[发明专利]基于最大化互信息和图神经网络的属性图群组发现方法

权利要求书

1.一种基于最大化互信息和图神经网络的属性图群组发现方法，用于对待处理属性图中的各个节点进行群组发现得到包含所有节点对应群组的群组发现结果，其特征在于，包括如下步骤：

步骤S1，获取所述待处理属性图中各个所述节点的节点信息，并将所有所述节点信息进行处理得到包含邻接矩阵和属性矩阵的待处理矩阵；

步骤S2，利用预先训练好的图神经网络对所述待处理矩阵进行表征学习得到初步节点表征，并对所述待处理属性图进行互信息计算得到全局互信息值；

步骤S3，利用软聚类将所述初步节点表征划分到多个群组的中心得到分配矩阵；

步骤S4，根据所述分配矩阵对所述原始群组进行模块度以及所述待处理属性图内的互信息计算得到模块度值以及群组互信息；

步骤S5，根据所述模块度值、所述群组互信息以及所述全局互信息值计算总损失，并根据该总损失通过梯度回传对所述图神经网络进行迭代更新直到得到所述群组发现结果。

2.根据权利要求1所述的基于最大化互信息和图神经网络的属性图群组发现方法，其特征在于：

其中，所述步骤S2包括如下子步骤：

步骤S2-1，将所述待处理矩阵输入所述图神经网络得到所述初步节点表征H：

式中，X为所述属性矩阵，A为所述邻接矩阵，为所述邻接矩阵A与单位对角矩阵相加得到，矩阵对角线上的每个位置代表了所述节点的度，σ为激活函数，θ为网络参数；

步骤S2-2，对所述属性矩阵进行负采样得到负采样属性矩阵

步骤S2-3，根据公式(2)对所述初步节点表征求平均，得到所述属性图的平均向量S；

S＝R(ε(X，A)) 公式(2)

式中，X为所述属性矩阵，A为所述邻接矩阵，R为平均池化函数；

步骤S2-4，基于所述属性矩阵、所述邻接矩阵、所述负采样属性矩阵根据公式(3)求得所述全局互信息Lgraph：

式中，N为所述待处理属性图的所有所述节点的数量，M为负采样节点个数，D为交叉熵函数，h_i为所述待处理属性图第i个所述节点的所述初步节点表征，i＝1，2，3...N，j＝1，2，3...M。

3.根据权利要求2所述的基于最大化互信息和图神经网络的属性图群组发现方法，其特征在于：

其中，所述步骤S3还包括如下子步骤：

步骤S3-1，利用软聚类将所述初步节点表征划分到多个群组的中心得到初始群组中心；

步骤S3-2，根据所述初始群组中心通过公式(5)进行所述初始群组中心所在的所述群组的其它节点的获取，得到新的所述群组中心μ_k：

式中，K为所述群组的总数量，hi属于所述初步节点表征H，i＝1，2，3...N，k＝1，2，3...K，z＝1，2，3...K，r_ik为所述分配矩阵R中的第i行第k列位置的值，δ是代表聚类松弛程度的系数。

4.根据权利要求3所述的基于最大化互信息和图神经网络的属性图群组发现方法，其特征在于：

其中，所述模块度Q以及所述待处理属性图内的互信息L_community计算为：

式中，m为所述节点相连接的边的数量，d为所述节点的度数，R为所述分配矩阵，Tr为矩阵迹运算，A_ij为所述邻接矩阵中第i个所述节点和第j个所述节点之间是否有边相连接，d_id_j是第i个所述节点以及第j个所述节点之间的度数，D为交叉熵函数。

5.根据权利要求4所述的基于最大化互信息和图神经网络的属性图群组发现方法，其特征在于，还包括：

其中，所述模块度值Q、所述群组互信息L_community以及所述全局互信息值L_graph计算总损失L：

L＝αL_graph+βL_community+Q 公式(6)

式中，α和β为超参数。

6.根据权利要求1所述的基于最大化互信息和图神经网络的属性图群组发现方法，其特征在于：

其中，所述群组发现结果ci为：

式中，i＝1，2，3...N，k＝1，2，3...K，N为所述待处理属性图的所有所述节点的数量，K为所述群组的总数量，r_ik为所述分配矩阵R中的第i行第k列位置的值。