[發明專利]基于自監督學習式進化的大規模復雜網絡社區檢測方法

在審

• 申請號: 202110665380.0
• 申請日: 2021-06-16
• 公開（公告）號: CN113704570A
• 公開（公告）日: 2021-11-26
• 發明（設計）人: 陳家進;劉松柏;林秋鎮;李青
• 申請（專利權）人: 香港理工大學深圳研究院
• 主分類號: G06F16/903
• 分類號: G06F16/903;G06F16/901;G06N3/12;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 謝松;徐凱凱

1.一種基于自監督學習式進化的大規模復雜網絡社區檢測方法，其特征在于，包括步驟：

根據目標網絡社區，確定所述目標網絡社區對應的原始種群；

將所述原始種群分解成第一子種群和第二子種群；其中，所述第一子種群的平均適應度值大于所述第二子種群的平均適應度值；

采用基于自監督學習的方法對所述第一子種群進行更新，得到第一更新子種群，并采用基于廣度學習的方法對所述第二子種群進行更新，得到第二更新子種群；

根據所述原始種群、所述第一更新子種群以及所述第二更新子種群，確定所述目標網絡社區對應的進化種群；

當所述進化種群滿足終止條件時，將所述進化種群作為最優種群。

2.根據權利要求1所述的基于自監督學習式進化的大規模復雜網絡社區檢測方法，其特征在于，所述檢測方法還包括：

當所述進化種群不滿足終止條件時，將所述進化種群作為原始種群，并繼續執行將所述原始種群分解成第一子種群和第二子種群的步驟，直至所述進化種群滿足終止條件時，將所述進化種群作為最優種群。

3.根據權利要求1所述的基于自監督學習式進化的大規模復雜網絡社區檢測方法，其特征在于，所述采用基于自監督學習的方法對所述第一子種群進行更新，得到第一更新子種群，具體包括：

對所述目標網絡中的所有網絡節點進行分組，得到若干個變量組；

確定各變量組各自分別對應的自編碼器；其中，所述自編碼器包括編碼單元和解碼單元；

針對所述第一子種群中的每個解個體，根據該解個體和所有編碼單元，得到該解個體對應的表示空間；對所述表示空間進行進化操作，得到新的表示空間；根據所述新的表示空間和所有解碼單元，確定該解個體對應的更新的解個體，以得到第一更新子種群；其中，所述表示空間的維度小于所述解個體的維度。

4.根據權利要求3所述的基于自監督學習式進化的大規模復雜網絡社區檢測方法，其特征在于，所述采用基于廣度學習的方法對所述第二子種群進行更新，得到第二更新子種群，還包括：

確定所述第一子種群的若干個目標解個體；其中，所述目標解個體的數量與所述變量組的數量相同；

對于所述第二子種群中的每個解個體，根據所有目標解個體以及所有變量組對該解個體進行進化操作，確定該解個體對應的更新的解個體，以得到第二更新子種群。

5.根據權利要求1所述的基于自監督學習式進化的大規模復雜網絡社區檢測方法，其特征在于，所述根據目標網絡社區，確定所述目標網絡社區對應的原始種群，具體包括：

根據目標網絡社區，確定所述目標網絡社區對應的目標網絡；

根據所述目標網絡，確定所述目標網絡社區對應的原始種群。

6.根據權利要求5所述的基于自監督學習式進化的大規模復雜網絡社區檢測方法，其特征在于，所述目標網絡包括若干個網絡節點；

所述根據所述目標網絡，確定所述目標網絡社區對應的原始種群，具體包括：

確定所述目標網絡中各網絡節點各自分別對應的度值；其中，所述度值為連接的網絡節點的數量；

根據所有各網絡節點的度值，確定所述目標網絡的候選社區中心節點；

根據所述候選社區中心節點，確定所述目標網絡社區對應的原始種群。

7.根據權利要求6所述的基于自監督學習式進化的大規模復雜網絡社區檢測方法，其特征在于，所述將所述原始種群分解成第一子種群和第二子種群，具體包括：

確定所述原始種群對應的目標空間；所述目標空間包括：各解個體各自分別對應的目標函數值，所述目標函數值包括KKM目標函數值和RC目標函數值；

將所述目標空間分解成若干個子空間；其中，每個子空間包括至少兩個解個體分別對應的目標函數值；

確定各子空間中各解個體各自分別對應的適應度值；

將各子空間的解個體分為第一類解個體和第二類解個體；其中，所述第一類解個體中解個體的適應度值大于所述第二類解個體中解個體的適應度值；

根據所有子空間中第一類解個體，確定所述第一子種群；

根據所有子空間中第二類解個體，確定所述第二子種群。