[发明专利]一种基于多相似度集成的网络社团检测对抗增强方法在审

专利信息
申请号: 201911014746.7 申请日: 2019-10-24
公开(公告)号: CN110941767A 公开(公告)日: 2020-03-31
发明(设计)人: 宣琦;周嘉俊;王金焕;陈丽红;俞山青 申请(专利权)人: 浙江工业大学
主分类号: G06F16/9536 分类号: G06F16/9536;G06F16/906;G06Q50/00
代理公司: 杭州斯可睿专利事务所有限公司 33241 代理人: 王利强
地址: 310014 浙江省*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 多相 集成 网络 社团 检测 对抗 增强 方法
【说明书】:

一种基于相似度的图网络社团检测对抗增强方法,包括以下步骤:S1:加载网络;S2:基于相似性进行网络重连;S3:社团检测获取社团划分;S4:集成多个社团划分结果,构造新的社团结构,具体操作步骤如下:4.1)构造共现网络;4.2)最优阈值选择;4.3)网络剪枝;4.4)孤立节点分配。本发明利用基于相似性的链路预测修复并增强网络结构,并通过集成聚类聚合多个社团划分,可以提高网络社团结构的稳定性,极大地提升了社团检测算法的性能。

技术领域

本发明涉及网络科学与数据挖掘领域,特别是涉及一种基于多相似度集成的网络社团检测对抗增强方法。

背景技术

网络中相似性较高的节点聚合成子图,称为社团,社团内部连接稠密,社团间连接稀疏。例如社交网络中,社团往往反映了具有相同关注话题的用户的集合;在科学家合作网络中,社团由具有相同研究领域的学者组成。网络的社团结构蕴含了网络重要的拓扑特征。大量研究表明,网络中社团层面的特征与全局特征存在较大的差异,忽略网络的社团结构会错过重要的网络特征。

大量的图聚类方法被提出用于网络的社区发现,以解决社会学、生物学、交通物流等学科领域的具体问题。传统的社团检测方法主要有谱聚类、模块度优化、派系过滤、层次聚类等,最新的方法聚焦于图嵌入、生成对抗网络等。然而,随着大数据时代的到来,网络数据规模不断增大,维度不断膨胀,同时网络数据的不断更新变化,都迫使着社团检测算法降低时间复杂度,提高计算速度。其次,对抗攻击(参考文献[1]:Zügner D,Akbarnejad A,Günnemann S.Adversarial attacks on neural networks for graph data[C]//Proceedings of the 24th ACM SIGKDD International Conference on KnowledgeDiscovery&Data Mining.ACM,2018:2847-2856.即Zügner D,Akbarnejad A,Günnemann S,针对图数据的神经网络对抗攻击,Proceedings of the 24th ACM SIGKDD InternationalConference on Knowledge Discovery&Data Mining.ACM,2018:2847-2856.)这一概念自提出以来,已经被广泛应用于计算机视觉、网络科学等领域。针对网络数据和算法模型的对抗攻击,严重影响了数据和算法的可靠性,使得网络数据挖掘分析出现偏差,其中也严重影响了社团检测算法的准确性。

综上,目前关于如何提升社团检测算法在大规模、对抗性数据上的检测效果的研究较为稀少。

发明内容

针对现有技术的这些难点,本发明提出网络社团检测对抗增强概念,本发明旨在结合链路预测和集成聚类解决以下问题:通过基于相似性指标的链路预测修复并增强网络的连接,将原本不明显或被破坏的网络社团结构变得清晰、稳定,利用集成聚类聚合多重社团划分,从而获得更准确的社团结构,从而帮助现有的社团检测算法提升检测精度,更好的应用于网络社团发现任务。

为了解决上述技术问题本发明提供如下的技术方案:

一种基于多相似度集成的网络社团检测对抗增强方法,包括如下步骤:

S1:加载网络其中表示网络中节点的集合,表示网络中边的集合,表示网络的真实社团划分;

S2:计算网络的节点相似性矩阵,根据节点相似性分数对边进行采样,采样得到的边用于网络的重连;

S3:对多个重连后的网络进行社团检测获取各自的社团划分结果;

S4:集成多个社团划分结果,构造新的社团结构,操作步骤如下:

4.1)构造共现网络:根据多个社团划分结果,构造共现矩阵以共现矩阵作为邻接矩阵构造共现网络

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江工业大学,未经浙江工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201911014746.7/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top