本發(fā)明涉及信息檢索處理，特別是涉及一種屬性網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法、裝置、計(jì)算機(jī)存儲(chǔ)介質(zhì)及程序。

背景技術(shù)：

1、互聯(lián)網(wǎng)的普及、移動(dòng)終端設(shè)備和web2.0技術(shù)的迅猛發(fā)展，產(chǎn)生了大規(guī)模的論文引用網(wǎng)、客戶關(guān)系網(wǎng)、電子郵件網(wǎng)等各種各樣的復(fù)雜網(wǎng)絡(luò)。社區(qū)發(fā)現(xiàn)是復(fù)雜網(wǎng)絡(luò)分析中最重要的任務(wù)之一。

2、基于圖劃分、基于聚類、基于模塊度優(yōu)化、基于標(biāo)簽傳播和基于神經(jīng)網(wǎng)絡(luò)等經(jīng)典算法大多基于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行社區(qū)發(fā)現(xiàn)，然而現(xiàn)實(shí)世界中大多是附帶豐富節(jié)點(diǎn)屬性信息的復(fù)雜網(wǎng)絡(luò)，網(wǎng)絡(luò)中屬性信息對(duì)社區(qū)劃分結(jié)果有不可忽視的作用。

3、現(xiàn)有的基于圖卷積網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)算法將網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和節(jié)點(diǎn)的屬性信息相結(jié)合，生成節(jié)點(diǎn)嵌入，進(jìn)而采用聚類方法識(shí)別網(wǎng)絡(luò)中社區(qū)結(jié)構(gòu)，在處理復(fù)雜網(wǎng)絡(luò)分析上有較為可觀的效果。但是由于沒有充分考慮節(jié)點(diǎn)關(guān)鍵特征信息，對(duì)生成的節(jié)點(diǎn)嵌入表達(dá)沒有采用優(yōu)化方案，社區(qū)劃分質(zhì)量往往欠佳。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了一種基于并行多通道機(jī)制的屬性網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法，解決節(jié)點(diǎn)關(guān)鍵信息的表達(dá)問題，提高社區(qū)劃分質(zhì)量。

2、本發(fā)明的技術(shù)方案如下：

3、一種基于并行多通道機(jī)制的屬性網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法，包括以下步驟：

4、由深度神經(jīng)網(wǎng)絡(luò)編碼器對(duì)節(jié)點(diǎn)屬性信息的特征矩陣x進(jìn)行編碼并由深度神經(jīng)網(wǎng)絡(luò)解碼器解碼得到重構(gòu)特征矩陣

5、節(jié)點(diǎn)屬性信息的特征矩陣x和鄰接矩陣a輸入圖卷積網(wǎng)絡(luò)編碼器得到輸出矩陣z；

6、對(duì)輸出矩陣z進(jìn)行解碼得到重構(gòu)鄰接矩陣來監(jiān)督圖卷積自編碼的過程，以及對(duì)輸出矩陣z進(jìn)行自監(jiān)督訓(xùn)練直至收斂，得到最終的社區(qū)劃分；

7、其中，所述圖卷積網(wǎng)絡(luò)編碼器的每一層表達(dá)結(jié)果由圖卷積網(wǎng)絡(luò)編碼器自身的每層結(jié)構(gòu)表示與所述深度神經(jīng)網(wǎng)絡(luò)編碼器的每層特征表示加權(quán)求和得到，所述圖卷積網(wǎng)絡(luò)編碼器自身的每層結(jié)構(gòu)表示對(duì)特征矩陣通過并行多通道操作取不同的維度，上一層每個(gè)通道輸出定義為

8、

9、其中，σ是非線性激活函數(shù)，i是單位矩陣，是的度矩陣，是權(quán)重矩陣，i為通道數(shù)，通過拼接獲得上一層矩陣z0

10、z0＝concat[z(0_i)]

11、本層的輸出矩陣z1為

12、

13、進(jìn)一步地，所述圖卷積網(wǎng)絡(luò)編碼器除最后一層的其余層中σ為relu函數(shù)，最后一層中σ為softmax函數(shù)。

14、進(jìn)一步地，重構(gòu)鄰接矩陣

15、進(jìn)一步地，所述圖卷積網(wǎng)絡(luò)編碼器的每一層表達(dá)結(jié)果由圖卷積網(wǎng)絡(luò)編碼器自身的每層結(jié)構(gòu)表示與所述深度神經(jīng)網(wǎng)絡(luò)編碼器的每層特征表示加權(quán)求和得到具體為

16、

17、其中為圖卷積網(wǎng)絡(luò)編碼器的每一層表達(dá)結(jié)果，zl-1為圖卷積網(wǎng)絡(luò)編碼器自身的每層結(jié)構(gòu)表示，hl-1為深度神經(jīng)網(wǎng)絡(luò)編碼器的每層特征表示，θ為加權(quán)系數(shù)。

18、進(jìn)一步地，深度神經(jīng)網(wǎng)絡(luò)編碼器的每層特征表示hl-1為

19、

20、為深度神經(jīng)網(wǎng)絡(luò)編碼器l-1層的權(quán)重矩陣，為深度神經(jīng)網(wǎng)絡(luò)編碼器l-1層的偏差。

21、進(jìn)一步地，對(duì)所述深度神經(jīng)網(wǎng)絡(luò)解碼器解碼重構(gòu)過程進(jìn)行監(jiān)督的損失函數(shù)為

22、

23、n為節(jié)點(diǎn)數(shù)量，向量xi表示節(jié)點(diǎn)vi的特征表示。

24、進(jìn)一步地，衡量重構(gòu)鄰接矩陣與原有鄰接矩陣的交叉熵?fù)p失函數(shù)，定義為

25、

26、進(jìn)一步地，圖卷積網(wǎng)絡(luò)編碼器得到輸出矩陣z借助目標(biāo)分布p進(jìn)行監(jiān)督，訓(xùn)練損失函數(shù)定義為

27、

28、目標(biāo)分布p＝[pij]，zij代表第i個(gè)節(jié)點(diǎn)歸屬于第j個(gè)社區(qū)的概率。

29、進(jìn)一步地，所述自監(jiān)督訓(xùn)練時(shí)目標(biāo)函數(shù)為

30、l＝la+ls+αlm+βlp

31、α和β是平衡損失大小的超參數(shù)，lp是深度神經(jīng)網(wǎng)絡(luò)編碼器和深度神經(jīng)網(wǎng)絡(luò)解碼器的聚類損失函數(shù)。

32、進(jìn)一步地，

33、

34、

35、

36、hi是第i個(gè)節(jié)點(diǎn)的嵌入向量，在訓(xùn)練前，對(duì)原始屬性信息利用k均值方法得到初始的節(jié)點(diǎn)中心向量μj，r是t-分布的自由度。

37、本發(fā)明與現(xiàn)有技術(shù)相比較，具有如下優(yōu)點(diǎn)：

38、充分利用圖神經(jīng)網(wǎng)絡(luò)端到端的學(xué)習(xí)優(yōu)勢(shì)，利用編碼-解碼的思想，采用基本自編碼模塊(包括深度神經(jīng)網(wǎng)絡(luò)編碼器和深度神經(jīng)網(wǎng)絡(luò)解碼器)和圖自編碼模塊(圖卷積網(wǎng)絡(luò)編碼器及其解碼器)學(xué)習(xí)節(jié)點(diǎn)特征表達(dá)?；咀跃幋a模塊學(xué)習(xí)優(yōu)化節(jié)點(diǎn)屬性表達(dá)；圖自編碼模塊將節(jié)點(diǎn)屬性信息與網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)融合，并在圖自編碼模塊中設(shè)計(jì)并行多通道機(jī)制，增強(qiáng)節(jié)點(diǎn)關(guān)鍵信息特征表示，生成用于最終聚類的節(jié)點(diǎn)嵌入。深度神經(jīng)網(wǎng)絡(luò)得到的節(jié)點(diǎn)屬性信息結(jié)合到圖卷積網(wǎng)絡(luò)編碼器，解決圖卷積網(wǎng)絡(luò)中存在的過平滑問題。模型在最終的嵌入表達(dá)中引入自監(jiān)督機(jī)制，實(shí)現(xiàn)對(duì)嵌入表達(dá)的優(yōu)化，提高社區(qū)劃分質(zhì)量。

技術(shù)特征：

1.一種基于并行多通道機(jī)制的屬性網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于并行多通道機(jī)制的屬性網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法，其特征在于，所述圖卷積網(wǎng)絡(luò)編碼器除最后一層的其余層中σ為relu函數(shù)，最后一層中σ為softmax函數(shù)。

3.根據(jù)權(quán)利要求1所述的基于并行多通道機(jī)制的屬性網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法，其特征在于，重構(gòu)鄰接矩陣

4.根據(jù)權(quán)利要求1所述的基于并行多通道機(jī)制的屬性網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法，其特征在于，所述圖卷積網(wǎng)絡(luò)編碼器的每一層表達(dá)結(jié)果由圖卷積網(wǎng)絡(luò)編碼器自身的每層結(jié)構(gòu)表示與所述深度神經(jīng)網(wǎng)絡(luò)編碼器的每層特征表示加權(quán)求和得到具體為

5.根據(jù)權(quán)利要求1所述的基于并行多通道機(jī)制的屬性網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法，其特征在于，深度神經(jīng)網(wǎng)絡(luò)編碼器的每層特征表示hl-1為

6.根據(jù)權(quán)利要求1所述的基于并行多通道機(jī)制的屬性網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法，其特征在于，對(duì)所述深度神經(jīng)網(wǎng)絡(luò)解碼器解碼重構(gòu)過程進(jìn)行監(jiān)督的損失函數(shù)為

7.根據(jù)權(quán)利要求6所述的基于并行多通道機(jī)制的屬性網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法，其特征在于，衡量重構(gòu)鄰接矩陣與原有鄰接矩陣的交叉熵?fù)p失函數(shù)，定義為

8.根據(jù)權(quán)利要求7所述的基于并行多通道機(jī)制的屬性網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法，其特征在于，圖卷積網(wǎng)絡(luò)編碼器得到輸出矩陣z借助目標(biāo)分布p進(jìn)行監(jiān)督，訓(xùn)練損失函數(shù)定義為

9.根據(jù)權(quán)利要求8所述的基于并行多通道機(jī)制的屬性網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法，其特征在于，所述自監(jiān)督訓(xùn)練時(shí)目標(biāo)函數(shù)為

10.根據(jù)權(quán)利要求9所述的基于并行多通道機(jī)制的屬性網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法，其特征在于，

技術(shù)總結(jié)
本發(fā)明公開了一種基于并行多通道機(jī)制的屬性網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法，由深度神經(jīng)網(wǎng)絡(luò)編碼器對(duì)節(jié)點(diǎn)屬性信息的特征矩陣X進(jìn)行編碼并由深度神經(jīng)網(wǎng)絡(luò)解碼器解碼得到重構(gòu)特征矩陣節(jié)點(diǎn)屬性信息的特征矩陣X和鄰接矩陣A輸入圖卷積網(wǎng)絡(luò)編碼器得到輸出矩陣Z；對(duì)輸出矩陣Z進(jìn)行內(nèi)積得到重構(gòu)鄰接矩陣來監(jiān)督圖卷積自編碼的過程，以及對(duì)輸出矩陣Z進(jìn)行自監(jiān)督訓(xùn)練直至收斂，得到最終的社區(qū)劃分，其中圖卷積網(wǎng)絡(luò)編碼器采用并行多通道機(jī)制，增強(qiáng)節(jié)點(diǎn)關(guān)鍵信息特征表示。本發(fā)明利用網(wǎng)絡(luò)中節(jié)點(diǎn)的關(guān)鍵特征信息，利用自監(jiān)督機(jī)制，優(yōu)化節(jié)點(diǎn)的嵌入表達(dá)，實(shí)現(xiàn)更精確的社區(qū)劃分結(jié)果。

技術(shù)研發(fā)人員：劉井蓮,劉國(guó)萍,趙衛(wèi)績(jī)
受保護(hù)的技術(shù)使用者：常熟理工學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/9/9