广东工业大学学报 ›› 2018, Vol. 35 ›› Issue (02): 46-50.doi: 10.12052/gdutxb.170146

• • 上一篇    下一篇

并行最小割算法及其在金融社交网络中的应用

饶东宁1, 王军星1, 魏来2, 王雅丽3   

  1. 1. 广东工业大学 计算机学院, 广东 广州 510006;
    2. 香港大学 经济与金融学院, 中国 香港 999077;
    3. 华南师范大学 经济与管理学院, 广东 广州 510631
  • 收稿日期:2017-10-16 出版日期:2018-03-09 发布日期:2018-03-13
  • 通信作者: 王军星(1995-),男,硕士研究生,主要研究方向为金融智能.E-mail:moenokiseki@foxmail.com E-mail:moenokiseki@foxmail.com
  • 作者简介:饶东宁(1977-),男,副教授,博士,主要研究方向为金融智能、智能规划.
  • 基金资助:
    中央高校基本科研业务费专项资金资助项目（21615438）；广东省自然科学基金资助项目（2016A030313084，2016A030313700，2014A030313374）；广东省科技计划项目（2015B010128007）

Parallel Minimal Cut Set Algorithm and Its Application in Financial Social Networks

Rao Dong-ning1, Wang Jun-xing1, Wei lai2, Wang Ya-li3   

  1. 1. School of Computers, Guangdong University of Technology, Guangzhou 510006, China;
    2. School of Economics and Finance, The University of Hong Kong, Hong Kong 999077, China;
    3. School of Economics and Management, South China Normal University, Guangzhou 510631, China
  • Received:2017-10-16 Online:2018-03-09 Published:2018-03-13
  • Supported by:
     

HTML

PDF (PC)

2763

摘要： 有效实施金融监管已成为金融健康发展的必要保证. 若能够在金融社交网络中，找到一部分承载网络中所有信息流动的关键节点，便能实现整个金融社交网络的有效监管. 金融社交网络图规模通常较大，须开发大规模图处理并行算法. 本文提出基于分布式图处理平台Pregel的并行最小割算法. 实验基于Apache Spark平台开展，所用数据均来自BoardEx数据库. 实验结果表明，在大规模社交网络图的处理中，该算法具有良好性能. 利用该并行算法得到金融社交网络图的最小割，便可有效实施金融监管.

关键词: 大数据, 社交网络, 并行算法, 最小割, Apache Spark

Abstract: Effective financial supervision has become a necessary guarantee for sound development of economy. Supervising the whole financial social network effectively would become possible if a set of key nodes which carry all the information flow in the financial social network can be found. The scale of social network is often quite large, so parallel algorithms for large-scale graph processing are necessary. A Pregel-based parallel algorithm for the minimal cut set problem is proposed. The experiment is conducted on Apache Spark platform. All data used in the experiment is from the BoardEx database. Experiment results show that the algorithm has a good performance in large-scale social network graph processing. With this parallel algorithm, minimal cut sets of financial social network graphs can be obtained so that effective financial supervision can be implemented.

Key words: Big data, social network, parallel algorithm, minimal cut set, Apache Spark

中图分类号: 

  • TP182
[1] 谢光强, 许浩然, 李杨, 陈广福. 基于多智能体强化学习的社交网络舆情增强一致性方法[J]. 广东工业大学学报, 2022, 39(06): 36-43.
[2] 饶东宁, 林卓毅, 魏来. n-度中心度与k-压力中心度及其并行算法[J]. 广东工业大学学报, 2020, 37(03): 36-41.
[3] 刘洪伟, 梁周扬, 左妹华, 陆丹, 范梦婷, 何锐超. 利用消费者浏览行为识别品牌竞争关系研究[J]. 广东工业大学学报, 2019, 36(05): 1-6,13.
[4] 黄健文, 朱雪梅, 徐莹, 熊璐, 张伟国. 基于多源大数据的岭南地区老旧小区空间形态量化研究[J]. 广东工业大学学报, 2019, 36(04): 70-79.
[5] 白颉, 姚家进, 张茂军, 李桥兴. 金融大数据中条件非相关波动模型的单纯形搜索算法[J]. 广东工业大学学报, 2018, 35(05): 26-30.
[6] 彭嘉恩, 邓秀勤, 刘太亨, 刘富春, 李文洲. 融合社交和标签信息的隐语义模型推荐算法[J]. 广东工业大学学报, 2018, 35(04): 45-50.
[7] 孙为军, 谢胜利, 汪谷银, 刁俊武, 阮航. 智能工厂工业大数据云平台的设计与实现[J]. 广东工业大学学报, 2018, 35(03): 67-71.
[8] 李卫华, 李志猛. 基于大数据运输集团生产运营决策系统的构建及应用[J]. 广东工业大学学报, 2018, 35(03): 113-118.
[9] 谢振东, 吴金成, 李之明, 伍冠桦. 企业大数据能力的构建与培育研究[J]. 广东工业大学学报, 2017, 34(03): 110-114.
[10] 饶东宁, 温远丽, 魏来, 王雅丽. 基于Spark平台的社交网络在不同文化环境中的中心度加权算法[J]. 广东工业大学学报, 2017, 34(03): 15-20.
[11] 刘冬宁, 卢明俊, 黄宝莹, 梁路. 先序约束下的群组角色指派及其优化[J]. 广东工业大学学报, 2017, 34(03): 21-29.
[12] 毛莉娜, 李卫华. 用信息流和知网构建大数据语义共享通道研究[J]. 广东工业大学学报, 2017, 34(03): 30-35.
[13] 王晓彤. 基于PageRank的微博用户影响力度量[J]. 广东工业大学学报, 2016, 33(03): 49-54.
[14] 杜汉昌, 丁磊, 冯永晋. 面向零售业的大数据商业智能系统研究[J]. 广东工业大学学报, 2014, 31(4): 41-45.
[15] 李桥兴, 强保华, 杨春燕. 大数据基元的HBase数据库存储模型与实现[J]. 广东工业大学学报, 2014, 31(3): 8-13.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
No Suggested Reading articles found!
版权所有 © 2017 《广东工业大学学报》编辑部
地址：广州市东风东路729号广东工业大学 邮编：510090
电话：020-37626653,020-37626139,020-37626396
邮箱：xbzrb@gdut.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发