[發明專利]一種基于深度神經網絡融合拓撲和內容社團檢測方法

在審

• 申請號: 202110987729.2
• 申請日: 2021-08-26
• 公開（公告）號: CN113744072A
• 公開（公告）日: 2021-12-03
• 發明（設計）人: 曹金鑫;許偉忠;鞠小林;陳翔;丁衛平
• 申請（專利權）人: 南通大學
• 主分類號: G06Q50/00
• 分類號: G06Q50/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 張俊俊

1.一種基于深度神經網絡融合拓撲和內容的社團檢測方法，其特征在于，所述社團檢測方法包括以下步驟：

S1、具有頂點內容的屬性網絡表示為G＝(V，E，U)，其中V＝{v₁，v₂，…，v_n}表示頂點的集合，E＝{e₁，e₂，…，e_m}表示拓撲的集合，U＝{u₁，u₂，…，u_n}表示所有頂點的內容向量集合；

S2、對屬性網絡G的拓撲和頂點內容進行形式化；

S3、運用拓撲指示矩陣和內容指示矩陣分別建模屬性網絡的網絡拓撲和頂點內容，分別對應該方法的模型中兩個子模型實現，以及兩個子模型基于等價優化轉化；

S4、使用自動編碼器框架將步驟S3所述的兩個子模型結合為統一模型，并在真實網絡數據集上驗證模型有效性，使用歸一化互信息熵、杰卡德系數對統一模型進行評價。

2.根據權利要求1所述的基于深度神經網絡融合拓撲和內容社團檢測方法，其特征在于，所述步驟S2具體包括以下步驟：

S2.1、對網絡拓撲進行形式化，具體過程如下：將屬性網絡G形式化為鄰接矩陣其分量a_ij＝1表示頂點v_i和v_j之間存在鏈接，a_ij＝0表示兩頂點之間無鏈接，接下來，鄰接矩陣A形式轉化為模塊矩陣其分量b_ij表示頂點v_i和v_j之間的鏈接強度，k_i表示頂點v_i的度，m表示G所含邊的總條數，k_ik_j/2m表示兩頂點之間期望邊的條數；

S2.2、對頂點內容進行形式化，具體過程如下：G所有頂點內容向量集合U的特征矩陣其中，r維向量u_i表示一個頂點v_i上的內容，然后，特征矩陣U轉化為頂點之間內容的相似度矩陣其分量q_ij表示頂點v_i和v_j的特征向量的余弦相似度。

3.根據權利要求1所述的基于深度神經網絡融合拓撲和內容社團檢測方法，其特征在于，所述步驟S3具體包括以下步驟：

S3.1、構建第一子模型：使用表示拓撲信息的模塊度矩陣B，根據具有社團結構的屬性網絡G和沒有社團結構的隨機網絡之間差異所枚舉出頂點劃分，以及結合Newman松弛該劃分為劃分到κ個社團的策略，以實現成為模塊度最大化模型，基于拓撲信息的指示矩陣表示頂點劃分情況，tr(*)表示矩陣的跡運算，第一子模型的目標函數如下：

s.t.tr(X^TX)＝n

S3.2、構建第二子模型：使用表示內容信息的相似矩陣Q，根據屬于同一社團的頂點之間相似性較高屬于不同社團的頂點之間相似性較低，頂點劃分過程中，基于vol(g)＝Σ_vi∈κq_ij計算屬性網絡G中某社團g中所有頂點的度，以及結合松弛上述劃分劃分到κ個社團的策略，以實現為標準化切割模型，基于拓撲信息的指示矩陣表示頂點劃分情況，D＝diag(d₁，d₂，…，d_n)是對角矩陣，d_i是相似度矩陣Q第i行元素之和，拉普拉斯矩陣L＝D–Q，I＝diag(n)為單位方陣，tr(*)表示矩陣的跡運算，第二子模型的目標函數如下：

s.t.Y^TDY＝I

S3.3、模塊度最大化模型的優化是通過獲取模塊度矩陣B的最大的κ個特征向量以實現，可以轉化為基于譜方法的模塊度矩陣B特征值分解，同理，標準化切割模型的優化可以轉化為拉普拉斯矩陣變形D^-1L特征值分解，其中，D^-1L＝D^-1(D–Q)＝I–D^-1Q，令P＝D^-1Q，亦可以轉化為馬爾科夫矩陣P特征值分解。

4.根據權利要求1所述的基于深度神經網絡融合拓撲和內容社團檢測方法，其特征在于，所述步驟S4具體包括以下步驟：

根據模塊度矩陣B和馬爾科夫矩陣P均屬于譜特征矩陣、譜矩陣的特征值分解等價與矩陣的低秩擬合、自動編碼器和非負矩陣分解理論相似性，可以運用自動編碼器框架分別實現模塊度最大化模型、標準化切割模型，具體的基于的拓撲信息、內容信息的目標函數為：

其中，B’和P’分別表示B和P的重構矩陣，b_i和p_i分別表示矩陣B和P第i列向量，非線性映射函數或表示自動編碼器中的參數，W和W’表示權重矩陣，ε和ε′表示偏移向量；

采用正交分解B′＝XΣ_BX^T和P′＝YΣ_PY^T轉化上述目標函數為：

設計一個聯合矩陣Z＝[B,P]^T，將步驟S3中基于拓撲信息的第一子模型O₁(X)、基于內容信息的第二子模型O₂(Y)進行無縫融合，擬合聯合矩陣Z的目標函數為：

基于非負矩陣分解角度，令Z’＝LH，擬合聯合矩陣Z的目標函數亦可：

使用自動編碼器框架實現上述基于非負矩陣分解擬合聯合矩陣Z，該模型框架無縫融合拓撲和內容信息，最終統一模型的目標函數為：

其中，Z’分別表示Z的重構矩陣，z_i表示矩陣Z第i列向量，基于目標函數最小化，基于自動編碼器的模型參數δ更新，直至目標函數的值達到收斂，基于自動編碼器的模型的隱層表征，即表征矩陣H，即頂點的社團隸屬度矩陣，基于社團隸屬度矩陣H聚類以進行社團檢測。