本發(fā)明涉及數(shù)據(jù)處理，特別涉及一種基于概率分布分層圖聚類網(wǎng)絡(luò)的社區(qū)檢測方法及系統(tǒng)。

背景技術(shù)：

1、目前，隨著網(wǎng)絡(luò)技術(shù)的發(fā)展，各種復(fù)雜網(wǎng)絡(luò)層出不窮，如社交網(wǎng)絡(luò)、通信網(wǎng)絡(luò)、生物網(wǎng)絡(luò)等，在這些網(wǎng)絡(luò)中，社區(qū)結(jié)構(gòu)是一個常見且重要的特征，它反映了網(wǎng)絡(luò)中節(jié)點之間緊密連接的子結(jié)構(gòu)，準(zhǔn)確檢測網(wǎng)絡(luò)中的社區(qū)結(jié)構(gòu)對于理解網(wǎng)絡(luò)的功能和特性具有重要意義；

2、但是，現(xiàn)有的社區(qū)檢測方法在面對復(fù)雜多變的網(wǎng)絡(luò)環(huán)境時，存在準(zhǔn)確性和效率方面的不足，同時，網(wǎng)絡(luò)中可能會存在不確定性和隨機因素，無法對網(wǎng)絡(luò)中各層級的社區(qū)結(jié)構(gòu)進(jìn)行準(zhǔn)確分析，大大影響了對各類網(wǎng)絡(luò)中社區(qū)的檢測效果；

3、因此，為了克服上述缺陷，本發(fā)明提供了一種基于概率分布分層圖聚類網(wǎng)絡(luò)的社區(qū)檢測方法及系統(tǒng)。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種基于概率分布分層圖聚類網(wǎng)絡(luò)的社區(qū)檢測方法及系統(tǒng)，用以通過采用圖卷積網(wǎng)絡(luò)對待處理圖數(shù)據(jù)進(jìn)行預(yù)處理，實現(xiàn)對待處理圖數(shù)據(jù)中的節(jié)點特征進(jìn)行準(zhǔn)確有效的確定，并通過節(jié)點特征對各節(jié)點之間的相似度確定，實現(xiàn)根據(jù)相似度對各節(jié)點的概率分布進(jìn)行確定，為進(jìn)行社區(qū)檢測提供了便利，其次，通過概率分布對節(jié)點進(jìn)行聚類處理，實現(xiàn)對各節(jié)點對應(yīng)的歸屬社區(qū)進(jìn)行鎖定，實現(xiàn)根據(jù)歸屬社區(qū)對多層次社區(qū)樹狀圖進(jìn)行有效構(gòu)建，最后，通過模型損失函數(shù)對多層次社區(qū)樹狀圖的社區(qū)進(jìn)行細(xì)化劃分，實現(xiàn)對各節(jié)點進(jìn)行準(zhǔn)確可靠的社區(qū)檢測，保障了社區(qū)檢測的準(zhǔn)確性，大大提升了社區(qū)檢測的效果，為網(wǎng)絡(luò)的功能和特性的理解提供了極大的便利。

2、本發(fā)明提供了一種基于概率分布分層圖聚類網(wǎng)絡(luò)的社區(qū)檢測方法，包括：

3、步驟1：基于圖卷積網(wǎng)絡(luò)對待處理圖數(shù)據(jù)進(jìn)行預(yù)處理，提取待處理圖數(shù)據(jù)中各節(jié)點的節(jié)點特征，并基于節(jié)點特征確定各節(jié)點間的相似度；

4、步驟2：基于相似度確定各節(jié)點的概率分布，并基于概率分布將各節(jié)點聚類至對應(yīng)歸屬社區(qū)，且基于聚類結(jié)果構(gòu)建多層次社區(qū)樹狀圖；

5、步驟3：基于模型損失函數(shù)對多層次社區(qū)樹狀圖的社區(qū)進(jìn)行細(xì)化劃分，并基于細(xì)化劃分結(jié)果完成對待處理圖數(shù)據(jù)中各節(jié)點的社區(qū)檢測。

6、優(yōu)選的，一種基于概率分布分層圖聚類網(wǎng)絡(luò)的社區(qū)檢測方法，步驟1中，基于圖卷積網(wǎng)絡(luò)對待處理圖數(shù)據(jù)進(jìn)行預(yù)處理之前，包括：

7、獲取管理終端發(fā)送的待處理圖數(shù)據(jù)，并基于處理指標(biāo)對待處理圖數(shù)據(jù)進(jìn)行遍歷，得到待處理圖數(shù)據(jù)在處理指標(biāo)下的指標(biāo)值；

8、基于指標(biāo)值確定待處理圖數(shù)據(jù)的圖像表征特征，并將圖像表征特征與預(yù)設(shè)要求進(jìn)行差異比對；

9、基于差異比對結(jié)果確定圖像表征特征滿足預(yù)設(shè)要求時，則判定待處理圖數(shù)據(jù)合格，并觸發(fā)對待處理圖像的社區(qū)檢測機制；

10、否則，對待處理圖數(shù)據(jù)進(jìn)行退回。

11、優(yōu)選的，一種基于概率分布分層圖聚類網(wǎng)絡(luò)的社區(qū)檢測方法，步驟1中，基于圖卷積網(wǎng)絡(luò)對待處理圖數(shù)據(jù)進(jìn)行預(yù)處理，提取待處理圖數(shù)據(jù)中各節(jié)點的節(jié)點特征，包括：

12、獲取得到的待處理圖數(shù)據(jù)，并對待處理圖像進(jìn)行區(qū)域劃分；

13、基于區(qū)域劃分結(jié)果同步對不同區(qū)域中各節(jié)點的局部區(qū)域表征進(jìn)行確定，并基于局部區(qū)域表征得到各節(jié)點的邊緣特征、紋理特征及各節(jié)點之間的相對連接關(guān)系；

14、基于各節(jié)點的邊緣特征、紋理特征及各節(jié)點之間的相對連接關(guān)系得到待處理圖數(shù)據(jù)中各節(jié)點的節(jié)點特征，并對節(jié)點特征進(jìn)行向量轉(zhuǎn)換，得到各節(jié)點的節(jié)點特征對應(yīng)的特征向量。

15、優(yōu)選的，一種基于概率分布分層圖聚類網(wǎng)絡(luò)的社區(qū)檢測方法，步驟1中，基于節(jié)點特征確定各節(jié)點間的相似度，包括：

16、獲取圖卷積網(wǎng)絡(luò)的基本配置參數(shù)，并基于基本配置參數(shù)確定圖卷積網(wǎng)絡(luò)的目標(biāo)層數(shù)；

17、基于目標(biāo)層數(shù)依次對待處理圖數(shù)據(jù)中各節(jié)點的節(jié)點特征以及相鄰節(jié)點的節(jié)點特征進(jìn)行聚合，并基于聚合結(jié)果將各節(jié)點的節(jié)點特征進(jìn)行低維度空間轉(zhuǎn)換，得到各節(jié)點的節(jié)點特征的節(jié)點嵌入特征；

18、根據(jù)如下公式對節(jié)點的節(jié)點特征以及相鄰節(jié)點的節(jié)點特征進(jìn)行聚合：

19、

20、zv＝h(l)；

21、其中，h(l+1)表示圖卷積網(wǎng)絡(luò)中目標(biāo)層數(shù)依次對待處理圖數(shù)據(jù)中各節(jié)點的節(jié)點特征以及相鄰節(jié)點的節(jié)點特征進(jìn)行聚合得到的特征；σ(·)表示激活函數(shù)；l表示圖卷積網(wǎng)絡(luò)中當(dāng)前目標(biāo)層數(shù)的標(biāo)號值；表示對角矩陣；表示加權(quán)鄰接矩陣加上當(dāng)前層數(shù)的鄰接矩陣的總和；h(l)表示圖卷積網(wǎng)絡(luò)中第l層節(jié)點的特征矩陣；w(l)表示圖卷積網(wǎng)絡(luò)中第l層的權(quán)重；h(l)表示h(l+1)從第一層數(shù)逐步聚合至l層數(shù)得到的特征；zv表示各節(jié)點的節(jié)點特征的節(jié)點嵌入矩陣；v指的是待處理圖數(shù)據(jù)中各節(jié)點的序號值；

22、對不同節(jié)點間的節(jié)點嵌入特征進(jìn)行分析，得到各節(jié)點間的相似度。

23、優(yōu)選的，一種基于概率分布分層圖聚類網(wǎng)絡(luò)的社區(qū)檢測方法，基于聚合結(jié)果將各節(jié)點的節(jié)點特征進(jìn)行低維度空間轉(zhuǎn)換，得到各節(jié)點的節(jié)點特征的節(jié)點嵌入特征，包括：

24、基于管理終端的運行標(biāo)準(zhǔn)確定待處理圖數(shù)據(jù)中各節(jié)點的加權(quán)鄰接矩陣，并基于各節(jié)點的加權(quán)鄰接矩陣和各節(jié)點的節(jié)點嵌入特征確定各節(jié)點嵌入特征的特征損失值；

25、

26、其中，μ表示各節(jié)點嵌入特征的特征損失值；i、j表示節(jié)點的序號值，且取值范圍為[1，n]；n表示節(jié)點的總個數(shù)；aij表示節(jié)點i和節(jié)點j之間的加權(quán)鄰接矩陣；σ(·)表示激活函數(shù)；表示節(jié)點i的節(jié)點嵌入矩陣的轉(zhuǎn)置矩陣；hj為節(jié)點j的節(jié)點嵌入矩陣；

27、將各節(jié)點的特征損失值與預(yù)設(shè)閾值進(jìn)行比較，并在特征損失值大于預(yù)設(shè)閾值時，重新對當(dāng)前節(jié)點的節(jié)點特征以及相鄰節(jié)點的節(jié)點特征進(jìn)行聚合，直至特征損失值小于預(yù)設(shè)閾值。

28、優(yōu)選的，一種基于概率分布分層圖聚類網(wǎng)絡(luò)的社區(qū)檢測方法，對不同節(jié)點間的節(jié)點嵌入特征進(jìn)行分析，得到各節(jié)點間的相似度，包括：

29、獲取不同節(jié)點的節(jié)點嵌入特征對應(yīng)的特征向量，并基于預(yù)設(shè)計算公式對特征向量進(jìn)行相似度計算，執(zhí)行步驟包括：

30、

31、其中，sim(i,j)表示節(jié)點i和節(jié)點j的特征向量之間的夾角余弦值；表示節(jié)點i從第一層數(shù)逐步聚合至l層數(shù)得到的特征向量；表示節(jié)點j從第一層數(shù)逐步聚合至l層數(shù)得到的特征向量；‖·‖表示向量的范數(shù)；表示節(jié)點i從第一層數(shù)逐步聚合至l層數(shù)得到的特征向量對應(yīng)的模值；表示節(jié)點j從第一層數(shù)逐步聚合至l層數(shù)得到的特征向量的模值；

32、基于各節(jié)點間特征向量的夾角余弦值得到各節(jié)點間的相似度。

33、優(yōu)選的，一種基于概率分布分層圖聚類網(wǎng)絡(luò)的社區(qū)檢測方法，步驟2中，基于相似度確定各節(jié)點的概率分布，并基于概率分布將各節(jié)點聚類至對應(yīng)歸屬社區(qū)，且基于聚類結(jié)果構(gòu)建多層次社區(qū)樹狀圖，包括：

34、獲取得到的各節(jié)點間的相似度，并基于相似度確定待處理圖數(shù)據(jù)中各節(jié)點之間的節(jié)點對；

35、同時，將節(jié)點對的相似度映射至預(yù)設(shè)函數(shù)進(jìn)行處理，得到各節(jié)點對的采樣概率，并基于采樣概率確定各節(jié)點對的節(jié)點距離；

36、基于各節(jié)點間的相似度以及各節(jié)點對的節(jié)點距離得到各節(jié)點的概率分布，并基于概率分布結(jié)果對各節(jié)點進(jìn)行聚類處理，得到各節(jié)點對應(yīng)的歸屬社區(qū)；

37、基于聚類結(jié)果依次確定不同歸屬社區(qū)之間的相似度，并將相似度大于預(yù)設(shè)閾值的歸屬社區(qū)進(jìn)行社區(qū)合并，得到新社區(qū)；

38、基于社區(qū)合并結(jié)果對各節(jié)點對應(yīng)的歸屬社區(qū)進(jìn)行目標(biāo)次數(shù)的迭代合并處理，并對每一次迭代合并處理后新社區(qū)與其余社區(qū)的目標(biāo)距離進(jìn)行更新，且基于更新結(jié)果得到多層次社區(qū)樹狀圖。

39、優(yōu)選的，一種基于概率分布分層圖聚類網(wǎng)絡(luò)的社區(qū)檢測方法，步驟3中，基于模型損失函數(shù)對多層次社區(qū)樹狀圖的社區(qū)進(jìn)行細(xì)化劃分，并基于細(xì)化劃分結(jié)果完成對待處理圖數(shù)據(jù)中各節(jié)點的社區(qū)檢測，包括：

40、獲取得到的多層次社區(qū)樹狀圖，并基于社區(qū)檢測要求為多層次社區(qū)樹狀圖配置模塊度的初始參量以及單次調(diào)整參量；

41、基于單次調(diào)整參量對模塊度的初始參量進(jìn)行遞增調(diào)整，并基于遞增調(diào)整結(jié)果對多層次社區(qū)樹狀圖中各歸屬社區(qū)的局部結(jié)構(gòu)進(jìn)行細(xì)化劃分；

42、基于細(xì)化劃分結(jié)果得到待處理圖數(shù)據(jù)最終的社區(qū)檢測結(jié)果，完成對待處理圖數(shù)據(jù)中各節(jié)點的社區(qū)檢測。

43、本發(fā)明提供了一種基于概率分布分層圖聚類網(wǎng)絡(luò)的社區(qū)檢測系統(tǒng)，包括：

44、相似度確定模塊，用于基于圖卷積網(wǎng)絡(luò)對待處理圖數(shù)據(jù)進(jìn)行預(yù)處理，提取待處理圖數(shù)據(jù)中各節(jié)點的節(jié)點特征，并基于節(jié)點特征確定各節(jié)點間的相似度；

45、社區(qū)檢測模塊，用于基于相似度確定各節(jié)點的概率分布，并基于概率分布將各節(jié)點聚類至對應(yīng)歸屬社區(qū)，且基于聚類結(jié)果構(gòu)建多層次社區(qū)樹狀圖；

46、社區(qū)細(xì)化模塊，用于基于模型損失函數(shù)對多層次社區(qū)樹狀圖的社區(qū)進(jìn)行細(xì)化劃分，并基于細(xì)化劃分結(jié)果完成對待處理圖數(shù)據(jù)中各節(jié)點的社區(qū)檢測。

47、優(yōu)選的，一種基于概率分布分層圖聚類網(wǎng)絡(luò)的社區(qū)檢測系統(tǒng)，相似度確定模塊，包括：

48、圖像準(zhǔn)備單元，用于獲取管理終端發(fā)送的待處理圖數(shù)據(jù)，并基于處理指標(biāo)對待處理圖數(shù)據(jù)進(jìn)行遍歷，得到待處理圖數(shù)據(jù)在處理指標(biāo)下的指標(biāo)值；

49、圖像核驗單元，用于：

50、基于指標(biāo)值確定待處理圖數(shù)據(jù)的圖像表征特征，并將圖像表征特征與預(yù)設(shè)要求進(jìn)行差異比對；

51、基于差異比對結(jié)果確定圖像表征特征滿足預(yù)設(shè)要求時，則判定待處理圖數(shù)據(jù)合格，并觸發(fā)對待處理圖像的社區(qū)檢測機制；

52、否則，對待處理圖數(shù)據(jù)進(jìn)行退回。

53、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果如下：

54、通過采用圖卷積網(wǎng)絡(luò)對待處理圖數(shù)據(jù)進(jìn)行預(yù)處理，實現(xiàn)對待處理圖數(shù)據(jù)中的節(jié)點特征進(jìn)行準(zhǔn)確有效的確定，并通過節(jié)點特征對各節(jié)點之間的相似度確定，實現(xiàn)根據(jù)相似度對各節(jié)點的概率分布進(jìn)行確定，為進(jìn)行社區(qū)檢測提供了便利，其次，通過概率分布對節(jié)點進(jìn)行聚類處理，實現(xiàn)對各節(jié)點對應(yīng)的歸屬社區(qū)進(jìn)行鎖定，實現(xiàn)根據(jù)歸屬社區(qū)對多層次社區(qū)樹狀圖進(jìn)行有效構(gòu)建，最后，通過模型損失函數(shù)對多層次社區(qū)樹狀圖的社區(qū)進(jìn)行細(xì)化劃分，實現(xiàn)對各節(jié)點進(jìn)行準(zhǔn)確可靠的社區(qū)檢測，保障了社區(qū)檢測的準(zhǔn)確性，大大提升了社區(qū)檢測的效果，為網(wǎng)絡(luò)的功能和特性的理解提供了極大的便利。

55、本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在本技術(shù)文件中所特別指出的結(jié)構(gòu)來實現(xiàn)和獲得。

56、下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。