[發明專利]一種基于生成模型的無標度屬性網絡中的社團檢測方法

在審

• 申請號: 201910817986.4
• 申請日: 2019-08-30
• 公開（公告）號: CN110569897A
• 公開（公告）日: 2019-12-13
• 發明（設計）人: 朱瑩瑩;戴維迪;焦鵬飛
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/18;G06Q50/00
• 代理公司: 12201 天津市北洋有限責任專利代理事務所
• 代理人: 程小艷

1.一種基于生成模型的無標度屬性網絡中的社團檢測方法，其特征在于，該方法包括如下步驟：

S1：屬性網絡的定義：

(1)將具有N個節點和M個屬性的屬性網絡G定義為一個N×N維的鄰接矩陣A和N×M的屬性矩陣X；

(2)鄰接矩陣A中a_ij＝1表示節點v_i和v_j之間有連邊，a_ij＝0表示v_i和v_j之間沒有連邊；

屬性矩陣X中x_it＝1表示節點v_i具有第t個屬性w_t；

S2：聯合貝葉斯生成模型：

(1)模型參數的定義：模型主要包括三種類型的變量：觀測變量、潛在變量和模型參數；

觀測變量：社團數目K,節點數目N,屬性數目M,鄰接矩陣A和屬性矩陣X；

潛在變量：社團標簽z，主題標簽g,度衰減變量δ；

模型參數：π＝(π_r)_1×N,π_r表示社團r中的節點所占的比例；

B＝b_rr′)_K×K，b_rr′表示社團r中的節點v_i和社團r′中的節點v_j連接的概率；η＝(η_rs)_K×K，η_ks是節點v_i屬于第r個社團，主題是s的概率；θ＝(θ_st)_K×M，θ_st是主題s生成屬性w_t的概率；

(2)模型定義：聯合貝葉斯概率生成模型同時處理網絡的結構和節點的屬性；

a)為了建模網絡的結構，經典的隨機塊模型中節點v_i和節點v_j連接的概率是考慮到網絡中節點的無標度特性，對每一個節點v_i引入了度衰減變量δ_i，用來表示節點v_i和節點v_j連接的概率；

b)定義參數η＝(η_rs)_K×K，模型中節點可以劃分為K個網絡社團和K個屬性社團，并且網絡社團和屬性社團并不一定是對齊的；

η_r代表了社團r的主題分布；

c)為了生成網絡中節點的屬性，當我們獲得節點v_i的主題標簽g_i之后，利用θ_s來生成節點的每一個屬性；

(3)模型的生成過程；

a)對于每一個節點v_i，i∈{1,2…N}；

i.從以π為參數的狄利克雷分布中生成每個節點的社團標簽z_i；

ii.度衰減參數δ_i～Exp(λ)；

iii.從以為參數的多項分布中生成每個屬性的主題標簽g_i；

iv.對于每一個節點v_j,并且v_i≠v_j；

從以為參數的伯努利分布中生成邊a_ij；

b)對于每個屬性w_t并且x_it＝1；

i.從以為參數的多項分布中生成屬性w_t；

S3:模型的優化過程：使用變分EM算法和平均場理論。

2.根據權利要求1所述的一種基于生成模型的無標度屬性網絡中的社團檢測方法，其特征在于，所述步驟S3具體：

(1)變分E步驟：最大化邊緣概率分布：

最小化參數的概率分布與真實的后驗分布之間的KL散度；

通過利用杰森不等式和泰勒優化公式得到似然函數的一個下界；

轉化為最大化這個下界(ELBO)；

(2)M步：優化模型參數π,λ,B,θ,η；

步驟S1在構造屬性網絡時，對于獲得的數據，需要根據實體之間的關系構造出網絡，同時利用對實體的描述信息，需要抽取出每個實體的屬性，構造節點-屬性矩陣。