[发明专利]一种融合节点属性的深度社团发现方法

权利要求书

1.一种融合节点属性的深度社团发现方法，其特征在于包括如下步骤：

第一步：构建模块度矩阵：模块度的值越大代表社团结构越清晰，社团的划分越好，通过最大化模块度可以得到网络的社团结构；

第二步：构建深度自编码器捕捉网络结构：通过重构模块度矩阵，在隐层的最后一层输出H中保存网络的非线性社团结构；

第三步：结合节点属性信息；当拥有相同属性的节点划分到不同社团，将执行一个惩罚，同时利用融合链接关系数据和节点内容数据进行社团发现。

2.根据权利要求1所述的融合节点属性的深度社团发现方法，其特征在于上述构建模块度矩阵的具体过程为：

模块度被定义为社团内连接边的比例减去在同样社团结构下任意两个节点之间连接边的比例的期望值：

其中，是网络中边的总数量，代表如果网络中的边是随机放置时节点v_i和v_j之间的期望边数，w_i(w_j)代表节点v_i(v_j)的度，δ(c_i,c_j)为克罗内克函数；引入模块矩阵B∈R^n×n，n为网络中节点的个数，R为实数集，模块度矩阵的元素模块度写为：

Q＝tr(H^TBH) s.t.tr(H^TH)＝n (6)

矩阵H为社团指示矩阵，矩阵每行最大值所对应的社团就是节点所属的社团，h_ij代表节点i隶属于社团j的概率，H^T为矩阵H的转置矩阵。

3.根据权利要求2所述的融合节点属性的深度社团发现方法，其特征在于上述构建深度自编码器捕捉网络结构的具体过程为：

动编码器的目标是最小化输出数据和输入数据之间的重建误差，以便最后的隐藏层可以最大程度地保留原始输入数据的特征。本发明将模块度矩阵作为深度自编码器的输入，通过重构捕获模块度矩阵中的非线性结构：

其中，θ＝{W⁽¹⁾,W⁽²⁾,b⁽¹⁾,b⁽²⁾}为超参数集合；B为模块度矩阵，矩阵元素通过重构模块度矩阵，在隐层的最后一层输出H中保存网络的非线性社团结构。

4.根据权利要求3所述的融合节点属性的深度社团发现方法，其特征在于上述结合节点属性信息的具体过程为：

假设两个节点v_i和v_j在内容属性方面具有高度相似性s_ij，那么它们有很大的概率属于同一个社团，两个节点v_i和v_j的社团指示矩阵向量也应该相似；

构造属性相似矩阵S，节点v_i和v_j之间属性的相似性用s_ij表示，其中，我们利用余弦相似度来计算两个节点之间的属性相似度：

其中，t_i为节点属性矩阵的第i行，代表节点v_i的属性特征向量；

对于每个节点v_i，基于属性相似性，搜索和节点v_i拥有最相近属性相似度的k个节点；如果节点v_i是节点v_j的k-近邻，那么节点v_j也应该是节点v_i的k-近邻，所有属性近邻图是对称的；在相似度矩阵中保留节点v_i与它k-近邻之间的相似度值s_ij，其他非近邻对应的元素设为0；

在得到属性相似度矩阵S后，在自动编码器中引入一个图正则项来融合属性信息；假设如果节点v_i和v_j具有高属性相似性s_ij，那么它们的嵌入向量h_i和h_j也应该是相似的：

其中，拉普拉斯矩阵L＝D-S，D为对角矩阵；将图形正则化项并入重建损失函数，得到SADA最终的损失函数:

其中α为控制正则化项权重的参数；通过优化得到矩阵H，H每一行最大值对应的社团即为节点属于的社团，从而获得最终的社团结构。