[發明專利]一種基于潛在結構和屬性的非負矩陣分解社區檢測方法

在審

• 申請號: 202211702317.0
• 申請日: 2022-12-29
• 公開（公告）號: CN115935044A
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 陳自剛;肖琪;張鎮江;潘鼎;顏逸;邵鑫;牟覃宇
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06F16/953
• 分類號: G06F16/953;G06F16/906;G06F16/951;G06F16/901
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供一種基于潛在結構和屬性的非負矩陣分解社區檢測方法，涉及社區網絡檢測領域。主要解決現有方法對社區網絡信息利用不夠充分的問題。該方法包括：先對社區網絡數據進行預處理，將網絡中的信息進行表示；計算鄰接矩陣、屬性矩陣和潛在結構矩陣；建立以直系拓撲結構和屬性信息為主、潛在結構信息為輔的社區檢測模型；計算迭代更新規則；設置迭代次數，初始化社區成員矩陣、兩個社區?社區矩陣和潛在結構矩陣，并且調節權重參數；進行迭代獲得目標矩陣；最后根據迭代結果社區成員矩陣發現社區。

技術領域

本發明涉及社區網絡檢測領域，尤其涉及一種結合拓撲結構信息、屬性信息以及潛在結構信息的非負矩陣分解社區檢測方法。

技術背景

隨著科學技術的迅速發展，網絡檢測受到許多研究人員的關注并且將其作為一個重要課題，其中一個重要原因是網絡檢測能更好地幫助理解各種類型的網絡，挖掘出網絡中隱藏的重要信息；這里所謂的網絡指的是自然界和社會中高度互聯的實體組成的各種各樣的系統，包括神經網絡、交通網絡、社交網絡及其蛋白質相互作用網絡等。網絡往往有一個共同的特征，即同一組節點之間關聯緊密，不同組的節點之間關聯稀疏，這種一組一組的節點集合定義為社區；分析這些社區對理解網絡的深層特性及功能有著重要意義，例如，它可以用于挖掘政治社交網絡的聯盟和敵對團體；在合著網絡中找到研究團隊；在生物信息領域，通過劃分生物分子來發現相同結構和功能的生物分子、尋找蛋白質相互作用網絡(PPI)中蛋白質復合物；在在線社交網絡中找到類似用戶群體以及能為輿情分析、城市規劃、互聯網發展和危害防護等提供重要的參考信息。

目前最廣泛采用的方法有模塊化、最小割和非負矩陣分解(Non-negative?MatrixFactorization,NMF)；其中模塊化的提出極大地擴展了社區檢測的研究，模塊化的目的就是通過確保一個組中的邊數明顯大于預期的邊數，將網絡劃分為不相交的集合；而最小割是將網絡劃分為不相交的子圖，從而使這些子圖之間的割數最小化。

非負矩陣分解算法(NMF)被廣泛應用到人工智能各個領域，NMF可以有效處理大規模數據，獲得具有實際意義的矩陣，與其他方法相比，非負矩陣分解的方法有如下優點：1)具有更好的解釋性：對一個網絡進行具有非負約束的矩陣分解后，會得到一個社區成員矩陣，該矩陣中的每一個元素都可以理解為該節點屬于對應社區的概率或強度，這就使得社區檢測的結果具有更好的解釋性。2)可融入節點相關信息：將節點相關信息(例如節點屬性信息等)融入到目標函數中，共同指導目標函數迭代優化，以提升聚類效果。因此，非負矩陣分解成為社區檢測的重要方法；近幾年對非負矩陣分解在社區檢測上的研究也逐漸增加，同時產生多種非負矩陣分解變體，其主要原理是從社區網絡中提取出特征矩陣，通過因子分解后獲得社區特征矩陣和社區成員矩陣，最后通過對社區成員矩陣進行處理獲得社區。

雖然目前也有許多應用于社區網絡檢測的非負矩陣分解方法，但傳統的NMF算法只利用網絡的拓撲結構，并沒有考慮網絡節點的相關屬性信息，或是僅考慮屬性信息而沒有考慮拓撲結構信息，又或是考慮到拓撲結構和相關屬性信息，但沒有考慮社區網絡節點的潛在結構信息，例如用戶A與B有直接連接關系(如相互認識，且都發表過D類型的推文)，B與C有直接連接關系(如相互認識，且都發表過D類型的推文)，從拓撲結構只能獲取B分別與A和C之間的鏈接關系，并不能獲得A與C之間存在潛在相似的信息。因此，如何從復雜網絡數據中獲得潛在的網絡信息是重要研究方向，如何獲得更精確的社區成員矩陣和提高算法效率是目前該領域的研究核心。

綜上所述，現有的社區網絡檢測方法沒有同時考慮到拓撲結構信息與屬性信息，且沒有考慮到網絡節點間的潛在拓撲結構關系。

發明內容

鑒于此，本發明將解決上述的不足，提出一種結合非負矩陣分解算法的社區檢測方法，具體為一種基于潛在結構和屬性的非負矩陣分解社區檢測方法。