[發明專利]基于向量壓縮與重構的社交網絡特征動態提取方法

在審

• 申請號: 202010873148.1
• 申請日: 2020-08-26
• 公開（公告）號: CN112052940A
• 公開（公告）日: 2020-12-08
• 發明（設計）人: 張琛;李春奕;魚濱;謝宇;樊一鳴;徐鑫航
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/46;G06K9/62;G06Q50/00
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

本發明公開了一種基于向量壓縮與重構的社交網絡特征動態提取方法。其步驟為：(1)生成訓練集；(2)構建深度半監督自編碼器網絡；(3)構造生成對抗網絡；(4)訓練網絡；(5)在生成對抗網絡中完成對社交網絡的動態特征提取。本發明搭建并訓練了深度半監督自編碼器網絡，能更好地捕獲高階的社交網絡結構信息，基于生成對抗網絡的動態特征提取方法，使得本發明在處理大型社交網絡時有著較短的處理時間和較大的空間利用率。

技術領域

本發明屬于物理技術領域，更進一步涉及向量表示技術領域中的一種基于向量壓縮與重構的社交網絡特征動態提取方法。本發明社交網絡特征動態提取方法，用特征向量形式維護了社交網絡的網絡拓撲和時序演變特性，并將提取的特征用于社交關系發現，社團關系劃分等網絡結構數據挖掘任務。

背景技術

社交網絡特征動態提取方法基于網絡拓撲結構特征，通過對網絡的動態建模，實現網絡的低維向量化表達，來發掘網絡的演變規律并動態提取社交網絡特征。通常采用矩陣分解、隨機游走、自編碼器等神經網絡技術進行動態網絡特征提取，后續將捕捉到的網絡特征輸入到各類社交網絡背景下的實際問題中進行求解，包括且并不限于社交關系預測、社團劃分和推薦系統等網絡結構數據挖掘任務。然而這些算法模型應用于動態特征提取具有各自的局限性，基于矩陣分解算法特征向量計算效率復雜且難以捕捉潛在的高階鏈路屬性。基于隨機游走的算法受隨機游走步長和方向限制，特征向量只能提取到二階的網絡結構特性。基于自編碼的網絡為半監督模型，只能產生固定長度序列的向量化表示。

中國科學院聲學研究所在其申請的專利文獻“一種基于深度動態網絡嵌入表示模型的鏈路預測方法”(專利申請號201911279182.X，申請公開號110020379A)中公開了一種社交網絡嵌入表示方法。該方法的實施步驟是：第一步，構建深度動態網絡嵌入表示模型；第二步，從互聯網抓取大量的網絡數據，對網絡數據進行預處理；第三步，按一定時間長度將網絡數據劃分為時間片，每個時間片下構造網絡圖和一階時序鄰接矩陣；第四步，多次迭代并用隨機梯度下降法訓練深度動態網絡嵌入表示模型；第五步，對歷史連接鄰接矩陣進行迭代編碼，所述解碼器利用多層感知機網絡對向量進行解碼，得到每個向量的固定長度的嵌入表示，然后乘以權值矩陣得到下一個時刻的連接狀態預測。該方法存在的不足之處是，該方法提出的網絡嵌入表示模型只能預先設置好隱藏層結構，提取社交網絡固定長度的特征向量，最大化保留低階網絡拓撲結構信息，提取的社交網絡特征缺乏高階性信息，社交網絡特征提取準確率較低，在社交網絡發現與社團關系劃分中效果較差。

華中科技大學在其申請的專利文獻“基于非負矩陣分解的社交網絡特征提取方法”(專利申請號201911279182.X，申請公開號111091475A)中公開了一種社交網絡特征提取方法。該方法的實施步驟是：第一步，計算不同視角社交網絡圖一階鄰接矩陣轉化的拉普拉斯矩陣；第二步，對所有視角的拉普拉斯矩陣進行聯合非負矩陣分解，得到基矩陣向量、每個視角的殘差矩陣和系數矩陣；第三步，根據基矩陣和系數矩陣對每個視角的殘差矩陣進行獨立非負矩陣分解，得到各視角的基矩陣向量；第四步，將兩種基矩陣向量級聯，得到社交網絡圖的特征向量。該方法存在的不足之處是，該方法在社交網絡中只能提取一階網絡拓撲結構，其特征向量無法對高階網絡拓撲結構進行表達，且此算法存在計算量龐大，矩陣分解產生的特征信息失真會導致社交網絡特征提取準確率較低。

發明內容

本發明的目的在于針對上述現有技術存在的不足，提出一種基于向量壓縮與重構的社交網絡特征動態提取方法，用于解決現有特征提取方法忽略了社交網絡特征的高階性信息導致提取社交網絡特征方法準確度較差的問題，以及計算規模大導致較低空間利用率和信息失真的問題。

實現本發明目的的思路是，構建社交網絡數據集，利用深度半監督自編碼器網絡構造社交網絡的壓縮向量，構建并訓練生成對抗網絡，在生成對抗網絡中輸出當前社交網絡的特征向量，實現社交網絡特征的動態提取。

實現本發明目的的步驟如下：

(1)生成訓練集：