[发明专利]面向时序网络进化聚类的深度非负矩阵分解方法及其装置

说明书

本发明公开了一种面向时序网络进化聚类的深度非负矩阵分解方法及其装置，涉及图数据挖掘技术领域，包括：使用深度非负矩阵分解模型将相邻时刻的点互信息矩阵分解到同一组基矩阵上，得到第一时刻的深度特征矩阵和第二时刻的深度特征矩阵；使用自表示学习对第一时刻的深度特征矩阵进行训练，得到自表示矩阵；使用自表示矩阵对所述第二时刻的深度特征矩阵施加拉普拉斯正则项约束；同时，使用第二时刻的点互信息矩阵对第二时刻的深度特征矩阵施加拉普拉斯正则项约束；使用l_2,1范数对第一时刻的深度特征矩阵和第二时刻的深度特征矩阵进行稀疏约束；构建联合深度非负矩阵分解模型，以进行社区检测。本发明能够有效提取深度特征，以进行社区检测。

技术领域

本发明属于图数据挖掘技术领域，具体涉及一种面向时序网络进化聚类的深度非负矩阵分解方及其装置。

背景技术

社区检测是图数据挖掘领域的经典问题，随着动态网络中数据量的逐渐增加和拓扑结构的逐渐变化，动态网络中的社区检测吸引了大量的研究人员的注意。

现有技术中，动态网络的社区检测通常基于耦合图的方法完成，但该方法容易忽略节点和社区的动态性，无法刻画节点和社区随时间变化的特征，在此基础上，研究人员提出了两阶段法，采用该方法受到当前快照的网络结构的影响较大，并且对噪声比较敏感。

因此，亟需改善现有技术中存在的上述缺陷。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种面向时序网络进化聚类的深度非负矩阵分解方法及其装置。本发明要解决的技术问题通过以下技术方案实现：

第一方面，本发明提供一种面向时序网络进化聚类的深度非负矩阵分解方法，包括：

获取原始网络中的多个点互信息矩阵；

使用深度非负矩阵分解模型将相邻时刻的点互信息矩阵分解到同一组基矩阵上，得到第一时刻的深度特征矩阵和第二时刻的深度特征矩阵；

使用自表示学习对第一时刻的深度特征矩阵进行训练，得到自表示矩阵；其中，自表示矩阵为任意两个第一时刻的深度特征之间的相似程度；

使用自表示矩阵对所述第二时刻的深度特征矩阵施加拉普拉斯正则项约束，保持原始网络中的局部结构，进行第一次对第二时刻的深度特征的约束；同时，使用第二时刻的点互信息矩阵对第二时刻的深度特征矩阵施加拉普拉斯正则项约束，进行第二次对第二时刻的深度特征的约束；

使用l_2,1范数对第一时刻的深度特征矩阵和第二时刻的深度特征矩阵进行稀疏约束，以降噪；

将处理过的第一时刻的深度特征矩阵和处理后的第二时刻的深度特征矩阵进行融合，构建联合深度非负矩阵分解模型，获取第二时刻的深度特征矩阵，以进行社区检测。

第二方面，本发明还提供一种面向时序网络进化聚类的深度非负矩阵分解装置，包括：

数据获取模块；用于获取原始网络中的多个点互信息矩阵；

数据分解模块，用于使用联合深度非负矩阵分解模型将相邻时刻的点互信息矩阵分解到同一组基矩阵上，得到第一时刻的深度特征矩阵和第二时刻的深度特征矩阵；

数据处理模块一，用于基于第一时刻的深度特征矩阵，使用自表示学习进行训练，得到自表示矩阵；其中，自表示矩阵为任意两个第一时刻的深度特征之间的相似程度；

数据处理模块二，用于使用自表示矩阵对所述第二时刻的深度特征矩阵施加拉普拉斯正则项约束，保持原始网络中的局部结构，进行第一次对第二时刻的深度特征的约束；同时，使用第二时刻的点互信息矩阵对第二时刻的深度特征矩阵施加拉普拉斯正则项约束，进行第二次对第二时刻的深度特征的约束；