[發明專利]一種非負矩陣社區發現方法及電影社區發現方法

有效

• 申請號: 202010134409.8
• 申請日: 2020-03-02
• 公開（公告）號: CN111400652B
• 公開（公告）日: 2023-06-13
• 發明（設計）人: 徐慧;趙瑩瑩;曹金鑫;鞠小林;周成
• 申請（專利權）人: 南通大學
• 主分類號: G06F17/16
• 分類號: G06F17/16;G06Q50/00
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 朱小兵

本發明提供了一種非負矩陣社區發現方法及電影社區發現方法，包括如下步驟S11數據收集與計算，形成相似度矩陣X和L；S12將X進行非負矩陣分解，X≈UV；S13構造含有L的目標函數O；以及S14基于目標函數，得到非負矩陣分解的迭代公式，進行迭代，完成社區劃分。本發明的一種非負矩陣社區發現方法及電影社區發現方法，將雙屬性的非負矩陣分解應用于社區發現，提高了社區分解模塊的精確性。

技術領域

本發明涉及數據挖掘技術領域，具體涉及一種非負矩陣社區發現方法及電影社區發現方法。

背景技術

社交網絡作為信息傳遞的主要載具，其涵蓋的信息量對于當今社會具有重要的研究意義，從個體到群體，從小世界到大社會，現實生活中總存在隱含的聯系將人們鏈接起來。很多實際網絡中的節點具有聚集化特性——“社區結構”。網絡中社區發現的研究已經取得很多研究成果，可以大體將社區發現方法分為圖切割方法、目標函數優化方法、聚類方法和啟發式方法等。社區發現常用于分析社會群體之間的結構特征。隨著信息化技術的發展，信息系統中保存著大量用戶的信息特征，用戶與用戶之間也存在著某種關聯性。用戶的特征具有多維度，且多關聯性。社區發現能幫助人們更有效地了解網絡的結構特征，從而提供更有效、更具個性化的服務。

非負矩陣分解(nonnegative?matrix?factorization，NMF)機器學習中的一種特征提取和降維的方法，近年來被用于社區發現。NMF是指將一個高維(m╳n)的非負矩陣X分解為兩個低維的非負矩陣U(m╳k)和V(k╳n)，使X≈UV。非負矩陣分解在提取高維數據中隱含模式和結構方面具有良好性能，對于非負矩陣分解的改進，多在分解方法上，如正交非負矩陣分解法、凸非負矩陣的對應分解方法、投影非負矩陣的對應分解方法。利用NFM的性能，基于NMF的社區發現，成為研究內容。例：基于鄰接矩陣方法、基本物理過程方法、基于節點共有鄰居方法、基于最短路徑方法等。

發明內容

為了解決上述問題，本發明提供一種非負矩陣社區發現方法及電影社區發現方法，將雙屬性的非負矩陣分解應用于社區發現，提高了社區分解模塊的精確性。

為了實現以上目的，本發明采取的一種技術方案是：

一種非負矩陣社區發現方法，包括如下步驟：S11數據收集與計算，形成相似度矩陣X和L；S12將X進行非負矩陣分解，X≈UV；S13構造含有L的目標函數O；以及S14基于目標函數，得到非負矩陣分解的迭代公式，進行迭代，完成社區劃分。

進一步地，所述步驟S11用鄰接表表示實體集及其第一組屬性；用第一距離計算方法，計算基于這組屬性的實體間的距離，形成相似度矩陣X；用所述實體集的第二組屬性，用第二距離計算方法，形成相似度矩陣L。

進一步地，所述第一組屬性與所述第二組屬性有交集。

進一步地，所述第一距離計算方法與所述第二距離計算方法相同。

進一步地，所述步驟S13含有L的目標函數

O＝||X-UV^T||²+λTr(V^TLV)

其中，U和V的矩陣大小分別為m╳k以及k╳n；λ是平滑度，λ值在(0，1]區間；Tr(V^TLV)是矩陣的跡；k社區數，初值kmin(m,n)，在迭代過程中對沒有意義的分量進行移除，對k進行不斷的修正，最終由結果定。

進一步地，所述步驟S14非負矩陣分解的迭代公式

每迭代一次，計算目標函數O，當O不再變化時，迭代結束。