以图频繁集为基础的核心节点发现

doi:10.3778/j.issn.1673-9418.2010.01.009

计算机科学与探索 ›› 2010, Vol. 4 ›› Issue (1): 82-88.DOI: 10.3778/j.issn.1673-9418.2010.01.009

以图频繁集为基础的核心节点发现

宋文军^1，2，刘红星^1，2，王崇骏^1，2+，谢俊元^1，2

1. 南京大学计算机软件新技术国家重点实验室，南京 210093
2. 南京大学计算机科学与技术系，南京 210093

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2010-01-15 发布日期:2010-01-15
通讯作者: 王崇骏

Core Nodes Detection Based on Frequent Itemsets of Graph

SONG Wenjun^1，2， LIU Hongxing^1，2， WANG Chongjun^1，2+， XIE Junyuan^1，2

1. National Key Laboratory for Novel Software Technology， Nanjing University， Nanjing 210093， China
2. Department of Computer Science and Technology， Nanjing University， Nanjing 210093， China

Received:1900-01-01 Revised:1900-01-01 Online:2010-01-15 Published:2010-01-15
Contact: WANG Chongjun

摘要/Abstract

摘要： 结合基于图的关联规则挖掘和双向搜索的策略，产生最大频繁项集，从而提出基于图的最大频繁项集（graph based maximum frequent set，GBMFS）生成算法。运用此算法，结合社会网络的动态特征，发现社会网络中所存在的团伙的核心成员。最后，在实际系统中对相关的算法进行了验证。

关键词: 最大频繁项集, 图, 核心节点

Abstract: This paper concentrates on the detection of core nodes in the crime network， but as a basis， it models the network as a graph and presents the algorithm of GBMFS （graph based maximum frequent set）， which combines the mining of association rules with bidirectional search strategy and can be used to discover the most frequent itemsets in a graph. After getting several snaps of social network in different time and integrating the discovery of quasi-clique with GBMFS， the algorithm of discovering core nodes in these snaps is achieved. At last the algorithm is applied in a real system.

Key words: maximum frequent itemsets, graph, core node

中图分类号:

TP311

宋文军1，2 ，刘红星1，2 ，王崇骏1，2+ ，谢俊元1，2 . 以图频繁集为基础的核心节点发现[J]. 计算机科学与探索, 2010, 4(1): 82-88.

SONG Wenjun^1，2， LIU Hongxing^1，2， WANG Chongjun^1，2+， XIE Junyuan^1，2. Core Nodes Detection Based on Frequent Itemsets of Graph[J]. Journal of Frontiers of Computer Science and Technology, 2010, 4(1): 82-88.

[1]	王贝贝, 万怀宇, 郭晟楠, 林友芳. 融合局部和全局时空特征的交通事故风险预测[J]. 计算机科学与探索, 2021, 15(9): 1694-1702.
[2]	马力, 邹亚莉. 嵌入自注意力机制的美学特征图像生成方法[J]. 计算机科学与探索, 2021, 15(9): 1728-1739.
[3]	苑春苗, 牛瑛, 郭涛, 李鑫. 融合衣服特征迁移的行人重识别方法[J]. 计算机科学与探索, 2021, 15(9): 1740-1752.
[4]	任龙杰, 孙颖, 丁卫平, 鞠恒荣, 曹金鑫. 基于单种群蛙跳优化CNN的眼底图像多病变检测[J]. 计算机科学与探索, 2021, 15(9): 1762-1772.
[5]	武家伟, 孙艳春. 融合知识图谱和深度学习方法的问诊推荐系统[J]. 计算机科学与探索, 2021, 15(8): 1432-1440.
[6]	马煜, 杜慧敏, 毛智礼, 张霞. 深度语义分割人群密度检测技术[J]. 计算机科学与探索, 2021, 15(8): 1469-1475.
[7]	王大刚, 丁世飞, 钟锦. 基于二阶[k]近邻的密度峰值聚类算法研究[J]. 计算机科学与探索, 2021, 15(8): 1490-1500.
[8]	张梦倩, 张莉. 粗-细两阶段卷积神经网络算法[J]. 计算机科学与探索, 2021, 15(8): 1501-1510.
[9]	刘刚, 葛洪伟. 视觉惯导SLAM初始化算法研究[J]. 计算机科学与探索, 2021, 15(8): 1546-1554.
[10]	吕昊远, 俞璐, 周星宇, 邓祥. 半监督深度学习图像分类方法研究综述[J]. 计算机科学与探索, 2021, 15(6): 1038-1048.
[11]	范瑞东, 侯臣平. 鲁棒自加权的多视图子空间聚类[J]. 计算机科学与探索, 2021, 15(6): 1062-1073.
[12]	姜山, 丁治明, 徐馨润, 严瑾. 面向路网交通流态势预测的图神经网络模型[J]. 计算机科学与探索, 2021, 15(6): 1084-1091.
[13]	高仰, 刘渊. 融合知识图谱和短期偏好的推荐算法[J]. 计算机科学与探索, 2021, 15(6): 1133-1144.
[14]	刘靖祎, 史彩娟, 涂冬景, 刘帅. 零样本图像分类综述[J]. 计算机科学与探索, 2021, 15(5): 812-824.
[15]	王晓东, 赵一宁, 肖海力, 王小宁, 迟学斌. 使用GNN与RNN实现用户行为分析[J]. 计算机科学与探索, 2021, 15(5): 838-847.

以图频繁集为基础的核心节点发现

Core Nodes Detection Based on Frequent Itemsets of Graph

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics