[发明专利]一种基于深度卷积生成对抗网络的图结构数据生成方法

说明书

本发明公开了一种基于深度卷积生成对抗网络的图结构数据生成方法，属于大数据技术领域。本发明方法将深度卷积生成对抗网络应用到图结构数据的生成领域，本发明方法首先将现实的图结构数据转换具有唯一性的网格结构图片；然后通过深度卷积生成对抗网络来学习生成模型；最后，通过学习得到的生成模型，按照输入参数按需生成特定规模的仿真图结构数据。本发明基于深度卷积生成对抗网络的图结构数据生成方法，主要从现实图结构数据提取特征来构造模型，从而使生成的仿真图结构数据具备的属性更加符合现实的图结构数据。

技术领域

本发明属于大数据技术领域，更具体地，涉及一种基于深度卷积生成对抗网络的图结构数据生成方法。

背景技术

图结构模型(Graph-Structured Model)在现实生活中随处可见，比如社交网络、交通网络、信息网络等。大数据时代，数据就是资产，而且绝大部分数据资源掌握在极少数的企业手中。这造成了绝大部分研究者数据资源匮乏的状况。同时，超大规模图结构数据处理系统的开发，也需要超大规模的图结构数据进行测试。为了满足以上的需求，多种类型的图结构数据生成模型被提出。图结构数据生成模型的目的是生成具备现实图结构数据属性的仿真图结构数据，满足对图结构数据研究的需求。虽然图结构数据生成模型研究得到很大的发展，但其存在的问题依然没有解决。比如，生成的仿真图结构数据具备的属性偏离实际的图结构数据或者生成的仿真图结构数据只具备特定的属性而不能够同时具备多种属性等问题。在此背景下如何生成更加符合现实的仿真图结构数据是大数据生成领域研究一个亟待解决的问题。

现有的图结构数据生成模型大致分为五种类型：随机图生成模型、偏好依附生成模型、基于最优化生成模型、基于张量生成模型和特殊属性生成模型。随机图生成模型是被提出最早的图结构数据生成模型，当把新的数据点加入到图结构数据，该点与图结构数据中的每个点之间存在边的概率是均等的p。该模型操作简单，但存在的问题异常突出，比如该模型生成的图结构数据的度分布是泊松分布，而现实图结构数据的度分布往往是幂率分布。偏好依附生成模型被形容为“富有者更加富有”，当向图结构数据添加新的数据点，该点与图结构数据中的点存在边的概率与点的度大小成正相关。偏好依附生成模型可以生成具备幂率和度分布重尾等属性的仿真图结构数据，但不能生成具备社区结构属性的仿真图结构数据。基于最优化生成模型是一种资源最优化模型，当向图结构数据添加新的点，考虑路程距离、连接开销等现实因素，该点总会连接开销最低的几个点。特殊属性生成模型是为了研究特定的属性而生成的图结构数据，比如小世界图结构模型、层次图结构模型等。

以上介绍的四种图结构数据生成模型是人工设置参数来生成具备特定属性的图结构数据，而最常用的图结构数据生成模型是基于张量的生成模型。基于张量的生成模型可以从现实中的图结构数据学习特征，并通过张量乘积来生成仿真图结构数据。该模型已经被收入Graph500基准。基于张量的生成模型可以划分两个阶段：特征学习阶段，首先给出特征矩阵通过求取最大似然函数argmax_θP(G|θ)来求取特征矩阵θ。第二阶段对特征矩阵θ进行张量乘积生成概率矩阵，矩阵的元素值为两点之间存在边的概率值。基于张量的生成模型相比较前四种模型，其生成的仿真图结构数据更加符合现实中的图结构数据。

综上五种类型的生成模型，无论是人工设置参数的模型还是从现实的图结构数据中学习参数模型，其生成的仿真图结构数据属性与现实图结构数据属性之间存在偏差，并且生成的仿真图结构数据也不能够很好的同时具备多种属性。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于深度卷积生成对抗网络的图结构数据生成方法，其目的在于首先将现实图结构数据转换具有唯一性的网格结构图片；然后通过深度卷积生成对抗网络来学习生成模型；最后，通过学习得到的生成模型，按照输入参数按需生成特定规模的仿真图结构数据，由此生成的仿真图结构数据更好的具备现实图结构数据的诸多属性。

为实现上述目的，本发明提供了一种基于深度卷积生成对抗网络的图结构数据生成方法，所述方法包括：