[發明專利]基于卷積神經網絡和自編碼器的社區發現方法

在審

• 申請號: 202010056692.7
• 申請日: 2020-01-17
• 公開（公告）號: CN111292197A
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 吳伶;陳志華;張岐山
• 申請（專利權）人: 福州大學
• 主分類號: G06Q50/00
• 分類號: G06Q50/00;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 陳明鑫;蔡學俊

1.一種基于卷積神經網絡和自編碼器的社區發現方法，其特征在于，通過網絡空間結構重構策略對鄰接矩陣進行重構得到空間鄰近矩陣，構建基于卷積神經網絡的網絡空間特征學習模型，學習網絡的空間拓撲特征得到網絡空間特征向量，最后，在網絡空間特征向量基礎上進行社區發現。

2.根據權利要求1所述的基于卷積神經網絡和自編碼器的社區發現方法，其特征在于，所述通過網絡空間結構重構策略對鄰接矩陣進行重構得到空間鄰近矩陣的具體過程如下：

1)意見領袖選?。簩⒕W絡拓撲結構變換獲得網絡的鄰接矩陣，基于鄰接矩陣分析網絡拓撲結構，找出群體中最具影響力的意見領袖節點；

根據數據集的網絡空間結構中節點之間是否存在連接來建構鄰接矩陣A，E為網絡空間結構中節點之間連接的邊的集合；若節點i與節點j之間存在連接e_i,j的話，則變量a_i,j為1；若節點i與節點j之間不存在連接e_i,j的話，變量a_i,j為0，鄰接矩陣變換方法見公式(1)：

根據鄰接矩陣A，建構節點和節點之間的轉態概率矩陣C；若節點對其他節點的連接數越多時，則每個連接的轉態概率越低；若節點對其他節點的連接數越少時，則每個連接的轉態概率越高；也就是若節點i只連接到節點j，并且再無連接到其他節點，則節點j對節點i來說是重要的節點，故轉態概率c_i,j的值越大，轉態概率矩陣C的計算見公式(2)：

在初始階段，將為每一個節點的影響力分數設置為1，節點影響力分數矩陣定義為S，S矩陣及其初始化見公式(3)；再根據轉態概率矩陣C計算節點影響力分數矩陣的極限化矩陣，節點影響力分數極限化矩陣為S^*，S^*的計算見公式(4)；最后，再根據節點影響力分數極限化矩陣，找出影響力分數最高的節點i，即意見領袖節點i_leader，其計算見公式(5)：

s＝[s₁ s₂ … s_n]，其中，初始值s_i＝1 (3)

2)鄰近節點選取：當找出意見領袖節點后，找出與意見領袖高度鄰近的節點，以便根據節點間的非直連鄰近性來重構數據集的網絡空間結構；

當找出的意見節點i，采用歐式距離r(i,j)來計算節點i和節點j之間的非直連接近性，計算公式見(6)；計算和比較節點i和其他節點的距離后，取得與節點i距離最短的節點j，即獲得與意見領袖節點i_leader最近鄰節點j_neighbor，計算公式見(7)；

3)矩陣變換：根據找出的與意見領袖節點i_leader最近鄰節點j_neighbor，以意見領袖節點i_leader為重構的鄰接矩陣的第一列，最近鄰節點j_neighbor為第二列；若最近鄰節點超過一個時，則重復步驟1)從剩余未變換列位置的節點中選取意見領袖節點，而后重復2)-3)的過程；循環往復，以此重構鄰接矩陣X'，X'的計算見公式(8)：

3.根據權利要求2所述的基于卷積神經網絡和自編碼器的社區發現方法，其特征在于，所述構建基于卷積神經網絡的網絡空間特征學習模型，學習網絡的空間拓撲特征得到網絡空間特征向量的具體過程如下：構建卷積神經網絡和自編碼器的組合模型，即網絡空間特征學習模型，其神經網絡包括具有n個神經元的輸入層、具有q個神經元的卷積層、具有n個神經元的輸出層；而后，將重構鄰接矩陣X'分為n個1*n的數據作為網絡空間特征學習模型的神經網絡的輸入，得到網絡空間特征向量。

4.根據權利要求1所述的基于卷積神經網絡和自編碼器的社區發現方法，其特征在于，在網絡空間特征向量基礎上進行社區發現采用的算法為K-means算法，通過K-means算法對網絡空間特征向量進行分群，即可實現社區發現，探測社區結構。

5.根據權利要求1所述的基于卷積神經網絡和自編碼器的社區發現方法，其特征在于，該方法應用于分析社交網絡。