[發(fā)明專利]基于向量壓縮與重構(gòu)的社交網(wǎng)絡(luò)特征動(dòng)態(tài)提取方法

在審

• 申請?zhí)枺?/td>: 202010873148.1
• 申請日: 2020-08-26
• 公開（公告）號: CN112052940A
• 公開（公告）日: 2020-12-08
• 發(fā)明（設(shè)計(jì)）人: 張琛;李春奕;魚濱;謝宇;樊一鳴;徐鑫航
• 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;G06K9/46;G06K9/62;G06Q50/00
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 田文英;王品華

1.一種基于向量壓縮與重構(gòu)的社交網(wǎng)絡(luò)特征動(dòng)態(tài)提取方法，其特征在于，將由時(shí)間快照生成的訓(xùn)練集輸入到深度半監(jiān)督自編碼器網(wǎng)絡(luò)中進(jìn)行向量壓縮，根據(jù)最大最小化訓(xùn)練準(zhǔn)則交替優(yōu)化生成對抗網(wǎng)絡(luò)，在生成器中提取社交網(wǎng)絡(luò)特征，構(gòu)建生成對抗網(wǎng)絡(luò)對社交網(wǎng)絡(luò)進(jìn)行特征向量重構(gòu)；該方法的步驟包括如下：

(1)生成訓(xùn)練集：

(1a)在不同的30種節(jié)點(diǎn)社區(qū)中選取累計(jì)分布的至少1000個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)，每個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)在至少3個(gè)月的時(shí)間內(nèi)存在2條與其他網(wǎng)絡(luò)節(jié)點(diǎn)連接的邊，且所有網(wǎng)絡(luò)節(jié)點(diǎn)形成至少50000條邊數(shù)，將節(jié)點(diǎn)社區(qū)、網(wǎng)絡(luò)節(jié)點(diǎn)、網(wǎng)絡(luò)節(jié)點(diǎn)構(gòu)成的邊和時(shí)間標(biāo)簽四種數(shù)據(jù)類型構(gòu)成社交網(wǎng)絡(luò)數(shù)據(jù)集；

(1b)將每條邊按時(shí)間標(biāo)簽對社交網(wǎng)絡(luò)數(shù)據(jù)集進(jìn)行快照劃分，得到每個(gè)時(shí)間間隔內(nèi)由節(jié)點(diǎn)社區(qū)、網(wǎng)絡(luò)節(jié)點(diǎn)和邊三種數(shù)據(jù)類型構(gòu)成的時(shí)間快照，對每個(gè)時(shí)間快照進(jìn)行圖數(shù)據(jù)建模處理得到快照圖，將建模后的所有快照圖構(gòu)成訓(xùn)練集；

(2)構(gòu)造深度半監(jiān)督自編碼器網(wǎng)絡(luò)：

(2a)搭建一個(gè)7層的深度半監(jiān)督自編碼器網(wǎng)絡(luò)，其結(jié)構(gòu)依次為：輸入層→第1全連接層→第2全連接層→輸出層→第3全連接層→第4全連接層→解碼重構(gòu)層；其中，輸入層與解碼重構(gòu)層基于網(wǎng)絡(luò)層的參數(shù)維度對稱，第1全連接層與第4全連接層基于網(wǎng)絡(luò)層的參數(shù)維度對稱，第2全連接層與第3全連接層基于網(wǎng)絡(luò)層的參數(shù)維度對稱；

(2b)設(shè)置深度半監(jiān)督自編碼器每層參數(shù)：

將第1、2、3、4全連接層的維度依次設(shè)置為1000，100，100，1000；

將輸出層的輸出維度設(shè)置為64；

每層的激活函數(shù)均使用sigmoid函數(shù)；

(3)構(gòu)建生成對抗網(wǎng)絡(luò)：

(3a)搭建一個(gè)由輸入輸出層、全連接層、分類層的生成器網(wǎng)絡(luò)；將輸入輸出層的維度設(shè)置為64；輸入輸出層與全連接層均使用sigmoid函數(shù)，分類層采用softmax激活函數(shù)；

(3b)搭建一個(gè)由第1全連接層、第2全連接層、分類層的判別器網(wǎng)絡(luò)；將第2全連接層和分類層的維度分別設(shè)置為64、1；激活函數(shù)均使用sigmoid函數(shù)；

(3c)將生成器網(wǎng)絡(luò)的分類層與判別器網(wǎng)絡(luò)中的第1全連接層相連組成生成對抗網(wǎng)絡(luò)；

(4)訓(xùn)練網(wǎng)絡(luò)：

(4a)將訓(xùn)練集中的每個(gè)快照圖依次輸入到深度半監(jiān)督自編碼器網(wǎng)絡(luò)中，用梯度下降法更新網(wǎng)絡(luò)的權(quán)值，直到深度半監(jiān)督自編碼器網(wǎng)絡(luò)的損失函數(shù)收斂為止，輸出層輸出每個(gè)快照圖的壓縮向量；

(4b)從所有壓縮向量中依次選取一個(gè)壓縮向量；

(4c)將所選壓縮向量輸入到生成對抗網(wǎng)絡(luò)生成網(wǎng)絡(luò)中，在生成器網(wǎng)絡(luò)的全連接層加入至少100個(gè)隨機(jī)噪聲，得到經(jīng)生成器網(wǎng)絡(luò)分類層softmax函數(shù)處理后帶有噪聲的一個(gè)假樣本；

(4d)將所選的壓縮向量的下一個(gè)壓縮向量對應(yīng)的快照圖作為真樣本，從真樣本與假樣本中各自隨機(jī)選取100個(gè)樣本進(jìn)行混合，將混合樣本輸入到判別器網(wǎng)絡(luò)中第1全連接層，經(jīng)判別器網(wǎng)絡(luò)對混合樣本進(jìn)行分類得到分類損失值；

(4e)利用分類損失值，根據(jù)最大最小化訓(xùn)練準(zhǔn)則對生成對抗網(wǎng)絡(luò)中的判別器網(wǎng)絡(luò)和生成器網(wǎng)絡(luò)進(jìn)行交替訓(xùn)練，分別更新生成器網(wǎng)絡(luò)中和判別器網(wǎng)絡(luò)每一層的權(quán)重值，直到分類損失值滿足閾值區(qū)間，停止訓(xùn)練；

(4f)判斷是否選完所有壓縮向量，若是，則執(zhí)行步驟(4g)，否則，執(zhí)行步驟(4b)；

(4g)得到訓(xùn)練好的生成對抗網(wǎng)絡(luò)；

(5)將動(dòng)態(tài)社交網(wǎng)絡(luò)的快照圖輸入到訓(xùn)練好的生成對抗網(wǎng)絡(luò)中，輸出社交網(wǎng)絡(luò)的特征向量。

2.根據(jù)權(quán)利要求1所述的基于向量壓縮與重構(gòu)的社交網(wǎng)絡(luò)特征動(dòng)態(tài)提取方法，其特征在于，步驟(1a)中所述與其他網(wǎng)絡(luò)節(jié)點(diǎn)連接的邊指的是，將社交網(wǎng)絡(luò)中的每個(gè)用戶作為一個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)，網(wǎng)絡(luò)節(jié)點(diǎn)之間邊的形成為以下三種情況中的任意一種：若兩個(gè)用戶之間為好友關(guān)系的情況，則對應(yīng)的兩個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)連接形成邊；若兩個(gè)用戶共同關(guān)注同一個(gè)文章或博主或?qū)谕扑蛢?nèi)容的情況，則對應(yīng)的兩個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)連接形成邊；若兩個(gè)用戶之間成功發(fā)送了聊天內(nèi)容、電子郵件或者留言回復(fù)的情況，則對應(yīng)的兩個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)連接形成邊。

3.根據(jù)權(quán)利要求1所述的基于向量壓縮與重構(gòu)的社交網(wǎng)絡(luò)特征動(dòng)態(tài)提取方法，其特征在于，步驟(1b)中所述的對社交網(wǎng)絡(luò)數(shù)據(jù)集進(jìn)行快照劃分指的是，每條邊形成的時(shí)間對應(yīng)一個(gè)時(shí)間標(biāo)簽，時(shí)間標(biāo)簽單位為毫秒，按年或月對時(shí)間標(biāo)簽內(nèi)的邊進(jìn)行快照劃分。