[發明專利]一種融合節點屬性的深度社團發現方法

在審

• 申請號: 202110703362.7
• 申請日: 2021-06-24
• 公開（公告）號: CN113409159A
• 公開（公告）日: 2021-09-17
• 發明（設計）人: 潘志松;潘雨;胡谷雨;張磊;段曄鑫;張武;胡亞豪;丁鈺
• 申請（專利權）人: 中國人民解放軍陸軍工程大學
• 主分類號: G06Q50/00
• 分類號: G06Q50/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京力量專利代理事務所(特殊普通合伙) 11504
• 代理人: 毛雨田

1.一種融合節點屬性的深度社團發現方法，其特征在于包括如下步驟：

第一步：構建模塊度矩陣：模塊度的值越大代表社團結構越清晰，社團的劃分越好，通過最大化模塊度可以得到網絡的社團結構；

第二步：構建深度自編碼器捕捉網絡結構：通過重構模塊度矩陣，在隱層的最后一層輸出H中保存網絡的非線性社團結構；

第三步：結合節點屬性信息；當擁有相同屬性的節點劃分到不同社團，將執行一個懲罰，同時利用融合鏈接關系數據和節點內容數據進行社團發現。

2.根據權利要求1所述的融合節點屬性的深度社團發現方法，其特征在于上述構建模塊度矩陣的具體過程為：

模塊度被定義為社團內連接邊的比例減去在同樣社團結構下任意兩個節點之間連接邊的比例的期望值：

其中，是網絡中邊的總數量，代表如果網絡中的邊是隨機放置時節點v_i和v_j之間的期望邊數，w_i(w_j)代表節點v_i(v_j)的度，δ(c_i,c_j)為克羅內克函數；引入模塊矩陣B∈R^n×n，n為網絡中節點的個數，R為實數集，模塊度矩陣的元素模塊度寫為：

Q＝tr(H^TBH) s.t.tr(H^TH)＝n (6)

矩陣H為社團指示矩陣，矩陣每行最大值所對應的社團就是節點所屬的社團，h_ij代表節點i隸屬于社團j的概率，H^T為矩陣H的轉置矩陣。

3.根據權利要求2所述的融合節點屬性的深度社團發現方法，其特征在于上述構建深度自編碼器捕捉網絡結構的具體過程為：

動編碼器的目標是最小化輸出數據和輸入數據之間的重建誤差，以便最后的隱藏層可以最大程度地保留原始輸入數據的特征。本發明將模塊度矩陣作為深度自編碼器的輸入，通過重構捕獲模塊度矩陣中的非線性結構：

其中，θ＝{W⁽¹⁾,W⁽²⁾,b⁽¹⁾,b⁽²⁾}為超參數集合；B為模塊度矩陣，矩陣元素通過重構模塊度矩陣，在隱層的最后一層輸出H中保存網絡的非線性社團結構。

4.根據權利要求3所述的融合節點屬性的深度社團發現方法，其特征在于上述結合節點屬性信息的具體過程為：

假設兩個節點v_i和v_j在內容屬性方面具有高度相似性s_ij，那么它們有很大的概率屬于同一個社團，兩個節點v_i和v_j的社團指示矩陣向量也應該相似；

構造屬性相似矩陣S，節點v_i和v_j之間屬性的相似性用s_ij表示，其中，我們利用余弦相似度來計算兩個節點之間的屬性相似度：

其中，t_i為節點屬性矩陣的第i行，代表節點v_i的屬性特征向量；

對于每個節點v_i，基于屬性相似性，搜索和節點v_i擁有最相近屬性相似度的k個節點；如果節點v_i是節點v_j的k-近鄰，那么節點v_j也應該是節點v_i的k-近鄰，所有屬性近鄰圖是對稱的；在相似度矩陣中保留節點v_i與它k-近鄰之間的相似度值s_ij，其他非近鄰對應的元素設為0；

在得到屬性相似度矩陣S后，在自動編碼器中引入一個圖正則項來融合屬性信息；假設如果節點v_i和v_j具有高屬性相似性s_ij，那么它們的嵌入向量h_i和h_j也應該是相似的：

其中，拉普拉斯矩陣L＝D-S，D為對角矩陣；將圖形正則化項并入重建損失函數，得到SADA最終的損失函數:

其中α為控制正則化項權重的參數；通過優化得到矩陣H，H每一行最大值對應的社團即為節點屬于的社團，從而獲得最終的社團結構。