[發(fā)明專利]基于深度自編碼器的復(fù)雜網(wǎng)絡(luò)節(jié)點影響力最大化方法

在審

• 申請?zhí)枺?/td>: 201810193048.7
• 申請日: 2018-03-09
• 公開（公告）號: CN108510059A
• 公開（公告）日: 2018-09-07
• 發(fā)明（設(shè)計）人: 公茂果;王善峰;張?zhí)鞓?/a>;毛貽順;楊月磊;牛旭東;武越
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 程曉霞;王品華

1.一種基于深度自編碼器的復(fù)雜網(wǎng)絡(luò)節(jié)點影響力最大化方法，其特征在于，包括有如下步驟：

(1)構(gòu)建復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)：將真實世界的復(fù)雜網(wǎng)絡(luò)抽象成拓?fù)鋱DG＝(V,E)，其中，G表示一個拓?fù)鋱D，V＝{v₁,v₂,…,v_|V|}表示網(wǎng)絡(luò)中節(jié)點的集合，|V|表示網(wǎng)絡(luò)中的節(jié)點數(shù)目，E＝{e_ij|v_i,v_j∈E}表示網(wǎng)絡(luò)中邊的集合；

(2)確定復(fù)雜網(wǎng)絡(luò)各節(jié)點的初始影響力：使用權(quán)重級聯(lián)傳播模型定義拓?fù)鋱DG各節(jié)點的初始影響力；

(3)估計兩層范圍內(nèi)影響力傳播值：在權(quán)重級聯(lián)傳播模型下，應(yīng)用LIE方程得到拓?fù)鋱DG復(fù)雜網(wǎng)絡(luò)中各節(jié)點的兩層范圍內(nèi)影響力傳播范圍估計值，兩層范圍內(nèi)影響力傳播估計值由初始激活節(jié)點數(shù)σ₀(S)，第一層影響力估計值σ₁(S)，第二層影響力估計值σ₂(S)之和構(gòu)成；

(4)構(gòu)建復(fù)雜網(wǎng)絡(luò)影響力近似矩陣：根據(jù)拓?fù)鋱DG復(fù)雜網(wǎng)絡(luò)中各節(jié)點的兩層范圍內(nèi)影響力傳播范圍估計值，構(gòu)建影響力近似矩陣M：

M＝[m_ij]_|V|×|V|

其中，m_ij為復(fù)雜網(wǎng)絡(luò)中單個節(jié)點的兩層影響力傳播范圍估計值，

S＝{v_i∪v_j|v_i,v_j∈V}，M為|V|×|V|大小的矩陣；

(5)構(gòu)建編解碼模型：編解碼模型由編碼器和解碼器構(gòu)成，具有層次結(jié)構(gòu)，每一層是由多個神經(jīng)元構(gòu)成，各個層之間的神經(jīng)元相互連接，解碼器和編碼器為全連接對稱結(jié)構(gòu)，并定義編解碼模型的目標(biāo)函數(shù)，經(jīng)過逐層貪心訓(xùn)練，訓(xùn)練完成后，編碼器的最后一層神經(jīng)元和解碼器的第一層神經(jīng)元視為復(fù)雜網(wǎng)絡(luò)的影響力特征；

(6)訓(xùn)練編解碼模型，優(yōu)化編解碼模型的目標(biāo)函數(shù)，得到復(fù)雜網(wǎng)絡(luò)各節(jié)點的影響力特征：將影響力近似矩陣輸入到編解碼模型中，使用Adadelta算法優(yōu)化編解碼模型的目標(biāo)函數(shù)，使得影響力近似矩陣中的每一個元素x_i與經(jīng)過解碼器解碼的x_i′的差距盡量小，最終得到一個n×m的網(wǎng)絡(luò)影響力特征矩陣，n表示網(wǎng)絡(luò)中的節(jié)點個數(shù)，m表示單個節(jié)點的影響力特征維數(shù)；

(7)選取拓?fù)鋱DG復(fù)雜網(wǎng)絡(luò)的影響力節(jié)點集合：從m維特征中，根據(jù)其數(shù)值大小，選擇復(fù)雜網(wǎng)絡(luò)中最具有影響力的前k個節(jié)點，該前k個節(jié)點集合使得在權(quán)重級聯(lián)傳播模型下，網(wǎng)絡(luò)的影響力傳播范圍達到最大，完成基于深度自編碼器的復(fù)雜網(wǎng)絡(luò)節(jié)點影響力最大化。

2.根據(jù)權(quán)利要求1所述的基于深度自編碼器的復(fù)雜網(wǎng)絡(luò)節(jié)點影響力最大化方法，其特征在于，步驟3中所述的得到兩層范圍內(nèi)影響力傳播估計值，即初始激活節(jié)點數(shù)σ₀(S)，第一層影響力估計值σ₁(S)，第二層影響力估計值σ₂(S)之和，由以下公式計算：

其中，為節(jié)點v的鄰居節(jié)點集合，S表示節(jié)點集合，k表示節(jié)點的個數(shù)，表示集合S中所有節(jié)點的鄰居節(jié)點，表示集合S在兩層影響力傳播范圍內(nèi)的節(jié)點集合。

3.根據(jù)權(quán)利要求1所述的基于深度自編碼器的復(fù)雜網(wǎng)絡(luò)節(jié)點影響力最大化方法，其特征在于，步驟5中所述的構(gòu)建編解碼模型，具體包括如下步驟：

(5a)構(gòu)造編碼器：使用ReLu函數(shù)f(x)＝max(0,x)作為編碼器的激活函數(shù)，將影響力近似矩陣M輸入到編碼器方程中，以單個元素x_i，為例，計算獲得節(jié)點影響力的深層特征z，方法如下：

z＝f(Wx_i+b)

其中，W和b分別為編碼器中的權(quán)重和偏置；

(5b)構(gòu)造解碼器：使用ReLu函數(shù)f(x)＝max(0,x)作為解碼器的激活函數(shù)，將5a)中獲得的節(jié)點影響力深層特征z輸入到解碼器，通過激活函數(shù)獲得重構(gòu)的影響力近似矩陣中的元素x_i′：

x_i′＝f(W′z+b′)

其中，W′和b′分別為解碼器中的權(quán)重和偏置；

(5c)對編解碼模型進行逐層貪心訓(xùn)練，訓(xùn)練完成后，得到編解碼模型，其中編碼器的最后一層神經(jīng)元和解碼器的第一層神經(jīng)元視為拓?fù)鋱D復(fù)雜網(wǎng)絡(luò)的影響力特征。