![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
社交网络
文章平均质量分 53
南波兔不写巴哥
这个作者很懒,什么都没留下…
展开
-
网络稀疏表征介绍
论文名:Network sparse representation: Decomposition, dimensionality-reduction and reconstruction本文是对我们团队对自己工作做的一个网络稀疏表征的流程介绍网络稀疏表征是对大规模网络中的高频结构进行提取,作为该网络的局部结构特征。为了让读者更好的理解,我做了一个ppt,演示案例是我...原创 2022-01-19 20:10:10 · 2905 阅读 · 0 评论 -
networkx 判断两图是否同构 得到同构的节点映射
如果我们希望判断两个网络是否同构,以及同构时,两个网络之间的节点映射关系,那么我们可以使用networkx提供的apinetworkx是python的处理网络十分好用的一个包具体使用方法如下 GM = nx.isomorphism.GraphMatcher(atomNx,dictNx) GM.is_isomorphic(): mapping = GM.mapping 首先使用GraphMatcher()方法,将两个网络输入,这里是以第一个网络atomNx为基础,来看第二个网络dictNx是否与原创 2021-11-11 10:52:38 · 2008 阅读 · 0 评论 -
异质信息网络分析与应用综述(石川)--阅读
文章目录写在前面前两章简单阅读异质网络的基本概念基于原路径的挖掘异质网络的学习表示浅层模型基于分解的方法基于元路径的随机游走的方法基于关系的方法深度模型基于自动编码器基于生成对抗网络基于强化学习基于图神经网络浅层模型与深层模型对比与知识图谱表示学习的区别与联系应用场景商业领域网络安全医学领域未来发展方向写在前面该文是针对该文章的阅读,主要关注在后三章,对后三章进行理解与扩展,并读了部分后三章所引用文章,因为前两章都是简单的基本概念,所以这里不详述。(本文是将我平常的工作记录直接拷贝过来)论文链接:异质信原创 2021-01-20 09:15:12 · 4181 阅读 · 0 评论 -
社区发现 louvain(fast unfolding)算法
整个算法是基于Modularity的计算,然后就是迭代,社区改变,然后收缩,继续迭代,社区改变,然后收缩,如此以往。这里贴上算法的流程:算法形式化描述1)初始化:将图中的每个节点看成一个独立的社区,社区的数目与节点个数相同;2)开始first phase迭代 - 社区间节点转移:对每个节点i,依次尝试把节点 i 分配到其每个邻居节点所在的社区,计算分配前与分配后的模块度变化ΔQ3)重复2)- 继续进行社区间节点转移评估:直到所有节点的所属社区不再变化,即社区间的节点转移结束,可以理解为本轮迭原创 2020-06-17 10:36:37 · 2296 阅读 · 2 评论 -
Supplementary Materials for The spread of true and false news online 解读
前言本文针对发表自science上的文章The spread of true and false news online一文的Supplementary Materials的前20页进行解读。该文章主要讲的是,在社交媒体中,假新闻相对于真新闻而言在社交媒体上传播更快更广更深,之后作者探索其原因,发现假新闻的新颖程度更高。然后将新颖程度作为真假新闻的原因之一。在Supplementary Materials中,对该文章中的一些概念和方法进行的介绍,也是该文章工作过程中的思考过程。其中前20页是纯粹的概念原创 2020-06-06 10:04:58 · 1152 阅读 · 1 评论 -
Hashtag-Based Sub-Event Discovery Using Mutually Generative LDA in Twitter 阅读笔记
《Hashtag-Based Sub-Event Discovery Using Mutually Generative LDA in Twitter》该文章来源于Thirtieth Aaai Conference on Artificial Intelligence 2016 。本文主要是关注于子事件发现。子事件发现是在twitter中进行社会实践分析的一种有效的方法,它能够从推特中大量嘈杂的信息中发现子事件,并语义表示。然而这并不容易,因为面临着挑战。什么挑战,tweets的挑战。twee原创 2020-05-23 18:05:18 · 357 阅读 · 0 评论 -
十分钟带你理解LDA主题模型 超通俗理解
一、LDA主题模型简介LDA(Latent Dirichlet Allocation)中文翻译为:潜在狄利克雷分布。LDA主题模型是一种文档生成模型,是一种非监督机器学习技术。它认为一篇文档是有多个主题的,而每个主题又对应着不同的词。一篇文档的构造过程,首先是以一定的概率选择某个主题,然后再在这个主题下以一定的概率选出某一个词,这样就生成了这篇文档的第一个词。不断重复这个过程,就生成了整篇文章(当然这里假定词与词之间是没有顺序的,即所有词无序的堆放在一个大袋子中,称之为词袋,这种方式可以使算法相对简化一些转载 2020-05-18 16:55:26 · 11214 阅读 · 1 评论 -
社区发现 GN算法 fast betweeness算法 代码分析
何谓社区发现在社交网络分析与挖掘中,社区发现是一个常用且重要的应用。俗话说,物以类聚,人以群分。社交网络中的节点也是一样。经常聚集成好几团。(上图来自百度)如上图所示,可以分为3个节点簇A、B、C。这里便可以将每个簇称为社区。可以看到其很明显的特征,社区里,各个节点的联系比较多;而社区之间,联系较少。而社区发现,顾名思义,就是将社交网络中的社区给发现出来(似乎等于没说~~)GN算法GN算法是用于社区发现的算法。全程是Girvan Newman,是两位作者的名字组合。该算法的大致思路是:原创 2020-06-14 22:10:38 · 3564 阅读 · 0 评论