[發(fā)明專利]隨機(jī)塊模型的訓(xùn)練方法、裝置及終端設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 201810058077.2
• 申請(qǐng)日: 2018-01-22
• 公開（公告）號(hào): CN108256582A
• 公開（公告）日: 2018-07-06
• 發(fā)明（設(shè)計(jì)）人: 趙學(xué)華;譚旭;陳慧靈;唐飛;詹峰;李永紅;孫沖武;徐龍琴
• 申請(qǐng)（專利權(quán)）人: 深圳信息職業(yè)技術(shù)學(xué)院
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 深圳中一專利商標(biāo)事務(wù)所 44237
• 代理人: 官建紅

本發(fā)明適用于網(wǎng)絡(luò)技術(shù)領(lǐng)域，提供了隨機(jī)塊模型的訓(xùn)練方法、裝置、終端設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，包括：獲取網(wǎng)絡(luò)的鄰接矩陣，并根據(jù)所述網(wǎng)絡(luò)中節(jié)點(diǎn)的總數(shù)初始化隨機(jī)塊模型；將所述隨機(jī)塊模型與所述鄰接矩陣擬合，并對(duì)所述隨機(jī)塊模型進(jìn)行參數(shù)估計(jì)；對(duì)所述隨機(jī)塊模型進(jìn)行優(yōu)化，并計(jì)算優(yōu)化后的所述隨機(jī)塊模型的模型成本值；若所述模型成本值小于預(yù)設(shè)的模型成本閾值，則將優(yōu)化后的所述隨機(jī)塊模型作為最優(yōu)模型進(jìn)行輸出；若所述模型成本值大于或等于所述模型成本閾值，則執(zhí)行所述將所述隨機(jī)塊模型與所述鄰接矩陣擬合，并對(duì)所述隨機(jī)塊模型進(jìn)行參數(shù)估計(jì)的操作。本發(fā)明實(shí)現(xiàn)了隨機(jī)塊模型的參數(shù)估計(jì)與模型選擇的并行計(jì)算，有效地降低了訓(xùn)練的時(shí)間復(fù)雜度。

技術(shù)領(lǐng)域

本發(fā)明屬于網(wǎng)絡(luò)技術(shù)技術(shù)領(lǐng)域，尤其涉及隨機(jī)塊模型的訓(xùn)練方法、裝置、終端設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

在機(jī)器學(xué)習(xí)、社會(huì)網(wǎng)絡(luò)分析和網(wǎng)絡(luò)數(shù)據(jù)挖掘等領(lǐng)域，必不可少的是對(duì)網(wǎng)絡(luò)進(jìn)行分析處理的模型，而隨機(jī)塊模型(Stochastic Block Model，SBM)自1981年提出以來，便因?yàn)槠涮赜械臏?zhǔn)確性和優(yōu)越性，成為一類重要的網(wǎng)絡(luò)分析模型，一直屬于熱門研究方向。由于隨機(jī)塊模型的特性，其作為網(wǎng)絡(luò)生成模型可產(chǎn)生具有不同拓?fù)浣Y(jié)構(gòu)的人工網(wǎng)絡(luò)，而將其作為預(yù)測模型，可利用通過隨機(jī)塊模型學(xué)習(xí)得到的參數(shù)值對(duì)不具有先驗(yàn)結(jié)構(gòu)知識(shí)的網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)分析。

隨機(jī)塊模型雖然在網(wǎng)絡(luò)分析方面性能優(yōu)秀，但當(dāng)利用隨機(jī)塊模型分析沒有任何先驗(yàn)結(jié)構(gòu)知識(shí)的社交網(wǎng)絡(luò)時(shí)，需要隨機(jī)塊模型具備模型選擇能力。現(xiàn)有的模型選擇方法主要有交叉驗(yàn)證法、基于貝葉斯的模型選擇方法和基于信息編碼理論的最小描述長度準(zhǔn)則等方法，但上述的方法都屬于串行方法，應(yīng)用在隨機(jī)塊模型中進(jìn)行訓(xùn)練時(shí)，需要從候選模型空間中依次選擇模型進(jìn)行訓(xùn)練，直到所有候選模型都訓(xùn)練完畢，才能根據(jù)所有候選模型的評(píng)價(jià)結(jié)果挑選出最優(yōu)模型，故現(xiàn)有的隨機(jī)塊模型的訓(xùn)練方法訓(xùn)練效率低，時(shí)間復(fù)雜度高，并且無法處理大規(guī)模網(wǎng)絡(luò)。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實(shí)施例提供了隨機(jī)塊模型的訓(xùn)練方法、裝置、終端設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，以解決現(xiàn)有技術(shù)中，通過現(xiàn)有的模型選擇方法進(jìn)行訓(xùn)練時(shí)，隨機(jī)塊模型的訓(xùn)練效率低，時(shí)間復(fù)雜度高且只能處理小規(guī)模網(wǎng)絡(luò)的問題。

本發(fā)明實(shí)施例的第一方面提供了一種隨機(jī)塊模型的訓(xùn)練方法，包括：

獲取網(wǎng)絡(luò)的鄰接矩陣，并根據(jù)所述網(wǎng)絡(luò)中節(jié)點(diǎn)的總數(shù)初始化隨機(jī)塊模型；

將所述隨機(jī)塊模型與所述鄰接矩陣擬合，并對(duì)所述隨機(jī)塊模型進(jìn)行參數(shù)估計(jì)；

根據(jù)參數(shù)估計(jì)的結(jié)果對(duì)所述隨機(jī)塊模型進(jìn)行優(yōu)化，并計(jì)算優(yōu)化后的所述隨機(jī)塊模型的模型成本值；

若所述模型成本值小于預(yù)設(shè)的模型成本閾值，則將優(yōu)化后的所述隨機(jī)塊模型作為最優(yōu)模型進(jìn)行輸出；

若所述模型成本值大于或等于所述模型成本閾值，則執(zhí)行所述將所述隨機(jī)塊模型與所述鄰接矩陣擬合，并對(duì)所述隨機(jī)塊模型進(jìn)行參數(shù)估計(jì)的操作。

本發(fā)明實(shí)施例的第二方面提供了一種隨機(jī)塊模型的訓(xùn)練裝置，包括：

初始化單元，用于獲取網(wǎng)絡(luò)的鄰接矩陣，并根據(jù)所述網(wǎng)絡(luò)中節(jié)點(diǎn)的總數(shù)初始化隨機(jī)塊模型；

參數(shù)估計(jì)單元，用于將所述隨機(jī)塊模型與所述鄰接矩陣擬合，并對(duì)所述隨機(jī)塊模型進(jìn)行參數(shù)估計(jì)；

優(yōu)化單元，用于根據(jù)參數(shù)估計(jì)的結(jié)果對(duì)所述隨機(jī)塊模型進(jìn)行優(yōu)化，并計(jì)算優(yōu)化后的所述隨機(jī)塊模型的模型成本值；

輸出單元，用于若所述模型成本值小于預(yù)設(shè)的模型成本閾值，則將優(yōu)化后的所述隨機(jī)塊模型作為最優(yōu)模型進(jìn)行輸出；

執(zhí)行單元，用于若所述模型成本值大于或等于所述模型成本閾值，則執(zhí)行所述將所述隨機(jī)塊模型與所述鄰接矩陣擬合，并對(duì)所述隨機(jī)塊模型進(jìn)行參數(shù)估計(jì)的操作。