[發明專利]基于最大化互信息和圖神經網絡的屬性圖群組發現方法

在審

• 申請號: 202010882758.8
• 申請日: 2020-08-28
• 公開（公告）號: CN111985623A
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 熊贇;張天奇;張堯;朱揚勇
• 申請（專利權）人: 復旦大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62;G06F16/906
• 代理公司: 上海德昭知識產權代理有限公司 31204
• 代理人: 盧泓宇

1.一種基于最大化互信息和圖神經網絡的屬性圖群組發現方法，用于對待處理屬性圖中的各個節點進行群組發現得到包含所有節點對應群組的群組發現結果，其特征在于，包括如下步驟：

步驟S1，獲取所述待處理屬性圖中各個所述節點的節點信息，并將所有所述節點信息進行處理得到包含鄰接矩陣和屬性矩陣的待處理矩陣；

步驟S2，利用預先訓練好的圖神經網絡對所述待處理矩陣進行表征學習得到初步節點表征，并對所述待處理屬性圖進行互信息計算得到全局互信息值；

步驟S3，利用軟聚類將所述初步節點表征劃分到多個群組的中心得到分配矩陣；

步驟S4，根據所述分配矩陣對所述原始群組進行模塊度以及所述待處理屬性圖內的互信息計算得到模塊度值以及群組互信息；

步驟S5，根據所述模塊度值、所述群組互信息以及所述全局互信息值計算總損失，并根據該總損失通過梯度回傳對所述圖神經網絡進行迭代更新直到得到所述群組發現結果。

2.根據權利要求1所述的基于最大化互信息和圖神經網絡的屬性圖群組發現方法，其特征在于：

其中，所述步驟S2包括如下子步驟：

步驟S2-1，將所述待處理矩陣輸入所述圖神經網絡得到所述初步節點表征H：

式中，X為所述屬性矩陣，A為所述鄰接矩陣，為所述鄰接矩陣A與單位對角矩陣相加得到，矩陣對角線上的每個位置代表了所述節點的度，σ為激活函數，θ為網絡參數；

步驟S2-2，對所述屬性矩陣進行負采樣得到負采樣屬性矩陣

步驟S2-3，根據公式(2)對所述初步節點表征求平均，得到所述屬性圖的平均向量S；

S＝R(ε(X，A)) 公式(2)

式中，X為所述屬性矩陣，A為所述鄰接矩陣，R為平均池化函數；

步驟S2-4，基于所述屬性矩陣、所述鄰接矩陣、所述負采樣屬性矩陣根據公式(3)求得所述全局互信息Lgraph：

式中，N為所述待處理屬性圖的所有所述節點的數量，M為負采樣節點個數，D為交叉熵函數，h_i為所述待處理屬性圖第i個所述節點的所述初步節點表征，i＝1，2，3...N，j＝1，2，3...M。

3.根據權利要求2所述的基于最大化互信息和圖神經網絡的屬性圖群組發現方法，其特征在于：

其中，所述步驟S3還包括如下子步驟：

步驟S3-1，利用軟聚類將所述初步節點表征劃分到多個群組的中心得到初始群組中心；

步驟S3-2，根據所述初始群組中心通過公式(5)進行所述初始群組中心所在的所述群組的其它節點的獲取，得到新的所述群組中心μ_k：

式中，K為所述群組的總數量，hi屬于所述初步節點表征H，i＝1，2，3...N，k＝1，2，3...K，z＝1，2，3...K，r_ik為所述分配矩陣R中的第i行第k列位置的值，δ是代表聚類松弛程度的系數。

4.根據權利要求3所述的基于最大化互信息和圖神經網絡的屬性圖群組發現方法，其特征在于：

其中，所述模塊度Q以及所述待處理屬性圖內的互信息L_community計算為：

式中，m為所述節點相連接的邊的數量，d為所述節點的度數，R為所述分配矩陣，Tr為矩陣跡運算，A_ij為所述鄰接矩陣中第i個所述節點和第j個所述節點之間是否有邊相連接，d_id_j是第i個所述節點以及第j個所述節點之間的度數，D為交叉熵函數。

5.根據權利要求4所述的基于最大化互信息和圖神經網絡的屬性圖群組發現方法，其特征在于，還包括：

其中，所述模塊度值Q、所述群組互信息L_community以及所述全局互信息值L_graph計算總損失L：

L＝αL_graph+βL_community+Q 公式(6)

式中，α和β為超參數。

6.根據權利要求1所述的基于最大化互信息和圖神經網絡的屬性圖群組發現方法，其特征在于：

其中，所述群組發現結果ci為：

式中，i＝1，2，3...N，k＝1，2，3...K，N為所述待處理屬性圖的所有所述節點的數量，K為所述群組的總數量，r_ik為所述分配矩陣R中的第i行第k列位置的值。