CN115294758A - 一种时序网络节点挖掘方法和系统 - Google Patents

一种时序网络节点挖掘方法和系统 Download PDF

Info

Publication number
CN115294758A
CN115294758A CN202210696726.8A CN202210696726A CN115294758A CN 115294758 A CN115294758 A CN 115294758A CN 202210696726 A CN202210696726 A CN 202210696726A CN 115294758 A CN115294758 A CN 115294758A
Authority
CN
China
Prior art keywords
network
node
slicing
value
nodes
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.)
Granted
Application number
CN202210696726.8A
Other languages
English (en)
Other versions
CN115294758B (zh
Inventor
叶章辉
李青
李鹏飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced Institute of Information Technology AIIT of Peking University
Hangzhou Weiming Information Technology Co Ltd
Original Assignee
Advanced Institute of Information Technology AIIT of Peking University
Hangzhou Weiming Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Advanced Institute of Information Technology AIIT of Peking University, Hangzhou Weiming Information Technology Co Ltd filed Critical Advanced Institute of Information Technology AIIT of Peking University
Priority to CN202210696726.8A priority Critical patent/CN115294758B/zh
Priority claimed from CN202210696726.8A external-priority patent/CN115294758B/zh
Publication of CN115294758A publication Critical patent/CN115294758A/zh
Application granted granted Critical
Publication of CN115294758B publication Critical patent/CN115294758B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种时序网络节点挖掘方法和系统，所述方法包括：基于设定时间窗口对待挖掘的时序数据进行切片，生成切片网络集合；分别计算所述切片网络集合的每个切片网络的网络结构属性信息，所述网络结构属性信息包括切片网络的连通率和节点K值；根据每个切片网络的连通率和节点K值计算得到每个切片网络的各节点的自适应K值；根据各节点的自适应K值确定节点的重要性分数值。避免因单个切片网络的波动对整体评估时造成过大的扰动，融合切片网络间结构作用的连贯性，更充分地评估网络中各节点的重要性分数值，高效准确的挖掘时序网络的重要节点。

Description

一种时序网络节点挖掘方法和系统
技术领域
本申请实施例涉及信息处理技术领域，具体涉及一种时序网络节点挖掘方法和系统。
背景技术
网络结构存在于社会生活中的方方面面中，如网络社交平台，道路交通网络，电网网络和病毒传播网络等。在对网络进行分析时，传统网络分析方法主要是基于收集的数据建立静态网络进行分析，静态网络结构简单便于理解和解释，但是对时序数据而言缺少展示时序信息的维度，无法满足动态分析要求。例如市内交通网络，以静态网络进行分析适用于寻找两点间的路径信息，无法区分高峰期和非高峰期的车流量信息的差异，而如果能够结合上时序数据，就能够关注不同时段交通流量以及线路拥堵情况，从而能够合理的调控路口红绿灯以及配置交通协管员，以确保道路通畅，提高通行效率。
时序网络由于添加时序信息，所以需要更加复杂的结构来承载时序信息，并在对网络进行分析时需要设计合理方法从更高的维度对时序网络进行挖掘。现有技术采用固定时间窗口大小的切片网络结构对时序网络进行动态描述，计算出各切片网络中的节点的指标值，然后把节点指标值取均值处理。这种方式虽然包含时序信息，但是把各切片网络独立分析，忽视了单个切片网络的结构对所计算指标的影响情况，同时未考虑相邻切片网络间结构信息的相互影响的作用。
发明内容
为此，本申请实施例提供一种时序网络节点挖掘方法和系统，避免因单个切片网络的波动对整体评估时造成过大的扰动，融合切片网络间结构作用的连贯性，更充分地评估网络中各节点的重要性分数值，高效准确的挖掘时序网络的重要节点。
为了实现上述目的，本申请实施例提供如下技术方案：
根据本申请实施例的第一方面，提供了一种时序网络节点挖掘方法，所述方法包括：
基于设定时间窗口对待挖掘的时序数据进行切片，生成切片网络集合；
分别计算所述切片网络集合的每个切片网络的网络结构属性信息，所述网络结构属性信息包括网络连通率和节点K值；
根据每个切片网络的连通率和节点K值计算得到每个切片网络的各节点的自适应K值；
根据各节点的自适应K值确定挖掘节点。
可选地，所述根据每个切片网络的连通率和节点K值计算得到每个切片网络的各节点的自适应K值，包括：
根据每个切片网络的最大连通片得到每个切片网络的连通率结果集；
根据每个切片网络的连通率结果集、每个节点的节点K值确定每个切片网络的各节点的自适应K值。
可选地，所述根据每个切片网络的连通率结果集、每个节点的节点K值确定每个切片网络的各节点的自适应K值，根据如下公式计算：
Figure BDA0003702887250000021
其中，AKi表示节点i的自适应K值，Kti表示第t个切片网络中第i个节点的K值，Wt＝αCRt-1+βCRt表示第t个切片网络的影响因子，CRt表示第t个切片网络的连通率，α和β为超级参数。
可选地，所述分别计算所述切片网络集合的每个切片网络的节点K值，包括：
针对每个切片网络，移除切片网络中所有度值小于等于设定索引值的节点以及与这些节点相连的边，重复操作直到切片网络的所有节点的度值都大于设定索引值，将所有移除的节点的节点K值赋值为设定索引值；
将设定索引值加一后重复上述操作，直到切片网络中所有节点被移除，以使得所有节点都有对应的节点K值。
可选地，所述基于设定时间窗口对待挖掘的时序数据进行切片，生成切片网络集合，包括：
获取待挖掘的时序数据；
根据设定时间窗口类型和设定时间窗口大小对所述待挖掘的时序数据进行切片处理，得到第一数目个切片网络，其中节点有所述第一数目个。
根据本申请实施例的第二方面，提供了一种时序网络节点挖掘系统，所述系统包括：
切片网络生成模块，用于基于设定时间窗口对待挖掘的时序数据进行切片，生成切片网络集合；
网络结构属性计算模块，用于分别计算所述切片网络集合的每个切片网络的网络结构属性信息，所述网络结构属性信息包括切片网络的连通率和节点K值；
自适应K值模块，用于根据每个切片网络的连通率和节点K值计算得到每个切片网络的各节点的自适应K值；
挖掘节点确定模块，用于根据各节点的自适应K值确定挖掘节点。
可选地，所述自适应K值模块，具体用于：
根据每个切片网络的最大连通片得到每个切片网络的连通率结果集；
根据每个切片网络的连通率结果集、每个节点的节点K值确定每个切片网络的各节点的自适应K值。
可选地，所述网络结构属性计算模块，具体用于：
针对每个切片网络，移除切片网络中所有度值小于等于设定索引值的节点以及与这些节点相连的边，重复操作直到切片网络的所有节点的度值都大于设定索引值，将所有移除的节点的节点K值赋值为设定索引值；
将设定索引值加一后重复上述操作，直到切片网络中所有节点被移除，以使得所有节点都有对应的节点K值。
根据本申请实施例的第三方面，提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行以实现上述第一方面所述的方法。
根据本申请实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述第一方面所述的方法。
综上所述，本申请实施例提供了一种时序网络节点挖掘方法和系统，通过基于设定时间窗口对待挖掘的时序数据进行切片，生成切片网络集合；分别计算所述切片网络集合的每个切片网络的网络结构属性信息，所述网络结构属性信息包括切片网络的连通率和节点K值；根据每个切片网络的连通率和节点K值计算得到每个切片网络的各节点的自适应K值；根据各节点的自适应K值确定节点重要性分数值。避免因单个切片网络的波动对整体评估时造成过大的扰动，融合切片网络间结构作用的连贯性，更充分地评估网络中各节点的重要性分数值，高效准确的挖掘时序网络的重要节点。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本申请实施例提供的一种时序网络节点挖掘方法流程示意图；
图2为本申请实施例提供的切片网络示意图；
图3为本申请实施例提供的基础网络图；
图4为本申请实施例提供的K-壳分解方法示意图；
图5为本申请实施例提供的一种时序网络节点挖掘系统框图；
图6示出了本申请实施例提供的一种电子设备的结构示意图；
图7示出了本申请实施例提供的一种计算机可读存储介质的示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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，都属于本发明保护的范围。
图1示出了本申请实施例提供的一种时序网络节点挖掘方法，所述方法包括：
步骤101：基于设定时间窗口对待挖掘的时序数据进行切片，生成切片网络集合；
步骤102：分别计算所述切片网络集合的每个切片网络的网络结构属性信息，所述网络结构属性信息包括切片网络的连通率和节点K值；
步骤103：根据每个切片网络的连通率和节点K值计算得到每个切片网络的各节点的自适应K值；
步骤104：根据各节点的自适应K值确定挖掘节点。
在一种可能的实施方式中，在步骤101中，所述基于设定时间窗口对待挖掘的时序数据进行切片，生成切片网络集合，包括：
获取待挖掘的时序数据；根据设定时间窗口类型和设定时间窗口大小对所述待挖掘的时序数据进行切片处理，得到第一数目个切片网络，其中节点有所述第一数目个。
利用特定大小的时间窗口对时序数据信息进行切片处理，每个切片网络能够展示出对应时间段内节点间的交互情况，通过切片网络的结构变化体现节点间关联的时效性，把每个切片网络的网络结构属性作为影响因子、作用于当前网络以及与其相邻的下一个切片网络。
在一种可能的实施方式中，在步骤102中，所述分别计算所述切片网络集合的每个切片网络的节点K值，包括：
针对每个切片网络，移除切片网络中所有度值小于等于设定索引值的节点以及与这些节点相连的边，重复操作直到切片网络的所有节点的度值都大于设定索引值，将所有移除的节点的节点K值赋值为设定索引值；将设定索引值加一后重复上述操作，直到切片网络中所有节点被移除，以使得所有节点都有对应的节点K值。
在一种可能的实施方式中，在步骤103中，所述根据每个切片网络的连通率和节点K值计算得到每个切片网络的各节点的自适应K值，包括：
根据每个切片网络的最大连通片得到每个切片网络的连通率结果集；根据每个切片网络的连通率结果集、每个节点的节点K值确定每个切片网络的各节点的自适应K值。
在一种可能的实施方式中，所述根据每个切片网络的连通率结果集、每个节点的节点K值确定每个切片网络的各节点的自适应K值，根据如下公式(1)计算：
Figure BDA0003702887250000061
其中，AKi表示节点i的自适应K值，Kti表示第t个切片网络中第i个节点的K值，Wt＝αCRt-1+βCRt表示第t个切片网络的影响因子，CRt表示第t个切片网络的连通率，α和β为超级参数。
本申请实施例提出的算法综合了切片网络结构属性和K-壳分解方法，根据网络结构属性的动态变化以及相邻网络间结构作用的传递性，采用自适应性方法计算网络中节点K-核值。避免了因单个切片网络的波动对整体评估时造成过大的扰动，同时结合相邻切片网络的网络结构属性作为影响因子，融合切片网络间结构作用的连贯性，更充分地评估网络中各节点的重要性分数值。
本申请实施例提供的节点挖掘方法具体包括如下方面。
第一方面，数据集信息评估。
分析数据集基础信息，统计数据集中的节点个数、信息采集的时间间隔、采集时间跨度等。再结合数据信息的实际背景，设定时间窗口设定的方式。
可供选择的方式有：固定大小的时间窗口(例如城市内交通网络信息，可以设定一个自然日为时间窗口)；由远及近的逐渐变大(小)的时间窗口(例如评估热点信息传播网络，热点事件刚发生时网络讨论活跃，可以用较小的时间窗口来切片，避免由于节点间的交互过于密集而导致在生成切片网络时丢失过多信息。后续热点逐渐消退，可以调大时间窗口，避免因为网络过于稀疏导致计算出的网络结构属性值与K-核值偏离实际价值)。
可以设置大小一致的时间窗口，也可以设置由近及远逐渐扩大或者逐渐缩小的时间窗口，依据所分析的数据需求进行调整。时间窗口大小的设置的多样化的规则，可以基于所分析的数据进行调整。如果研究的是平稳的网络结构，可以设定固定大小的时间窗口；如果是基于热点事件或者热门新闻进行回溯分析，可以设定由近及远时间窗口逐渐增大的切片网络，离事件发生的时间越近对应的时间窗口小，越远对应的时间窗口越大。
此处的时序数据是指包含时间信息的交互数据，以移动电话通话网络为例：(A，B，T)，表示单条时序交互数据，包含拨出电话的个体A，接听电话的个体B，拨打电话的时间T，所提到的网络均视为无权无向网络，即上面提到的例子只考虑A与B之间是否存在链接，而不考虑是由A指向B，还是由B指向A。
本申请实施例采用固定大小的时间窗口对数据进行切片处理。时间窗口的大小作为该算法的一个超级参数，可结合实际背景知识进行设定，同时也可以对计算出的结果进行评估，然后再对窗口大小进行调整优化。
第二方面，生成切片网络。设定网络结构参数，确定划分时间窗口的类型，对时序信息进行切片。
通过第一方面的数据集信息评估，获取数据集的基础信息，设定时间窗口类型以及对应的时间窗口大小，基于所设定的时间窗口大小生成切片网络集合。
如图2所示，假设网络中共有N个节点，通过所设定的时间窗口进行处理，共得到TN个切片网络。
利用可调的时间窗口大小进行网络切片处理，可以合理充分地展示网络中信息交互活跃度的变化，基于切片结构展示连边的动态变化，结合相邻的两个切片网络的网络结构属性作为评估因子，能够融合切片网络结构作用的连贯性。
第三方面，切片网络的指标计算。分别得到网络的连通率CR和各节点的K-核值。
通过第二方面得到数据集的切片网络集，分别计算每个切片网络的网络结构属性，在本申请实施例中采用连通率作为评估单个切片网络的结构属性指标，也可使用其他指标作为评估单个切片网络的网络属性信息。
接下来介绍网络中连通率的计算和静态网络K-壳分解方法。
连通率CR：在无向网络中，首先通过宽度优先遍历的方式获取网络的最大连通节点集合，然后计算最大连通节点集合占网络所有节点的比例表示网络的连通率。
连通率代表网络连通情况，假设网络中共有N个节点，连通率取值范围为[1/N，1]，取值为1/N时表示整个网络所有节点都没有连接，即每个节点都是孤立的；取值为1时表示整个网络是全连通的，即网络中的任意两个节点都可以通过连边进行连接。如图3所示，可知节点A、B、C、D组成了最大的连通集合，所以该A、B、C、D、E、F、G节点构成的网络的连通率为4/7。
网络的连通率越高表示信息在网络中可以传播的范围越广、传播效率越高，各节点在网络中能够更好地展现其作用。作为单个切片网络的影响因子，表征该切片网络上计算出的指标对整个数据集网络的贡献值。
如图4所示单个切片网络，具体的K-壳分解方法计算步骤如下：
步骤1：设定一个索引值k，k的取值从1开始。移除网络中所有度值小于等于k的节点以及与这些节点相连的边，然后对移除后的网络重复上述操作，直到所有的节点的度值都大于k，此次移除的所有节点的核值都赋值为k。如图4所示，处于最外层的节点的核值都赋值为1，所有核值为1的节点组成了1-Shell。
步骤2：k值加1，重复步骤1的操作；
步骤3：重复步骤2的操作，直到网络中的所有节点都被移除，这时网络中的所有节点都有对应的k值。
K核值是一个全局性指标，核值大的节点处于网络的核心位置，这些节点对于网络的信息传播和保持网络鲁棒性具有非常重要的作用。
第四方面，整合各个切片的计算结果，利用自适应-壳分解方法计算出各个节点的自适应K-核值，实现时序网络的重要节点挖掘。
基于第二方面得到的TN个切片网络，分别进行如下计算：
步骤1：采用广度优先遍历，获取各节点的最大连同片信息，然后通过S3中计算的连通率，计算各切片网络的连通率；设CRt为第t个切片网络的连通率。最终得到TN个切片网络的连通率结果集{CR1，CR2，……，CRTN-1，CRTN}。
步骤2：基于静态网络K-壳分解方法，计算出各切片网络中每个节点的K核值，设Kti表示第t个切片网络中第i个节点的K核值。
步骤3：按照公式(1)计算出网络中各个节点的自适应K核值，在本申请实施例中改方法命名为自适应K-壳分解方法。AKi表示节点i的自适应K核值(Adaptive K-Core)，其中Wt＝αCRt-1+βCRt表示第t个切片网络的影响因子。
首个切片网络由于没有更早的切片网络，所以给其赋值CR0＝0，其中α和β为该算法的超级参数，依据数据集的实际背景以及用户经验进行动态调整，其中α表示上一个切片网络结构属性对当前切片网络的结构属性的影响因子个贡献系数，默认情况下设定α＝0.1，β＝1。通过该设定，可以更好地结合相邻切片网络间结构信息的传递性。Kti表示在第t个切片网络中节点i的K核值，先把各切片网络的影响因子Wt与K核值相乘，然后再对所有切片网络的结果值取均值从而得到单个节点的自适应K核值AKi。
AKi值越大表示该节点在网络中越重要，表示其对于网络中的信息传播或者维持网络结构的鲁棒性具有更加重要的作用。
采用自适应的方式，分别计算各切片网络的网络结构属性与节点的K核值，整合相邻两个切片网络的网络属性评作为影响因子，利用切片网络的网络结构属性作为影响因子去计算单个切片网络中节点的K核值，充分的利用网络结构属性对K核值进行评估，削弱网络的结构的扰动对指标评估的影响，最后用均值方法计算每个节点重要性分数值。
综上所述，本申请实施例提供了一种时序网络节点挖掘方法，通过基于设定时间窗口对待挖掘的时序数据进行切片，生成切片网络集合；分别计算所述切片网络集合的每个切片网络的网络结构属性信息，所述网络结构属性信息包括切片网络的连通率和节点K值；根据每个切片网络的连通率和节点K值计算得到每个切片网络的各节点的自适应K值；根据各节点的自适应K值确定挖掘节点。避免因单个切片网络的波动对整体评估时造成过大的扰动，融合切片网络间结构作用的连贯性，更充分地评估网络中各节点的重要性分数值，高效准确的挖掘时序网络的重要节点。
基于相同的技术构思，本申请实施例还提供了一种时序网络节点挖掘系统，如图5所示，所述系统包括：
切片网络生成模块501，用于基于设定时间窗口对待挖掘的时序数据进行切片，生成切片网络集合；
网络结构属性计算模块502，用于分别计算所述切片网络集合的每个切片网络的网络结构属性信息，所述网络结构属性信息包括切片网络的连通率和节点K值；
自适应K值模块503，用于根据每个切片网络的最大连通片和节点K值计算得到每个切片网络的各节点的自适应K值；
挖掘节点确定模块504，用于根据各节点的自适应K值确定挖掘节点。
在一种可能的实施方式中，所述网络结构属性计算模块502，具体用于：针对每个切片网络，移除切片网络中所有适应度值小于等于设定索引值的节点以及与这些节点相连的边，重复操作直到切片网络的所有节点的度值都大于设定索引值，将所有移除的节点的节点K值赋值为设定索引值；将设定索引值加一后重复上述操作，直到切片网络中所有节点被移除，以使得所有节点都有对应的节点K值。
在一种可能的实施方式中，所述自适应K值模块503，具体用于：根据每个切片网络的最大连通片得到每个切片网络的连通率结果集；根据每个切片网络的连通率结果集、每个节点的节点K值确定每个切片网络的各节点的自适应K值。
本申请实施方式还提供一种与前述实施方式所提供的方法对应的电子设备。请参考图6，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。所述电子设备20可以包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的方法。
其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个物理端口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的方法对应的计算机可读存储介质，请参考图7，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种时序网络节点挖掘方法，其特征在于，所述方法包括：
基于设定时间窗口对待挖掘的时序数据进行切片，生成切片网络集合；
分别计算所述切片网络集合的每个切片网络的网络结构属性信息，所述网络结构属性信息包括切片网络的连通率和节点K值；
根据每个切片网络的连通率和节点K值计算得到每个切片网络的各节点的自适应K值；
根据各节点的自适应K值确定挖掘节点。
2.如权利要求1所述的方法，其特征在于，所述根据每个切片网络的连通率和节点K值计算得到每个切片网络的各节点的自适应K值，包括：
根据每个切片网络的最大连通片得到每个切片网络的连通率结果集；
根据每个切片网络的连通率结果集、每个节点的节点K值确定每个切片网络的各节点的自适应K值。
3.如权利要求2所述的方法，其特征在于，所述根据每个切片网络的连通率结果集、每个节点的节点K值确定每个切片网络的各节点的自适应K值，根据如下公式计算：
Figure FDA0003702887240000011
其中，AKi表示节点i的自适应K值，Kti表示第t个切片网络中第i个节点的K值，Wt＝αCRt-1+βCRt表示第t个切片网络的影响因子，CRt表示第t个切片网络的连通率，α和β为超级参数。
4.如权利要求1所述的方法，其特征在于，所述分别计算所述切片网络集合的每个切片网络的节点K值，包括：
针对每个切片网络，移除切片网络中所有度值小于等于设定索引值的节点以及与这些节点相连的边，重复操作直到切片网络的所有节点的度值都大于设定索引值，将所有移除的节点的节点K值赋值为设定索引值；
将设定索引值加一后重复上述操作，直到切片网络中所有节点被移除，以使得所有节点都有对应的节点K值。
5.如权利要求1所述的方法，其特征在于，所述基于设定时间窗口对待挖掘的时序数据进行切片，生成切片网络集合，包括：
获取待挖掘的时序数据；
根据设定时间窗口类型和设定时间窗口大小对所述待挖掘的时序数据进行切片处理，得到第一数目个切片网络，其中节点有所述第一数目个。
6.一种时序网络节点挖掘系统，其特征在于，所述系统包括：
切片网络生成模块，用于基于设定时间窗口对待挖掘的时序数据进行切片，生成切片网络集合；
网络结构属性计算模块，用于分别计算所述切片网络集合的每个切片网络的网络结构属性信息，所述网络结构属性信息包括切片网络的连通率和节点K值；
自适应K值模块，用于根据每个切片网络的连通率和节点K值计算得到每个切片网络的各节点的自适应K值；
挖掘节点确定模块，用于根据各节点的自适应K值确定挖掘节点。
7.如权利要求6所述的系统，其特征在于，所述自适应K值模块，具体用于：
根据每个切片网络的最大连通片得到每个切片网络的连通率结果集；
根据每个切片网络的连通率结果集、每个节点的节点K值确定每个切片网络的各节点的自适应K值。
8.如权利要求6所述的系统，其特征在于，所述网络结构属性计算模块，具体用于：
针对每个切片网络，移除切片网络中所有度值小于等于设定索引值的节点以及与这些节点相连的边，重复操作直到切片网络的所有节点的度值都大于设定索引值，将所有移除的节点的节点K值赋值为设定索引值；
将设定索引值加一后重复上述操作，直到切片网络中所有节点被移除，以使得所有节点都有对应的节点K值。
9.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行以实现如权利要求1-5任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1-5任一项所述的方法。
CN202210696726.8A 2022-06-20 一种时序网络节点挖掘方法和系统 Active CN115294758B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210696726.8A CN115294758B (zh) 2022-06-20 一种时序网络节点挖掘方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210696726.8A CN115294758B (zh) 2022-06-20 一种时序网络节点挖掘方法和系统

Publications (2)

Publication Number Publication Date
CN115294758A true CN115294758A (zh) 2022-11-04
CN115294758B CN115294758B (zh) 2024-05-31

Family

ID=

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150220639A1 (en) * 2014-01-31 2015-08-06 MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. Computer-implemented method and apparatus for determining a relevance of a node in a network
WO2016078368A1 (zh) * 2014-11-21 2016-05-26 深圳大学 一种基于k-核的社区搜索算法
CN107292751A (zh) * 2017-05-31 2017-10-24 杭州师范大学 一种时序网络中节点重要性的挖掘方法和装置
CN109451429A (zh) * 2018-12-27 2019-03-08 中国人民解放军国防科技大学 一种Ad Hoc网络虚拟骨干节点识别方法
CN110149233A (zh) * 2019-05-23 2019-08-20 南昌航空大学 采用概要图和节点对影响值评估关键节点的方法与系统
CN111008311A (zh) * 2019-12-25 2020-04-14 中国人民解放军国防科技大学 基于邻域弱连接的复杂网络节点重要性评估方法和装置
US20210058989A1 (en) * 2019-11-06 2021-02-25 Intel Corporation Network coding and delay-efficient integrated access and backhaul network topologies
CN113034299A (zh) * 2021-04-07 2021-06-25 常熟理工学院 一种时序网络建模方法及重要节点识别方法
CN114297585A (zh) * 2022-01-06 2022-04-08 中国人民解放军国防科技大学 社交网络中重要节点排序方法、装置和计算机设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150220639A1 (en) * 2014-01-31 2015-08-06 MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. Computer-implemented method and apparatus for determining a relevance of a node in a network
WO2016078368A1 (zh) * 2014-11-21 2016-05-26 深圳大学 一种基于k-核的社区搜索算法
CN107292751A (zh) * 2017-05-31 2017-10-24 杭州师范大学 一种时序网络中节点重要性的挖掘方法和装置
CN109451429A (zh) * 2018-12-27 2019-03-08 中国人民解放军国防科技大学 一种Ad Hoc网络虚拟骨干节点识别方法
CN110149233A (zh) * 2019-05-23 2019-08-20 南昌航空大学 采用概要图和节点对影响值评估关键节点的方法与系统
US20210058989A1 (en) * 2019-11-06 2021-02-25 Intel Corporation Network coding and delay-efficient integrated access and backhaul network topologies
CN111008311A (zh) * 2019-12-25 2020-04-14 中国人民解放军国防科技大学 基于邻域弱连接的复杂网络节点重要性评估方法和装置
CN113034299A (zh) * 2021-04-07 2021-06-25 常熟理工学院 一种时序网络建模方法及重要节点识别方法
CN114297585A (zh) * 2022-01-06 2022-04-08 中国人民解放军国防科技大学 社交网络中重要节点排序方法、装置和计算机设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
付凯;夏靖波;赵小欢;: "动态融合复杂网络节点重要度评估方法", 哈尔滨工业大学学报, no. 10, 30 October 2017 (2017-10-30), pages 118 - 125 *
何莉;李博;: "物联网节点需求量计算方法", 河南工程学院学报(自然科学版), no. 01, 20 March 2017 (2017-03-20), pages 62 - 66 *
张醒;徐建平;: "工业控制系统重要节点的快速挖掘", 自动化仪表, no. 07, 15 July 2016 (2016-07-15), pages 72 - 75 *

Similar Documents

Publication Publication Date Title
US11184241B2 (en) Topology-aware continuous evaluation of microservice-based applications
US10667082B2 (en) Method and apparatus for determining index grids of geo-fence
CN109784636A (zh) 欺诈用户识别方法、装置、计算机设备及存储介质
US8145588B2 (en) Determination of graph connectivity metrics using bit-vectors
CN109215346A (zh) 一种交通通行时间的预测方法、存储介质和服务器
US20230024680A1 (en) Method of determining regional land usage property, electronic device, and storage medium
CN111111176A (zh) 游戏中物体lod的管理方法、装置及电子设备
CN107292385A (zh) 一种类Alexnet网络的模型训练方法和装置
Boryczka et al. An effective hybrid harmony search for the asymmetric travelling salesman problem
US20080075014A1 (en) Methods and apparatus for ranking a node in a network having a plurality of interconnecting nodes
CN115294758A (zh) 一种时序网络节点挖掘方法和系统
CN111915884B (zh) 交通网络行为描述方法、装置、电子设备及存储介质
CN115361266A (zh) 告警根因定位方法、装置、设备及存储介质
CN115294758B (zh) 一种时序网络节点挖掘方法和系统
Chen et al. Bilevel optimization model for the development of real-time strategies to minimize epidemic spreading risk in air traffic networks
CN109412149B (zh) 基于区域划分的电网子图构建方法、拓扑分析方法及装置
CN115022153B (zh) 故障根因分析方法、装置、设备和存储介质
CN107909496A (zh) 社交网络中用户影响力分析方法、装置及电子设备
CN116050159A (zh) 一种仿真场景集生成方法、装置、设备及介质
CN114692002A (zh) 预测模型的更新方法、装置、电子设备及存储介质
CN112738756B (zh) 一种物联网设备数据收集方法及装置
CN112884614B (zh) 基于频繁序列的路线推荐方法、装置和电子设备
CN106330559A (zh) 基于MapReduce的复杂网络拓扑特征参数计算方法和系统
CN116720388B (zh) 森林草原火场蔓延预测的方法、装置、设备和介质
Baban et al. Determination of the critical congestion point in urban traffic networks: a case study

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