[發明專利]一種基于深度學習的加權網絡社區發現方法及裝置

有效

• 申請號: 202010133626.5
• 申請日: 2020-02-28
• 公開（公告）號: CN111371611B
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 蔣來源;李樹棟;吳曉波;韓偉紅;方濱興;田志宏;殷麗華;顧釗銓;仇晶;王樂;李默涵;唐可可
• 申請（專利權）人: 廣州大學
• 主分類號: H04L12/24
• 分類號: H04L12/24;G06K9/62;G06N3/08;G06N3/04
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郭浩輝;麥小嬋

本發明公開了一種基于深度學習的加權網絡社區發現方法及裝置。所述方法包括：對給定的加權網絡圖進行預處理，得到二階鄰相似度矩陣；通過深度稀疏自編碼器提取所述二階鄰相似度矩陣的低維特征，得到低維特征矩陣；根據聚類算法對所述低維特征矩陣進行聚類，得到社區發現結果。本發明能夠綜合考慮節點與鄰居節點，及與鄰居節點的鄰居節點之間的聯系，提高社區發現的準確度。

技術領域

本發明涉及社區發現技術領域，尤其涉及一種基于深度學習的加權網絡社區發現方法及裝置。

背景技術

復雜網絡是由大量節點以及節點之間錯綜復雜的關系共同構成的網絡結構，除了小世界和無標度等特性外，復雜網絡還呈現出明顯的社區結構。給定一個網絡，社區發現根據網絡中節點間的相互關系，將所有節點聚合成一系列子結構，即社區。與不同社區間節點之間的連接關系相比，同一社區內的節點之問通常具有較強的連接關系。目前，主流的社區發現方法大都是針對無權網絡，可分為基于圖分割的方法(Kernighan-Liu算法)，基于層次聚類的算法(GN，FN)，基于標簽傳播的方法(LPA)，基于相似度聚類的算法(K-Means)。由于無權網絡尚不足以反映現實世界中大量對象之間的聯系，且現有的社區發現方法僅考慮節點與鄰居節點之間的聯系，忽略節點與鄰居節點的鄰居節點之間的聯系，難以提高社區發現的準確度。

發明內容

本發明提供一種基于深度學習的加權網絡社區發現方法及裝置，以克服現有技術的缺陷，本發明能夠綜合考慮節點與鄰居節點，及與鄰居節點的鄰居節點之間的聯系，提高社區發現的準確度。

為了解決上述技術問題，本發明一實施例提供一種基于深度學習的加權網絡社區發現方法，包括：

對給定的加權網絡圖進行預處理，得到二階鄰相似度矩陣；

通過深度稀疏自編碼器提取所述二階鄰相似度矩陣的低維特征，得到低維特征矩陣；

根據聚類算法對所述低維特征矩陣進行聚類，得到社區發現結果。

進一步地，所述對給定的加權網絡圖進行預處理，得到二階鄰相似度矩陣，具體為：

分析所述加權網絡圖中節點間的聯系，獲取加權鄰接矩陣和無權鄰接矩陣；

根據所述加權鄰接矩陣和所述無權鄰接矩陣，得到所述二階鄰相似度矩陣。

進一步地，在所述對給定的加權網絡圖進行預處理，得到二階鄰相似度矩陣之后，在所述通過深度稀疏自編碼器提取所述二階鄰相似度矩陣的低維特征，得到低維特征矩陣之前，還包括：

訓練所述深度稀疏自編碼器。

進一步地，所述訓練所述深層稀疏自編碼器，具體為：

分析所述加權網絡圖中節點間的聯系，獲取加權鄰接矩陣和無權鄰接矩陣；

根據所述加權鄰接矩陣和所述無權鄰接矩陣，得到模塊度矩陣和無權二階鄰鄰接矩陣；

使用所述二階鄰相似度矩陣、所述模塊度矩陣和所述無權二階鄰鄰接矩陣訓練所述深度稀疏自編碼器。

進一步地，所述聚類算法包括K-means聚類算法。

本發明另一實施例提供一種基于深度學習的加權網絡社區發現裝置，包括：

預處理模塊，用于對給定的加權網絡圖進行預處理，得到二階鄰相似度矩陣；

特征提取模塊，用于通過深度稀疏自編碼器提取所述二階鄰相似度矩陣的低維特征，得到低維特征矩陣；

聚類模塊，用于根據聚類算法對所述低維特征矩陣進行聚類，得到社區發現結果。

進一步地，所述對給定的加權網絡圖進行預處理，得到二階鄰相似度矩陣，具體為：