[发明专利]一种结合VAE的提取网络核心结构的社区检测方法

说明书

本发明提出了一种结合VAE的提取网络核心结构的社区检测方法。结合真实网络中的拓扑结构信息和核心结构信息，利用k‑truss算法寻找网络中的核心信息，利用变分自动编码器模型(VAE)对带有网络核心结构的相似度矩阵进行特征降维和特征提取，训练过程中提取均值与对数方差，并根据不同特征的样本生成不同特征的随机数，根据正态分布的随机数，得到数据生成。本发明利用编码部分降低数据维数，最小化重构误差和散度损失得到最优解。现有的算法大多利用经典体系，对于复杂网络作用不明显，实验时间长、难度大。本发明相对其他方法效果较好，可以得到一个完整且较为精确的社区划分结果。

技术领域：

本发明结合逻辑分析技术和自动编码器模型，属于社区检测技术领域，具体是结合k-truss算法和变分自动编码器模型(VAE)的对真实网络进行社区检测的新方法。

背景技术：

随着互联网和人工智能技术的不断发展，社交网络出现并逐渐兴起于我们的日常生活中，社交网络可以展示由具有相同兴趣、专业和能力的人组成的真实社会群体。社交网络的核心是用户和用户之间的关系。真实社交网络的节点一般可以达到数千万级甚至数万亿级，这类网络通常也很复杂。所以，针对上述情况，必须使用一种方法来发现和识别这些真实的复杂网络结构。社区检测技术是理解并发掘现实世界中许多真实复杂网络结构的一种极其重要的方法，21世纪以后，研究和分析复杂网络中的社区结构得到了众多学者的关注，同时也出现了许多新型社区检测算法。

传统的社区发现算法大多针对社区网络的拓扑结构进行研究，但社区网络中往往存在一种网络核心结构，这种核心结构通常在网络结构分析中扮演关键角色。网络核心结构表现为紧凑而密集的节点间相连接的点集合，更加贴近社区内节点连接密集社区外节点连接稀疏的社区结构的定义。同时,结合真实网络中的社区信息与变分自动编码器模型进行训练可以更好的提取网络中核心结构的特征。所以针对上述情况，综合考虑网络拓扑结构和网络中的核心结构进行全面分析，以得到更优的结果，完善现有的社区检测算法。

发明内容

本发明提供了一种结合VAE的提取网络核心结构的社区检测方法，其特征在于，使用k-truss算法找到网络中的k-truss结构，具体包括以下步骤：

步骤1：对原始数据集进行数据预处理，建立网络图的邻接矩阵，并所述邻接矩阵的生成相似度矩阵；

步骤2：利用变分自动编码器模型对带有网络核心结构的相似度矩阵进行特征降维和特征提取；

步骤3：基于变分自动编码器的算法模型由社区信息提取模块和深度学习模块组成，结合社区信息在给定的深度学习框架下进行调整训练，获得网络结构的低维特征表示；

步骤4：对步骤3中得到的低维特征矩阵使用K-means算法进行聚类，最终得到社区划分结果。

进一步的，步骤1具体包括：

1.1：获取原始数据集中的数据，建立原始网络图；

1.2：对步骤1.1中的原始网络图建立邻接矩阵；

1.3：计算步骤1.1中原始网络图中每条边的支持度；

1.4：计算步骤1.3中原始网络图中的k-truss核心结构；

1.5：根据步骤1.2中的邻接矩阵和步骤1.4中的k-truss核心结构，计算每个节点的相似度；

1.6：根据步骤1.2中的邻接矩阵和步骤1.5中每个节点的相似度，并计算生成相似度矩阵。