标签传播

摘要： 针对标签传播算法稳定性不足、准确性较差的问题,提出了融合K-shell和标签熵的标签传播重叠社区发现算法OCKELP。首先,采用K-shell算法减少了标签初始化时间,并利用标签熵的更新序列提高了算法的稳定性;其次,引入综合影响力进行标签选择,并将社区层次信息和节点局部信息融合提高了算法的准确性。在真实网络数据集上,OCKELP相较于重叠社区发现算法(COPRA)、基于多核心标签传播的重叠社区识别方法(OMKLP)、SLPA的模块度最大提升分别约68.64%、53.99%、42.29%,在人工网络数据集的归一化互信息(NMI)值上,OCKELP相较于其他三种算法也有着明显优势,且随着重叠节点隶属社区数量的增加可以挖掘出社区的真实结构。

摘要： 社区检测是复杂网络分析的重要研究任务之一,其检测结果有助于人们深入理解复杂网络的社区结构,同时为下游任务提供支持,如内容推荐、链路检测等。针对复杂网络的社区检测问题,提出了一种基于标签传播的两阶段社区检测算法——TS-LPA。TS-LPA采用扩展邻域的思想来量化节点的传播能力,并在此基础上,利用节点信息和网络中边的权重等信息,提出了新的评价指标来衡量节点的中心性和节点之间的影响力。所提算法在计算节点中心性的基础上确定了节点标签更新的顺序和种子节点的选择策略,消除了算法在更新过程中的不稳定。在节点标签更新的过程中,为了更好地利用邻居节点标签类别来进行标签更新,TS-LPA采用广度优先传播的思想,提出了第二阶段标签传播方式。当标签开始传播的时候,待更新节点的所有邻居节点都对该节点的类别标签产生影响,同时,为了减轻周围邻居节点对待更新节点的支配程度,除邻居节点的影响外,加入附近种子节点对待更新节点的影响,共同完成节点的标签更新。在不同的真实数据集和人工合成数据集的实验结果分析表明,TS-LPA在消除随机性、表现出较强稳定性的同时,有效提高了社区检测的质量。

摘要： 标签传播算法是高效且具代表性的社团检测算法,其中不包含必需调节适应的相关参数,是大型网络社团检测的首选算法。标签传播算法具有较低的时间复杂度,但其随机性较强,且在标签传播过程中存在不确定性因素,影响了社区检测的准确性和稳定性。针对上述问题,提出一种基于节点引力和鱼记忆标签存储策略的社区检测算法CDA-GM。通过融入节点信息熵的k-shell排序策略增强社区检测的准确性,利用节点间的引力更新标签,减小标签传播的随机性。在此基础上,引入鱼记忆节点标签存储策略,避免出现标签震荡,增强标签传播的稳定性。选择人工网络和真实世界网络数据集进行实验,结果表明,该算法能够显著提高社区检测质量,获得准确的社区结构,与COPRA、SLPA、DLPA和COPRAPC算法相比,其标准化互信息值平均提高0.01、0.18、0.12、0.02,社区模块度平均提高0.04、0.02、0.07、0.01。

摘要： 社区发现能够揭示真实社会网络的拓扑结构和重要节点。由于具有线性时间复杂度,无需定义目标函数及目标参数,标签传播算法(LPA)作为经典社区发现算法被广泛应用在学术和实践领域。针对LPA算法更新顺序的无序性和标签选择的随机性,提出基于节点影响力的理性节点标签传播算法(RLPBNI)。将节点影响力排序作为更新顺序,引入理性节点概念进行标签选择,并定义重叠度进行社区再降维。实验结果表明,与其他对比算法相比,RLPBNI算法不但可有效提高社区划分精度,且更容易发现混合程度较高的网络中隐藏的社区。

摘要： 在线评论对用户的购买决策有重要的影响作用,部分卖方为提高自身信誉或贬低竞争对手的产品,通过雇佣大量水军有组织、有策略地撰写虚假评论来误导潜在消费者。为了检测这种有组织的水军群组,提出了一个综合考虑网络结构与评论者的行为特征水军群组检测算法。首先,根据评分和评论时间相关性得到评论者之间的紧密度,构建评论者关系图;其次,基于构建的评论者关系图,利用标签传播方法检测社区,得到候选群组集合;最后,复原候选群组对应的二部图,以对比可疑度为评估指标,在每个二部图上找到最终的造假者。基于真实数据集的实验结果证明了该算法的有效性。

摘要： 近年来,虽然深度学习技术在图像分类任务中取得了有竞争力的表现,但实际应用中,往往存在缺乏大量训练样本的情况,易于产生过拟合现象。小样本学习技术为此提供了解决方案。由于图神经网络在表示类内和类间样本关系上的优势,已被用于小样本图像分类任务。现有算法是通过几个卷积块获取图像特征作为节点特征输入图网络,为了更好的表示图节点之间的关系,本文算法通过引入卷积块注意力模块(CBAM)来增强目标显著性区域特征,用更具表征力的特征来优化图网络。该方法通过图网络信息传播隐式地增强样本间关系以达到优化节点关系的目的,并采用标签传播机制对未知样本进行分类。大量实验表明,本算法在小样本监督和半监督学习任务上具有优异的表现,验证了算法的有效性。

摘要： 随着智能技术的发展,深度学习已成为机器学习的研究热点,在各个领域发挥着越来越重要的作用。深度学习需要大量的标签数据用于提升模型性能。为了有效解决标签问题,研究人员将半监督学习与深度学习相结合。同时利用少量的标签数据和大量的无标签数据构建模型,有利于扩大样本空间。鉴于深度半监督学习的理论意义和实际应用价值,以深度半监督学习方法中的伪标签方法作为切入点进行分析。首先,对深度半监督学习进行介绍,指出伪标签方法优势所在;其次,从自训练和多视角训练角度出发对伪标签方法进行阐述,对已有的模型进行综合性分析;接着,重点介绍基于图和伪标签的标签传播方法,并对已有伪标签方法进行实验分析;最后,从无标签数据效用性、噪声数据、合理性和伪标签方法的结合上总结伪标签方法所面临的问题和未来研究方向。

摘要： 深度神经网络在众多视觉表征领域取得了显著的成功,如目标检测、识别等.然而,需要大量良好标记的数据进行训练是它们最普遍的限制之一.在实际应用中,为每一个要学习的新任务建立庞大的标记数据集是极其昂贵,甚至是不可行的.半监督深度学习,通过在有限标记数据的条件下充分挖掘大量的未标记数据信息,从而达到与监督学习相媲美的分类精度.然而,当标记数据极其稀少时,现有半监督算法的性能会受到严重影响.因此,本文提出了一种可靠标签选择与学习(Reliable Label Selection and Learning,ReLSL)算法,以解决在仅有极少量标签图像数据时半监督深度学习所面临的问题.具体地,本文首先运用无监督学习方法提取样本特征,并应用基于图的标签传染算法得到无标签样本的伪标签.而后,为了筛选出更为可靠、有更多信息的样本,本文提出了一种综合考虑样本输出均值和一致性的伪标签学习与标定策略.在获得具有扩展标签的数据集后,考虑到训练样本中引入一定比例的标签噪声无可避免,因此本文提出两种策略来训练高鲁棒半监督深度模型:标签平滑策略(Label Smoothing Strategy,LS),用以避免标签过于尖锐;均值偏移校正策略(Mean Shifting Correction Strategy,MSC),用以降低样本输出偏移风险.实验结果表明,在CNN-13、WRN-28-2及ResNet-18各种网络结构下,本文所提出的ReLSL算法在CIFAR-10/100、SVHN、STL-10和Mini-ImageNet数据集上均表现出先进的性能.特别地,本文算法在WRN-28-2网络结构下仅有10个标记数据的CIFAR-10上,相较于最新算法具有6.78%的准确率提升;在CNN-13网络下仅有100个标记数据时,可以达到目前主流半监督学习算法4000标记时的测试误差6.39±0.47%.

摘要： 比特币系统上线运行以来,人们通过比特币地址进行去中心化的转账交易,极大地增加了交易的便利性,同时点对点所产生的交易记录也成为了研究的重点。因比特币交易网络的规模巨大,直接研究整个网络需要耗费较多的时间和大量算力,也不利于观察实体内部的交易模式,因此可以按实体服务社区为对象构建和分析交易网络,并进一步探索实体行为和比特币实体服务社区内部的交易模式。通过改进传统的标签传播算法,提出了一种基于中心节点的标签传播算法,对比特币实体交易网络进行社群划分,并分析交易所、矿池等核心社群的交易模式,得到了易于理解和符合现实的交易模式。改进后的标签传播算法能够更快地收敛,且降低了社区划分结果的随机性,实验结果证明了不同服务内部交易模式的差异性,图形化的展示提升了人们对比特币交易网络的可读性。

摘要： 标签传播算法是一种重要的社区发现算法,具有不需要先验知识、时间复杂度低的优点.针对传统标签传播算法随机性强导致社区发现结果稳定性差的问题,提出基于共同邻居相似度的改进标签传播算法LPACN,在选择邻居节点中出现次数最多的标签时,将邻居节点与该节点的相似度一并考虑,降低了标签选择的随机性,提高了算法的稳定性.在4个基准网络数据集上进行了对比实验,实验结果表明基于共同邻居相似度的改进标签传播算法能够得到更好的社区划分.

摘要： 近年来,互联网上社交应用越来越多,人们之间形成的社会化网络结构呈现出复杂网络的特征.社区发现是研究复杂网络中节点关系的重要方法,现今对重叠社区结构的研究更是此领域的重点与难点.通过研究发现,节点处在的位置不同、邻居节点数目不同等信息都会对它在网络图中的重要性造成影响,节点的重要性对社区的构造也具有很大影响.为此,本文结合这一特性对标签传播算法进行深入研究和改进,以提高方法准确性及效率.针对国内外社区发现算法、节点重要性排序进行研究,在重叠社区发现算法COPRA(Community Overlap PRopagation Algorithm)的基础上,提出基于节点重要性的标签传播算法NI-COPRA(Node Importance-Community Overlap PRopagation Algorithm),通过节点重要性排序、构建初始团的方式来进行改进提高.算法验证实验表明改进算法NI-COPRA在效率和准确性上都有所提升,并且减小了随机性.

摘要： 背景先验与标签传播算法已被广泛地应用于显著性区域检测.然而,传统的基于背景先验模型启发式地假设全的基于背景先验模型启发式地假设全的基于背景先验模型启发式地假设全的基于背景先验模型启发式地假设全部或者分图像边界上的素为背景,同时基于标签传播算法的模型也只考虑了像素成对平滑约束.它们所带来的问题是:当显著性物体与图像边界接触时将会生成不够精确的区域;未考虑物体区域的局部整性,从而使得检测出的显著性区域不具有平滑的特点.rn 为了克服以上两个问题,本文提出了一个新的模型来生成更加可信显著性区域检测本文提出了一个新的模型来生成更加可信显著性区域检测,本模型建本模型建本模型建立在背景先验与标签传播算法之上.首先,提出了一个新的种子选取策略提出了一个新的种子选取策略,此策略能够在增强的背景图与前先验基此策略能够在增强的背景图与前先验基础上,自适应并且鲁棒地选择出包含信息最多的种子点.接着,提出了一个新的标签传播模型,它能够同时将成对平滑约束与局部平滑都考虑进来.结合选取到的种子点与新标签传播算法结合选取到的种子点与新标签传播算法,能够计算出更加可信的显著性能够计算出更加可信的显著性区域.在三个被在三个被在三个被广泛应用的数据集上定性与量实验分析表明,本文模型能够得到最优的显著性区域检测效果.

摘要： 本文提出了一种基于稀疏表示和标签传播的显著性检测模型.首先,稀疏表示理论的目的是将复杂数据集更简洁的表达,可以获得数据间更深层面的联系.本文利用稀疏表示定义了一种新的邻接矩阵.不仅将具有共同边界的区域称为相邻区域,更是把处在同一子空间中的数据点定义为邻居.其次通过图像中每个区域间的相似度计算权值矩阵.然后选取部分边缘区域作为背景标签.最后通过上述方法获得的权值矩阵和背景标签,应用标签传播算法预测未标记区域的标签信息,进而获得最终的显著性图.本文将该算法在多个公开的显著性图库上进行试验,验证了本文所提出算法的有效性.

摘要： 获取Web页面中的重要内容如文本和链接,在许多Web研究领域有着重要的应用价值.目前针该问题主要采用Web页面分割和区块识别的方法.但现有的方法将Web页面中重要文本和链接的识别视为两个相互独立的问题,这种做法割裂了Web页面中本文和链接的内在语义关系,同时降低了页面处理的效率.本文提出了一种Web页面重要内容挖掘的统一框架,该框架主要由三个部分组成:第一,先将Web页面转换为DOM树表示,然后采用节点密度熵为度量将DOM树分割为丌同的页面块.第二,采用基于标签传播的半监督方法自动扩展页面块训练集.第三,在扩展的页面块训练集上对SVM分类器进行训练.最后利用已训练的SVM分类器对页面块进行分类.采用该框架可以将Web页面块区分为多种类型,并且该框架独立于Web页面的类型和布局.我们在真实的Web环境下进行了广泛的实验,实验结果表明了该方法的有效性.

摘要： 当前各类主流网络平台的发展呈现出“社交平台内容化、内容平台社交化”的趋势,用户分化也日趋明显,出现了拥有大规模粉丝的超级节点.内容和社交相结合、用户角色分化等异构(heterogeneous)化的特点使得传统社交网络分析方法遇到了挑战,针对这些特性,本文提出了一种基于社交关系的兴趣挖掘模型,结合矩阵分解和标签传播算法,将用户分为内容发布者和普通用户两类并分别提取和计算兴趣话题,实现了在大规模异构网络中发现、挖掘用户兴趣.基于知乎数据集上设计对比实验,验证了模型的有效性以及算法的性能优势,与基线方法相比,本文提出的算法在查全率上最大提升约42％,F1值最大提升约33％.

摘要： 本发明公开了基于标签传播矫正标签置信度的不准确标记的多标签学习算法，包括以下步骤：步骤一，利用迭代标签传播，根据邻域空间更新候选标签集和非候选标签集的置信度，并分别从中识别出具有高置信度的可信标签；步骤二，利用识别出的可信标签，通过最大后验推理对标签进行两两排序，生成多标签预测模型；本发明所提出的算法能够自动过滤标注信息的噪声，并补全缺失的监督信息，可用于解决获得的数据标签既不完整又包含噪声的多标签学习任务，该算法通过迭代地标签传播，分别从候选标签集和非候选标签集中提取可信标签，能够减轻被错误标记的标签带来的负面影响，并将其作为可靠的标签信息用于后续的模型学习。

摘要： 本发明涉及标签传播领域，公开了一种弱标签数据集的标签传播方法，本发明根据构造标签传播图，所述标签传播图中包括有标签样本和无标签样本，所述有标签样本和无标签样本通过一条无向边相连；在所述标签传播图中获取类别标签和已标记样本以构建概率转移矩阵和标注矩阵；在所述已标记样本接收来自邻近样本传播的标签信息时，对所述标签信息进行过滤以补全所述已标记样本的标签信息；将补全好的标签信息对无标记数据进行传播；判断标签矩阵是否收敛，若是则完成标签传播，采用反馈的思想改进了原有的标签传播算法，填充弱标签数据缺失的标签信息，提高对标签的分配正确率。

摘要： 本发明公开了基于标签传播的正无标签学习方法，包括以下步骤：构建分类器、构建图、对图进行求解、伪标签排序和数据测试。本方法采用了标签传播的方式从有限的正样本来判定无监督数据中的正负类别，并给定相应的伪标签，然后基于监督学习的方式，训练出一个判别能力强的分类器，相比于其他模型，本方法可以从有限的正样本中识别出真正的负样本，然后将这个问题转化成一个标准监督学习问题，相比传统方法具有更高的准确率，而且识别效率更高，并且选取基于对称形式的交叉熵来训练网络，能够达到更好的抑制噪声的作用。

摘要： 本发明公开了一种基于传播限制的标签传播方法，解决了原始标签传播方法不稳定，结果准确性低的问题，其实现包括：对给定复杂网络使用相似度公式生成2-node子结构；每个2-node子结构的节点分配相同的标签；对每一个节点的标签进行更新，更新原则是根据相邻节点中标签出现次数最大的标签来更新自身的标签；反复执行更新步骤，每个节点的标签都不发生变化或达到最大迭代次数；系统更新结束，相同标签的节点即形成一个模块；复杂网络划分为多个模块。在以2-node子结构为起始条件标签传播时，不同模块间不相互干扰。本发明能快速高效地检测出大的复杂网络中的模块，划分准确。用于对复杂网络模块划分，进一步对复杂网络进行分析。

摘要： 本发明公开了一种基于标签传播的集团客户挖掘方法、装置和电子设备。该方法中，首先构建网络图；然后搜索符合第一预设规则的企业，并采用独立的标签标记该企业；再然后以标记的企业为根节点，搜索子节点企业，并利用父节点企业的标签标记子节点企业；之后，对于符合第二预设规则的企业进行标记；最后对环路中的企业进行标记，至所述网络图中标签的数量不变时停止；标记同一标签的企业为同一集团客户。该方法中，基于构建的企业控股关系网络图，按照一定的方法控制标签传播的路径，挖掘得到标记为同一标签的集团客户。本发明提供的方法简便可行、参数少、稳定，可满足实际业务场景中对于准确率高的需求，而且应用范围广泛。

摘要： 本发明涉及大数据挖掘技术领域，公开了一种基于节点综合影响力的标签传播重叠社区发现方法，根据节点的拓扑信息:度、三角形数和局部平均度计算网络中节点重要性LI；依据节点及其邻居的相似度Sim及节点亲密度NI计算节点相似性影响力SI；根据节点重要性LI和相似性影响力SI计算节点综合影响力CI，将所有节点按节点重要性LI排序，并为每个节点初始化一个唯一标签和主标签，保留满足阈值的标签并归一化；检查所有标签并删除不满足节点个数阈值的标签并保留这些标签中的节点，再次计算隶属系数并重新分配社区。本发明采用异步更新节点的标签，结束条件是两次主标签不变或达到了最大迭代值，能够高效及准确的发现复杂网络中的重叠节点和社区结构。

摘要： 本发明提供一种基于标签传播的社区探测方法和装置。所述方法包括：初始化步骤：对于给定的无向无权图，初始化每个顶点的标签；标签更新步骤：针对所述无向无权图的每一个顶点，从当前顶点在前一时刻的标签和其邻居的标签中选择出最优选标签，以所选择的最优选标签来更新当前顶点的标签。本发明的基于标签传播的社区探测方法和装置，通过将顶点的标签也加入到传播规则中，能够增加标签传播算法的有效性，并提高社区探测的准确性。

摘要： 本发明公开了基于标签传播的元数据自动化打标方法及系统，属于数据治理中的智能标签领域，本发明要解决的技术问题为数据治理元数据打标任务中，元数据和标签库数据量较大，出现的元数据维护难度大且打标任务重，采用的技术方案为：该方法是对元数据信息通过多层数据转换生成元数据特征集合，并支持扩充至元数据标签库；再通过余弦相似度算法得到元数据初步打标数据，为标签传播提供数据基础，并通过改造后的标签传播算法支持一个节点多个标签的传播方式完成对元数据的自动打标。该系统包括数据转换模块、初步打标模块及标签传播模块。数据转换模块，用于对元数据信息的英译汉转换、分词、去掉停用词及同义词转换。

摘要： 本发明提供了一种基于跨域标签传播的数据处理方法及系统、设备及介质，应用于参与端的数据处理方法包括如下步骤：接收需求方发送的样本数据的标签值密文，根据标签值密文，更新图数据库中与样本数据对应的样本节点的初始标签值；根据图数据库中节点之间的关系权重以及标签值，对样本节点进行标签值传播处理，以获得与样本节点相邻的目标节点的标签值。本发明的基于跨域标签传播的数据处理方法及系统、设备及介质在数据合规且不泄露任何一方数据的前提下，结合同态加密技术及隐私集合求交技术，在对标签和图信息双重隐私保护的前提下实现基于安全图计算的跨域标签传播，兼顾了大数据融合处理的准确性和安全性，具有广泛的应用价值。

摘要： 本发明公开了基于多项正则化约束的伪标签传播优化时间序列聚类方法，涉及工程应用与信息科学的交叉领域，该方法包括：采用动态优化的伪邻接矩阵作为时间序列之间的传播信息，并使其与真实邻接矩阵差异最小化；利用动态优化的伪标签分类器作为时间序列划分依据，并使其与伪邻接矩阵相结合得到与伪标签矩阵的差异最小化；利用正则化的伪邻接矩阵与伪标签分类器的动态优化学习作为约束条件，指导伪标签传播优化，并建立多目标优化函数，利用梯度下降策略使其快速收敛到最优解，实现时间序列聚类目的。本申请利用正则化约束为伪标签传播优化提供了有效信息，得到更好的时间序列聚类结果，充分利用了时间序列之间的相关性，提高了聚类精度与效率。