[发明专利]一种融合节点属性的深度社团发现方法

说明书

一种融合节点属性的深度社团发现方法，涉及作图分割问题的技术领域。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；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；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。本发明利用深度神经网络挖掘非线性结构，同时结合节点属性信息得到更准确的社团结构。

技术领域

本发明涉及作图分割问题的技术领域，尤其是一种融合节点属性的深度社团发现方法。

背景技术

社团结构是广泛存在于网络中的重要结构特征，在社团内部的节点之间连接紧密，社团之间的节点连接稀疏。社团发现是通过对网络中节点之间的相互作用和潜在的信息进行分析，从介观角度挖掘网络数据中隐藏的社团结构的过程。社团发现为探索复杂网络的潜在特征提供了有效工具，对理解网络组织结构、分析网络潜在特性、发现网络隐藏规律和交互模式等具有重要的理论和现实意义。节点属性作为网络中重要的信息，结合网络属性有助于挖掘更准确的社团结构。

虽然已经提出了许多社区检测方法并取得了合理的结果，但我们仍然面临着以下三大挑战:第一，随机模型和模块化最大化模型都是线性模型，只能捕捉网络的线性结构。然而，已经证明现实世界中的网络结构是复杂的，最好将其视为高度非线性。其次，众所周知，计算特征值需要很高的计算空间。因此，可扩展性是一个主要的瓶颈。第三，如何有效地整合不同类型的信息来检测社区还有待解决。大多数算法只利用了拓扑信息，而忽略了重要的属性信息。日常生活中的网络在每个节点中都有丰富的属性信息，这些属性可以用来提高社区检测的效率。属性信息的加入可以补充拓扑信息，缓解网络稀疏问题。

发明内容

本发明的目的是提出一种融合节点属性的深度社团发现方法，利用深度神经网络挖掘非线性结构，同时结合节点属性信息得到更准确的社团结构。

一种融合节点属性的深度社团发现方法，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。

优选的是，本发明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。

优选的是，本发明构建深度自编码器捕捉网络结构的具体过程为：