CN117407739A - 一种基于图嵌入的动态权重节点聚类方法 - Google Patents
一种基于图嵌入的动态权重节点聚类方法 Download PDFInfo
- Publication number
- CN117407739A CN117407739A CN202311178235.5A CN202311178235A CN117407739A CN 117407739 A CN117407739 A CN 117407739A CN 202311178235 A CN202311178235 A CN 202311178235A CN 117407739 A CN117407739 A CN 117407739A
- Authority
- CN
- China
- Prior art keywords
- matrix
- dynamic
- node
- algorithm
- probability matrix
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 86
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000005295 random walk Methods 0.000 claims abstract description 15
- 238000003064 k means clustering Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于图嵌入的动态权重节点聚类方法,所述方法包括以下步骤,Step1:计算图的邻接矩阵A、度矩阵D、动态矩阵B;Step2:计算动态概率矩阵BP、权重概率矩阵WP;Step3:计算动态权重概率矩阵BWP,使用RandomWalk算法生成节点序列L;Step4:计算度概率矩阵DP,使用SecWalk算法生成节点序列SW;Step5:结合节点序列SW,用SkipGram算法生成d维的节点潜在特征表示Rd;Step6:结合节点d维潜在特征表示为Rd,使用K‑means聚类算法,将相似节点聚为同一簇。本发明相对于传统方法来说,适用于节点间关系强弱随时间变化的数据结构。
Description
技术领域
本发明属于深度学习技术领域,涉及一种基于图嵌入的动态权重节点聚类方法。
背景技术
实体间的关系,可以用图来表示。图是一种普遍存在的数据结构,广范应用计算机科学和相关领域。社交网络、分子图结构、生物蛋白网络、推荐系统等,所有这些领域都可以很容易地建模为图,它捕捉节点(顶点)之间的相互作用(边),由于图的普遍性,它是无数系统的支柱,允许有效地存储和访问有关实体之间的信息。
近年来,使用基于深度学习和非线性降维的技术,自动学习将图结构编码低维嵌入的表示方法激增,包括基于矩阵分解的方法、基于深度学习的随机游走的算法和图神经网络等等。例如专利CN202210471018.8提出了一种具有平滑结构的深度注意力嵌入图聚类方法,有效的消除了重构图结构的不稳定性。专利CN202210106101.1提出了一种基于分布式图嵌入的联邦图聚类方法,能够实现对双方隐私数据进行联邦图聚类。
但还有一些实际场景,例如社交网络、推荐系统网络、电商中客户与商品之间构成的关系网络,关系的强弱随时间的变化而变化,这使得节点间的关联关系难以刻画,节点间的相似程度难以表达。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于图嵌入的动态权重节点聚类方法。
为本发明提出的一种基于图嵌入的动态权重节点聚类方法,所述方法包括以下步骤:
Step1:计算图的邻接矩阵A、度矩阵D、动态矩阵B;
Step2:计算动态概率矩阵BP、权重概率矩阵WP;
Step3:计算动态权重概率矩阵BWP,使用RandomWalk算法生成节点序列L;
Step4:计算度概率矩阵DP,使用SecWalk算法生成节点序列SW;
Step5:结合节点序列SW,使用SkipGram算法生成d维的节点潜在特征表示Rd;
Step6:结合节点d维潜在特征表示Rd,使用K-means聚类算法,将相似节点聚为同一簇。
为表述方便,现定义以下变量:状态T=(t1,t2,…tz),其中i=1,2…,z。图Gi=(Vi,Ei,Wi),其中Vi={v1i,v2i,…vni}表示在ti状态下图Gi中n个节点的集合Ei={e1i,e2i,…emi}表示在ti状态下图Gi中m个边的集合,Wi={w1i,w2i,…wmi}表示在ti状态下图Gi中m个边的权重集合。
进一步的,所述步骤Step1具体为:
Step1-1:计算图G:V=V1∪V2∪…∪Vz,E=E1∪E2∪…∪Ez,G=(V,E,W),图中节点的总数量为|V|=N,边的总数量为|E|=M;
Step1-2:计算邻接矩阵A和度矩阵D,其中
A=adjacency(G)={aij}∈RN×N,D=diag(d1,d2,…,dN);
Step1-3:计算状态T下,图中每条边的方差s,
Step1-4:结合方差s,计算动态矩阵B,B={s1,s2,…,sM}={bij}∈RN×N。
进一步的,所述步骤Step2具体为:
Step2-1:计算动态概率矩阵BP,BP={bpij}∈RN×N,bpij=1/bij;
Step2-2:计算权重概率矩阵WP,WP={wpij}∈RN×N,
进一步的,所述步骤Step3具体为:
Step3-1:计算动态权重概率矩阵BWP,BWP={bwpij}∈RN×N,计算中间变量得到bpwpij=bpij·wpij,进而计算
Step3-2:设置RandomWalk算法的参数,每次行走的长度为α,行走的次数为β,L=RandomWalk(G,α,β)={lij}∈RNβ×α。
进一步的,所述步骤Step4具体为:
Step4-1:结合度矩阵D和RandomWalk算法生成节点序列L,生成对应的DL序列,DL={dlij}∈RNβ×α,dlij=dj;
Step4-2:计算度概率矩阵DP,DP={dpij}∈RNβ×α,
Step4-3:设置SecWalk算法的参数,截取长度为γ(γ<α),使用SecWalk算法生成节点序列SW,SW=SecWalk(DL,γ,DP),SecWalk算法将DL序列的每一行按照对应的DP概率矩阵,选择γ个数据,作为新的SW节点序列,SW={swij}=random.choice(dlij,γ,dpij)=RNβ×γ。Step5-1:设置SkipGram算法的参数,窗口大小为ω,输出维度为d,迭代次数为τ;
Step5-2:结合节点序列SW,使用SkipGram算法生成d维的节点潜在特征表示Rd。
Step6-1:设置K-means聚类算法的参数,簇的个数为κ;
Step6-2:结合节点d维潜在特征表示Rd,使用K-means聚类算法,将相似节点聚为同一簇,输出κ个簇的节点信息。
与现有技术相比,本发明的有益效果是:
(1)相对于传统的方法来说,我们提出的一种解决包含动态权重的图的节点聚类方法,提高了算法的适用性,算法既可以适用于固定权重,也可以在动态权重的图有很好的表现。
(2)相对于传统的方法来说,我们提出的一种解决包含动态权重的图的节点聚类方法,可以对上万个节点进行聚类,提出了一种解决组合爆炸问题的新方法。
附图说明
图1为本发明提出的一种基于图嵌入的动态权重节点聚类方法的步骤示意图。
图2为本发明提出的一种基于图嵌入的动态权重节点聚类方法的聚类效果图。
图3为本发明提出的一种基于图嵌入的动态权重节点聚类方法的节点潜在特征向量表示和簇分布图。
具体实施方式
下面将对本发明的技术方案进行清楚、完整地描述。这里将详细地对示例性实施例进行说明。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与附权利要求书中所详述的,本发明的一些方面相一致的方法的例子。
参照图1,一种基于图嵌入的动态权重节点聚类方法,包括:
步骤Step1首先从原始数据中,获取每个状态下的节点数据、边数据和权重数据,计算所有状态下,所有相关的节点,作为最终状态下的图中节点数据V=V1∪V2∪…∪Vz。计算所有状态下,所有节点之间的边,作为最终状态下的图中边和权重的数据。根据公式E=E1∪E2∪…∪Ez计算边的汇总集合,根据公式根据所有状态汇总的图数据,计算相应的邻接矩阵A=adjacency(G)={aij}∈RN×N度矩阵D=diag(d1,d2,…,dN)。记录每个状态下,相应的边的权重值,计算每条边对应权重的方差s,例如计算第一条边对应的权重方法/>从而可以计算出相应的动态矩阵B,公式为B={s1,s2,…,sM}={bij}∈RN×N。
步骤Step2动态矩阵中的数值越大,说明对应的边的权重值波动性越大,说明两个节点之间的关系并不稳固,动态概率矩阵是要将两个稳固关系的节点尽可能的有相似的表征,所以动态概率矩阵中的数值与动态矩阵中的数值是倒数关系。对动态矩阵B中每个数值取倒数,计算动态概率矩阵BP。计算BP的公式为BP={bpij}∈RN×N,bpij=1/bij。
衡量两个节点之间的形式表征不仅和权重的动态性有关,还与权重的值有很大的关系,因此,要想更准确地表示每个节点之间的关系,权重的关系也极为重要。通过邻接矩阵A,可以得到每个节点与其他节点之间的权重值,通过将每个值除以该节点与相关节点的总权重值,可以衡量出节点与其他节点之间的关系紧密程度,从而得到权重概率的矩阵WP,公式为WP={wpij}∈RN×N,
步骤Step3由于本算法考虑了权重动态性对节点之间关系的影响,因此,要将动态概率矩阵与权重概率矩阵相结合,将动态概率矩阵中的每个元素与权重概率矩阵中对应的元素相乘,bpwpij=bpij·wpij得到含有动态性和权重值两个因素的矩阵,再与相应行所有值的和进行相除,得到最终的,权重与动态性因素相结合的动态权重概率矩阵。BWP={bwpij}∈RN×N。
得到动态权重概率矩阵是使用RandomWalk算法的前提,通过设置合理的参数,每次行走的长度为α,行走的次数为β,算法会按照节点对应的动态权重概率矩阵中的数值,为节点选择对应的相关的α个节点,生成节点序列L。L=RandomWalk(G,α,β)={lij}∈RNβ×α,随机选取图中的任意一个节点,根据行走长度得到与此节点相关的α个节点,算法要遍历图中的每个节点并且每个节点选取N次
步骤Step4此步骤是对RandomWalk算法结果的优化,考虑了节点本身在图中度的属性,增加在图中节点度值高的被选择的概率,使节点的聚类结果更加显著。
首先将度矩阵D中的节点对应的度,按照RandomWalk算法生成节点序列L的节点分布进行赋值,生成与节点序列L对应的DL序列,DL={dlij}∈RNβ×αdlij=dj。得到DL序列后,计算DL序列中,每一行中的一个节点的度占整行节点度的总和的比例,DP={dpij}∈RNβ×α,设置SecWalk算法的参数,截取长度为γ(γ<α),使用SecWalk算法生成节点序列SW,SW=SecWalk(DL,γ,DP),SecWalk算法将DL序列的每一行按照对应的DP概率矩阵,选择γ个数据,作为新的SW节点序列,从而得到SecWalk算法计算出的结果SW={swij}=random.choice(dlij,γ,dpij)=RNβ×γ。
步骤Step5设置SkipGram算法的参数,窗口大小为ω,输出维度为d,迭代次数为τ,结合节点序列SW,使用SkipGram算法生成d维的节点潜在特征表示Rd。
步骤Step6根据实际场景的需要,设置K-means聚类算法的参数,簇的个数为κ,结合节点d维潜在特征表示Rd,使用K-means聚类算法,将相似节点聚为同一簇,输出κ个簇的节点信息。
本发明中,使用者通过上述的步骤进行操作,可以实现动态权重节点的聚类,弥补了现有方法在解决动态权重问题上的不足。
以上所述,仅为本发明较佳的具体实施方式,但本发明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发明揭露的技术范围内,根据本发明的技术方案及发明构思加以同等替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于图嵌入的动态权重节点聚类方法,其特征在于,所述方法包括以下步骤:
Step1:计算图的邻接矩阵A、度矩阵D、动态矩阵B;
Step2:计算动态概率矩阵BP、权重概率矩阵WP;
Step3:计算动态权重概率矩阵BWP,使用RandomWalk算法生成节点序列L;
所述的计算动态权重概率矩阵BWP,使用RandomWalk算法生成节点序列L具体包括:
在得到动态概率矩阵BP和权重概率矩阵WP之后,需要将动态因素和权重因素进行融合,本算法采用两个矩阵对应元素之间相乘的方式来得到动态权重概率矩阵,具体公式可以表示为BWP={bwpij}∈RN×N,bpwpij=bpij·wpij,之后用矩阵中每个元素除以该行元素值的和,表示为
设置RandomWalk算法的参数,每次行走的长度为α,行走的次数为β,得到L=RandomWalk(G,α,β)={lij}∈RNβ×α;
Step4:计算度概率矩阵DP,使用SecWalk算法生成节点序列SW;
所述的计算度概率矩阵DP,使用SecWalk算法生成节点序列SW具体包括:
结合度矩阵D和RandomWalk算法生成节点序列L,将节点序列的值,换成对应的节点的度值,生成对应的DL序列,DL={dlij}∈RNβ×α,dlij=dj;
将DL序列中每个元素除以对应元素所在行的和,得到度概率矩阵DP,DP={dpij}∈RN β×α,
设置SecWalk算法的参数,截取长度为γ(γ<α),使用SecWalk算法生成节点序列SW,SW=SecWalk(DL,γ,DP),SecWalk算法将DL序列的每一行按照对应的DP概率矩阵,选择γ个数据,作为新的SW节点序列,按公式表示为SW={swij}=random.choice(dlij,γ,dpij)=RN β×γ;
Step5:结合节点序列SW,用SkipGram算法生成d维的节点潜在特征表示Rd;
Step6:结合节点d维潜在特征表示为Rd,使用K-means聚类算法,将相似节点聚为同一簇。
2.如权利要求1所述的一种基于图嵌入的动态权重节点聚类方法,其特征在于,Step6中,所述的将相似节点聚为同一簇,具体包括:
设置SkipGram算法的参数,窗口大小为ω,输出维度为d,迭代次数为τ结合节点序列SW,用SkipGram算法生成d维的节点潜在特征表示Rd;
设置K-means聚类算法的参数,簇的个数为κ;结合节点d维潜在特征表示Rd,使用K-means聚类算法,将相似节点聚为同一簇,输出κ个簇的节点信息。
3.如权利要求1或2所述的一种基于图嵌入的动态权重节点聚类方法,其特征在于,Step1中,所述的计算图的邻接矩阵A、度矩阵D和动态矩阵B具体包括:
对不同状态下的图数据进行整合,通过公式V=V1∪V2∪…∪Vz计算出现的全部节点,通过公式E=E1∪E2∪…∪Ez来计算节点间关系边的总和,通过公式计算边权重的总和;从而得到G=(V,E,W)其中z表示状态的个数,m表示边的个数,Vi表示第i个状态下节点的集合,Ei表示第i个状态下边的集合,wij表示在j状态下,第i个边的权重;
根据图G=(V,E,W)便可计算出其邻接矩阵A、度矩阵D;
根据公式计算每条边的方差,从而生成动态矩阵B。
4.如权利要求1或2所述的一种基于图嵌入的动态权重节点聚类方法,其特征在于,Step2中,所述的计算图的动态概率矩阵BP和权重概率矩阵WP具体包括:
动态矩阵B中每个元素与动态概率矩阵BP中每个元素的关系为倒数关系,因此对动态矩阵B中每个元素取倒数,得到动态概率矩阵BP;可用公式表示为BP={bpij}∈RN×N,bpij=1/bij;
将邻接矩阵A中每个元素对应的行求和,再将邻接矩阵A中的每个元素aij与该行的求和值相除,得到权重概率矩阵WP,公式表示为WP={wpij}∈RN×N,
5.如权利要求3所述的一种基于图嵌入的动态权重节点聚类方法,其特征在于,Step2中,所述的计算图的动态概率矩阵BP和权重概率矩阵WP具体包括:
动态矩阵B中每个元素与动态概率矩阵BP中每个元素的关系为倒数关系,因此对动态矩阵B中每个元素取倒数,得到动态概率矩阵BP;可用公式表示为BP={bpij}∈RN×N,bpij=1/bij;
将邻接矩阵A中每个元素对应的行求和,再将邻接矩阵A中的每个元素aij与该行的求和值相除,得到权重概率矩阵WP,公式表示为WP={wpij}∈RN×N,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311178235.5A CN117407739B (zh) | 2023-09-13 | 2023-09-13 | 一种基于图嵌入的动态权重节点聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311178235.5A CN117407739B (zh) | 2023-09-13 | 2023-09-13 | 一种基于图嵌入的动态权重节点聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117407739A true CN117407739A (zh) | 2024-01-16 |
CN117407739B CN117407739B (zh) | 2024-05-07 |
Family
ID=89493307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311178235.5A Active CN117407739B (zh) | 2023-09-13 | 2023-09-13 | 一种基于图嵌入的动态权重节点聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117407739B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106279A (zh) * | 2013-02-21 | 2013-05-15 | 浙江大学 | 一种同时基于节点属性以及结构关系相似度的聚类方法 |
CN111309980A (zh) * | 2020-02-28 | 2020-06-19 | 昆明理工大学 | 一种基于聚集图的表示学习方法 |
CN113407784A (zh) * | 2021-05-28 | 2021-09-17 | 桂林电子科技大学 | 一种基于社交网络的社团划分方法、系统及存储介质 |
US20210374499A1 (en) * | 2020-05-26 | 2021-12-02 | International Business Machines Corporation | Iterative deep graph learning for graph neural networks |
EP3975092A1 (en) * | 2020-09-29 | 2022-03-30 | MasterCard International Incorporated | Method and system for detecting fraudulent transactions |
CN114372117A (zh) * | 2022-01-07 | 2022-04-19 | 北华航天工业学院 | 一种复杂交通网络的多尺度聚集模式分析方法 |
CN114926110A (zh) * | 2022-04-06 | 2022-08-19 | 大连理工大学 | 一种数据驱动的加油站油品自动补货方法 |
CN115658979A (zh) * | 2022-09-30 | 2023-01-31 | 中国人民解放军战略支援部队信息工程大学 | 基于加权GraphSAGE的上下文感知方法、系统及数据访问控制方法 |
CN115798709A (zh) * | 2022-12-05 | 2023-03-14 | 东北大学 | 基于多任务图同构网络的阿尔兹海默病分类装置及方法 |
CN115994430A (zh) * | 2022-10-19 | 2023-04-21 | 中国矿业大学 | 基于时间游走嵌入的增量动态社区发现方法及系统 |
CN116486937A (zh) * | 2023-05-24 | 2023-07-25 | 电子科技大学 | 一种基于药物社区团的ddi预测方法 |
-
2023
- 2023-09-13 CN CN202311178235.5A patent/CN117407739B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106279A (zh) * | 2013-02-21 | 2013-05-15 | 浙江大学 | 一种同时基于节点属性以及结构关系相似度的聚类方法 |
CN111309980A (zh) * | 2020-02-28 | 2020-06-19 | 昆明理工大学 | 一种基于聚集图的表示学习方法 |
US20210374499A1 (en) * | 2020-05-26 | 2021-12-02 | International Business Machines Corporation | Iterative deep graph learning for graph neural networks |
EP3975092A1 (en) * | 2020-09-29 | 2022-03-30 | MasterCard International Incorporated | Method and system for detecting fraudulent transactions |
CN113407784A (zh) * | 2021-05-28 | 2021-09-17 | 桂林电子科技大学 | 一种基于社交网络的社团划分方法、系统及存储介质 |
CN114372117A (zh) * | 2022-01-07 | 2022-04-19 | 北华航天工业学院 | 一种复杂交通网络的多尺度聚集模式分析方法 |
CN114926110A (zh) * | 2022-04-06 | 2022-08-19 | 大连理工大学 | 一种数据驱动的加油站油品自动补货方法 |
CN115658979A (zh) * | 2022-09-30 | 2023-01-31 | 中国人民解放军战略支援部队信息工程大学 | 基于加权GraphSAGE的上下文感知方法、系统及数据访问控制方法 |
CN115994430A (zh) * | 2022-10-19 | 2023-04-21 | 中国矿业大学 | 基于时间游走嵌入的增量动态社区发现方法及系统 |
CN115798709A (zh) * | 2022-12-05 | 2023-03-14 | 东北大学 | 基于多任务图同构网络的阿尔兹海默病分类装置及方法 |
CN116486937A (zh) * | 2023-05-24 | 2023-07-25 | 电子科技大学 | 一种基于药物社区团的ddi预测方法 |
Non-Patent Citations (2)
Title |
---|
李钝;李伦;张行进;郑志蕴;曹付元;: "一种基于结构和属性的图聚类算法研究", 小型微型计算机系统, no. 07, 15 July 2016 (2016-07-15), pages 95 - 99 * |
杜晓敏: "基于图的数据关联可视分析方法研究", 《中国优秀硕士学位论文全文数据库》, no. 12, 15 December 2019 (2019-12-15), pages 002 - 80 * |
Also Published As
Publication number | Publication date |
---|---|
CN117407739B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nie et al. | Network traffic prediction based on deep belief network in wireless mesh backbone networks | |
CN109389151B (zh) | 一种基于半监督嵌入表示模型的知识图谱处理方法和装置 | |
WO2021203854A1 (zh) | 用户分类方法、装置、计算机设备和存储介质 | |
CN113065974B (zh) | 一种基于动态网络表示学习的链路预测方法 | |
CN112364976A (zh) | 基于会话推荐系统的用户偏好预测方法 | |
CN109960755B (zh) | 一种基于动态迭代快速梯度的用户隐私保护方法 | |
CN115238855A (zh) | 基于图神经网络的时序知识图谱的补全方法及相关设备 | |
CN116227632A (zh) | 用于客户端异构和数据异构场景的联邦学习方法和装置 | |
Lu et al. | Multiple-kernel combination fuzzy clustering for community detection | |
CN113901679B (zh) | 电力系统的可靠性分析方法、装置和计算机设备 | |
CN115271099A (zh) | 一种支持异构模型的自适应个性化联邦学习方法 | |
CN112541530B (zh) | 针对聚类模型的数据预处理方法及装置 | |
CN117078312B (zh) | 一种基于人工智能的广告投放管理方法及系统 | |
CN117407739B (zh) | 一种基于图嵌入的动态权重节点聚类方法 | |
CN112910680A (zh) | 一种融合多粒度社区信息的网络嵌入方法 | |
CN117056763A (zh) | 基于变分图嵌入的社区发现方法 | |
CN111401412A (zh) | 一种基于平均共识算法的物联网环境下分布式软聚类方法 | |
Han et al. | A new approach for function approximation incorporating adaptive particle swarm optimization and a priori information | |
Alamsyah et al. | Monte Carlo simulation and clustering for customer segmentation in business organization | |
Liang et al. | A normalizing flow-based co-embedding model for attributed networks | |
CN113158088A (zh) | 一种基于图神经网络的位置推荐方法 | |
Yin et al. | Adaptive graph convolutional networks based on decouple and residuals to relieve over-smoothing | |
Zhuang et al. | Adversarial network pruning by filter robustness estimation | |
Xu et al. | Privacy preserving distributed classification: A satisfaction equilibrium approach | |
Rajchwald et al. | Bias reduction of peer influence effects with latent coordinates and community membership |
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 |