括如下步骤:
步骤S1:基于目标实体和关系数据,构建体现战场目标关系网络图谱;优选地,所述目标实体包括:机动目标、固定设施、指挥机构、移动电台等;
步骤S2:设定起始目标和目的目标,并设置终止阈值条件;
步骤S3:从起始目标节点开始遍历下个节点,并使用关系属性加权算法计算两节点之间的路径分值,若未达到终止阈值条件,则继续遍历直到发现目的节点,否则停止遍历;
步骤S4:获取起始目标节点到目的目标节点之间所有符合条件的关系路径以及计算各关系路径的综合得分;
步骤S5:按照综合得分进行排序,对所有关系路径划分价值等级;
步骤S6:根据划分价值等级后的所有关系路径构建成子图谱输出。
在本实施例中,具体的,所述步骤S1,包括:
将目标实体作为图谱节点,图谱节点与图谱节点之间通过关系链接;请参阅图2,图2为基于战场目标信息及关系数据构建的关系图谱示意图;其中,的目标实体作为图谱节点,如机动目标类型下的A目标为图谱中的一个节点;关系包括:通联关系、指挥关系等,每种关系都具有多维属性,如通联关系由通联频次、通联时长、通信手段、通信频率、频率类型等属性组成;节点之间的关系具有多条属性值,表示二者之间具有多次该关系;另外,关系具有方向性,代表关系发生的已方和甲方,关系的方向也作为本发明中高价值路径发现方法中的一种影响因子。
在本实施中,具体的,所述步骤S2中所述设置终止阈值条件,包括:
遍历最大层深N和终止阈值S;
所述步骤S3中所述未达到终止阈值条件,包括:
当前遍历层深小于N且路径分值大于S。
在本实施中,具体的,所述步骤S3,还包括:
在图谱中找到起始目标节点并向下遍历一层节点,得到下一层节点集合,若当前遍历层深大于N,则终止该次遍历;否则,使用关系属性加权算法计算两节点之间路径的分值,若分值小于S,则终止该次遍历;
举出如下案例,对步骤S3做进一步解释:
针对图2构建的关系图谱,输入起始目标A和目的目标C,然后在图谱中找到起始目标节点A并向下遍历一层节点,得到下一层节点集合T=(D,G,B,F),若当前遍历层深大于N,则终止该次遍历;否则,使用关系属性加权算法计算两节点之间路径的分值,若分值小于S,则终止该次遍历。
进一步地,所述计算两节点之间的路径分值的计算公式如下:
其中:
Score(A,B)为节点A到节点B之间的路径分值;
l为节点A和节点B间的关系数量;
Scorer(A,B)为节点A和节点B间第r条关系的路径分值;
ωr为节点A和节点B间第r条关系的权重;ωr∈(0,1]。
在本实施例中,具体的,所述计算公式中:
其中:
m表示节点A和节点B间第r条关系中关系记录条数;
n表示节点A和节点B间第r条关系中关系属性个数;
aij表示由m和n构成的矩阵[m*n]中第i行第j列的关系属性值;
ωj为第r条关系中第j个关系属性的权重;
σ为关系损失因子,当关系为反向时,σ∈(0,1),关系为正向时,σ等于1。
在本实施例中,具体的,所述关系属性的数据类型包括:数值型、日期型、枚举型以及字符型,针对不同类型的关系属性数据,其关系属性权重设置具有多样性。
在本实施例中,具体的,所述针对不同类型的关系属性数据,其关系属性权重设置具有多样性,包括:
数值型:设置统一权重或按照数值取值范围(等于、大于、小于、大于且小于)分别设置权重;
日期型:按照时间取值范围(等于、大于、小于、大于且小于)分别设置权重;
枚举型:按照枚举值分别设置对应的权重;
字符型:按照字符模糊匹配或精确匹配方式设置权重。
优选地,当关系属性的数据类型为数值型时,属性值aij为原始值标准化处理后的值,标准化函数为:
当数据类型为日期型、枚举型以及字符型时,属性值aij则为1。
参阅图4,结合图2关系图谱和图3节点分值计算方法说明,高价值关系路径发现的处理流程为:首先输入条件和设置算法参数,通过关系属性加权算法计算各节点之间得分,其次得到符合条件的所有关系路径集合,并计算每条路径的总得分。
假设A→B→C路径为符合条件的其中一条关系路径,则该条路径的得分计算公式为:
Score(A,C)=αScore(A,B)+βScore(B,C)
其中:
Score(A,B)为A和B节点间得分;
Score(B,C)为B和C节点间得分;
Tr(A,B)为A和B节点之间的关系总数量;
Tr(B,C)为B和C节点之间的关系总数量。
在本实施例中,具体的,所述步骤S5中,所述对所有关系路径划分价值等级,包括:按照综合得分高低对所有关系路径排序,最后根据三等级划分法对所有关系路径确定价值等级Vg;其中,等级公式如下:
其中:
P=(max(Score)-min(Score))/3
式中:
Score为各路径分值;
max(Score)和min(Score)为所有路径中最高分值和最低分值;
P为三等级差;
Vg为划分的价值等级。
进一步地,所述步骤S6包括:
将所有关系路径构建成子图谱输出,并使用不同标记形式标记每条关系路径的价值等级;优选地,可采用颜色标记关系路径的价值等级,其中红色代表高价值路径,黄色表示中价值路径,绿色表示低价值路径;在本实施中,采用线段的粗细标记,具体的见图5。
以上所述实施例仅表达了本申请的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请技术方案构思的前提下,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。
Claims (8)
1.一种基于关系属性加权的高价值路径发现方法,其特征在于,包括如下步骤:
步骤S1:基于目标实体和关系数据,构建体现战场目标关系网络图谱;所述战场目标关系包括:通联关系、指挥关系,每种关系都具有多维属性;所述通联关系包括:通联频次、通联时长、通信手段、通信频率、频率类型;节点之间的关系具有多条属性值,表示二者之间具有多次该关系;
步骤S2:设定起始目标和目的目标,并设置终止阈值条件;
步骤S3:从起始目标节点开始遍历下个节点,并使用关系属性加权算法计算两节点之间的路径分值,若未达到终止阈值条件,则继续遍历直到发现目的节点,否则停止遍历;
步骤S4:获取起始目标节点到目的目标节点之间所有符合条件的关系路径以及计算各关系路径的综合得分;
步骤S5:按照综合得分进行排序,对所有关系路径划分价值等级;
步骤S6:根据划分价值等级后的所有关系路径构建成子图谱输出;
所述计算两节点之间的路径分值的计算公式如下:
其中:
Score(A,B)为节点A到节点B之间的路径分值;
l为节点A和节点B间的关系数量;
Scorer(A,B)为节点A和节点B间第r条关系的路径分值;
ωr为节点A和节点B间第r条关系的权重;
所述计算公式中:
其中:
m表示节点A和节点B间第r条关系中关系记录条数;
n表示节点A和节点B间第r条关系中关系属性个数;
aij表示由m和n构成的矩阵[m*n]中第i行第j列的关系属性值;
ωj为第r条关系中第j个关系属性的权重;
σ为关系损失因子,当关系为反向时,σ∈(0,1),关系为正向时,σ等于1。
2.根据权利要求1所述的一种基于关系属性加权的高价值路径发现方法,其特征在于,所述步骤S1,包括:
将目标实体作为图谱节点,图谱节点与图谱节点之间通过关系链接。
3.根据权利要求1所述的一种基于关系属性加权的高价值路径发现方法,其特征在于,所述步骤S2中所述设置终止阈值条件,包括:
遍历最大层深N和终止阈值S;
所述步骤S3中所述未达到终止阈值条件,包括:
当前遍历层深小于N且路径分值大于S。
4.根据权利要求3所述的一种基于关系属性加权的高价值路径发现方法,其特征在于,所述步骤S3,还包括:
在图谱中找到起始目标节点并向下遍历一层节点,得到下一层节点集合,若当前遍历层深大于N,则终止该次遍历;否则,使用关系属性加权算法计算两节点之间路径的分值,若分值小于S,则终止该次遍历。
5.根据权利要求4所述的一种基于关系属性加权的高价值路径发现方法,其特征在于,所述关系属性的数据类型包括:数值型、日期型、枚举型以及字符型,针对不同类型的关系属性数据,其权重设置具有多样性。
6.根据权利要求5所述的一种基于关系属性加权的高价值路径发现方法,其特征在于,所述针对不同类型的关系属性数据,其权重设置具有多样性,包括:
数值型:设置统一权重或按照数值取值范围分别设置权重;
日期型:按照时间取值范围分别设置权重;
枚举型:按照枚举值分别设置对应的权重;
字符型:按照字符模糊匹配或精确匹配方式设置权重。
7.根据权利要求1所述的一种基于关系属性加权的高价值路径发现方法,其特征在于,所述步骤S5中,所述对所有关系路径划分价值等级,包括:
其中:
P=(max(Score)-min(Score))/3
式中:
Score为各路径分值;
max(Score)和min(Score)为所有路径中最高分值和最低分值;
P为三等级差;
Vg为划分的价值等级。
8.根据权利要求5所述的一种基于关系属性加权的高价值路径发现方法,其特征在于,所述步骤S6包括:
将所有关系路径构建成子图谱输出,并使用不同标记形式标记每条关系路径的价值等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210566307.2A CN114925217B (zh) | 2022-05-24 | 2022-05-24 | 一种基于关系属性加权的高价值路径发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210566307.2A CN114925217B (zh) | 2022-05-24 | 2022-05-24 | 一种基于关系属性加权的高价值路径发现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114925217A CN114925217A (zh) | 2022-08-19 |
CN114925217B true CN114925217B (zh) | 2023-05-02 |
Family
ID=82810240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210566307.2A Active CN114925217B (zh) | 2022-05-24 | 2022-05-24 | 一种基于关系属性加权的高价值路径发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114925217B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116226460A (zh) * | 2022-12-09 | 2023-06-06 | 中科世通亨奇(北京)科技有限公司 | 基于人物图谱的最具价值路径提取方法及设备 |
CN115878081B (zh) * | 2023-02-23 | 2023-05-16 | 安徽思高智能科技有限公司 | 一种基于流程发现的高价值rpa需求分析系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017130078A2 (en) * | 2016-01-27 | 2017-08-03 | King Abdullah University Of Science & Technology | A method to predict and rank new edges in a network |
CN110909253A (zh) * | 2019-10-29 | 2020-03-24 | 中国人民公安大学 | 一种基于特定用户的群体关系挖掘与分析方法 |
US10778706B1 (en) * | 2020-01-10 | 2020-09-15 | Capital One Services, Llc | Fraud detection using graph databases |
CN112835992A (zh) * | 2020-11-20 | 2021-05-25 | 武汉烽火众智数字技术有限责任公司 | 一种基于知识图谱的路径发现方法及装置 |
CN113962748A (zh) * | 2021-11-04 | 2022-01-21 | 重庆邮电大学 | 基于元路径的全貌信息表示异质电商平台用户对齐方法 |
CN114386727A (zh) * | 2020-10-19 | 2022-04-22 | 腾讯科技(深圳)有限公司 | 一种风险识别方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150242409A1 (en) * | 2014-02-22 | 2015-08-27 | SourceThought, Inc. | Automated Data Shaping |
-
2022
- 2022-05-24 CN CN202210566307.2A patent/CN114925217B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017130078A2 (en) * | 2016-01-27 | 2017-08-03 | King Abdullah University Of Science & Technology | A method to predict and rank new edges in a network |
CN110909253A (zh) * | 2019-10-29 | 2020-03-24 | 中国人民公安大学 | 一种基于特定用户的群体关系挖掘与分析方法 |
US10778706B1 (en) * | 2020-01-10 | 2020-09-15 | Capital One Services, Llc | Fraud detection using graph databases |
CN114386727A (zh) * | 2020-10-19 | 2022-04-22 | 腾讯科技(深圳)有限公司 | 一种风险识别方法、装置、设备及存储介质 |
CN112835992A (zh) * | 2020-11-20 | 2021-05-25 | 武汉烽火众智数字技术有限责任公司 | 一种基于知识图谱的路径发现方法及装置 |
CN113962748A (zh) * | 2021-11-04 | 2022-01-21 | 重庆邮电大学 | 基于元路径的全貌信息表示异质电商平台用户对齐方法 |
Non-Patent Citations (1)
Title |
---|
张锴琦等.基于个体关系属性的加权网络社群结构探测模型.《系统管理学报》.2016,第25卷(第25期),1083-1090页. * |
Also Published As
Publication number | Publication date |
---|---|
CN114925217A (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114925217B (zh) | 一种基于关系属性加权的高价值路径发现方法 | |
Jovanovic et al. | Ant colony optimization algorithm with pheromone correction strategy for the minimum connected dominating set problem | |
CN109409400A (zh) | 基于k近邻和多类合并密度峰值聚类方法、图像分割系统 | |
CN109522926A (zh) | 基于信息熵聚类的异常检测方法 | |
CN112269922B (zh) | 一种基于网络表示学习的社区舆论关键人物发现方法 | |
CN103400299B (zh) | 基于重叠点识别的网络重叠社团检测方法 | |
CN109451459B (zh) | 一种基于移动雾节点的传感云底层节点信任评价方法 | |
CN112464107A (zh) | 一种基于多标签传播的社交网络重叠社区发现方法及装置 | |
CN111177578B (zh) | 一种用户周边最具影响力社区的搜索方法 | |
CN109783696B (zh) | 一种面向弱结构相关性的多模式图索引构建方法及系统 | |
CN116015965A (zh) | 一种网络恶意流量的多维度检测及防御系统 | |
CN113205129B (zh) | 一种作弊团伙识别方法、装置、电子设备及存储介质 | |
CN110610434A (zh) | 基于人工智能的社区发现方法 | |
CN109218184B (zh) | 基于端口和结构信息的路由器归属as识别方法 | |
CN106934423A (zh) | 一种决策树的构建方法及系统 | |
CN106911512B (zh) | 在可交换图中基于博弈的链接预测方法及系统 | |
CN115080871A (zh) | 一种跨社交网络社交用户对齐方法 | |
CN109379282B (zh) | 基于多标签传播的网络社区检测方法 | |
CN110738418A (zh) | 一种弱连接重叠社区的检测方法 | |
CN110610205A (zh) | 社交网络中的社区识别方法 | |
Wang et al. | Cluster expansion method for critical node problem based on contraction mechanism in sparse graphs | |
CN117575745B (zh) | 基于ai大数据的课程教学资源个性推荐方法 | |
CN108876648A (zh) | 基于节点覆盖范围的社交网络影响力最大化方法及系统 | |
Wenzheng et al. | Improvement of ego network detection algorithm based on cluster validity index | |
Lu | Dynamic matrix clustering method based on time series |
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 |