[發明專利]一種基于深度圖信息最大化的動態社團挖掘方法

在審

• 申請號: 202110254197.1
• 申請日: 2021-03-09
• 公開（公告）號: CN113033627A
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 劉晨;張凡;李向華;王震;高超;朱培燦
• 申請（專利權）人: 西北工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q50/00
• 代理公司: 西安銘澤知識產權代理事務所(普通合伙) 61223
• 代理人: 王力文

1.一種基于深度圖信息最大化的動態社團挖掘方法，其特征在于，包括以下步驟：

S1：輸入動態網絡G＝{G₁,G₂,...,G_T}的鄰接矩陣A＝{A₁,A₂,...,A_T}；

S2：構造動態網絡中每個時間步節點的相似度矩陣SL；

S3：隨機初始化卷積神經網絡中每個時間步的權重矩陣W_t；

S4：計算單個快照網絡t上的正樣本低維表示矩陣H_t；

S5：利用LSTM更新單個快照網絡t上的卷積神經網絡的權重系數W_t；

S6：計算S5中單個快照網絡t上的負樣本低維表示矩陣

S7：利用判別器D對正樣本H_t的特征對(h_t,s_t)與負樣本的特征對進行打分，計算損失函數，調整每個時間步的卷積神經網絡的權重矩陣；

S8：利用余弦相似度平滑相鄰兩個時間步的特征矩陣，并將相鄰時間步的特征矩陣的余弦相似度加入到目標函數中；

S9：判斷當前時間步是否小于該動態網絡的總時間步，若是，則返回步驟3，若不是，則執行下一步驟。

S10：輸出學習到的動態網絡的每個時間步的特征矩陣；

S11：將學習到的動態網絡的特征矩陣輸入k-means中，輸出動態社團挖掘結果。

2.根據權利要求1所述的一種基于深度圖信息最大化的動態社團挖掘方法，其特征在于，所述步驟S2中相似度矩陣的第i行第j列個元素代表節點n_i和節點n_j間的相似度，其計算方式如下：

其中，|CN(n_i,n_j)|表示節點n_i和n_j的共同鄰居節點的數量，表示節點n_i的鄰居節點數，表示節點n_j的鄰居節點數。

3.根據權利要求1所述的一種基于深度圖信息最大化的動態社團挖掘方法，其特征在于，所述步驟S4中低維表示H_t通過設計的節點表示編碼器p_(t):實現，具體實現為：

其中，SL為相似度矩陣，并且表示矩陣的第i行i列對應的元素，σ為ReLU函數；A_t為快照網絡t的鄰接矩陣，I_N為單位矩陣，其對角線上元素均為1，其他元素為0，下標N代表節點數目，是人為調控的超參數，設置X_t為快照網絡t的特征矩陣。

4.根據權利要求1所述的一種基于深度圖信息最大化的動態社團挖掘方法，其特征在于，所述步驟S5中更新權重系數W_t的計算方式如下：

其中，U_X∈R^N×N和M_x∈R^d×N分別表示公式中的U_F,U_I,U_O,U_C與M_F,M_I,M_O,M_C，Q_x表示公式中的Q_F,Q_I,Q_O,Q_C，x∈{F,I,O,C}；U_x與M_x為循環神經網絡中的權重矩陣，Q_x為偏置向量，S_t,I_t,O_t,C_t為中間變量矩陣，σ為sigmoid函數，tanh為tanh函數；

輸入上一時刻的卷積神經網絡的權重矩陣W_t-1,輸出當前t時刻的卷積神經網絡的權重矩陣W_t。