[发明专利]一种基于网络表征学习的社团检测方法及系统

说明书

本发明提出了一种基于网络表征学习的社团检测方法及系统，涉及社团检测领域，利用图卷积捕获复杂网络的多阶相似度矩阵，并整合多阶相似度矩阵，得到总相似度矩阵；对总相似度矩阵进行非负矩阵分解，得到复杂网络的节点低维向量；基于得到的节点低维向量，通过贝叶斯信息准则BIC和高斯混合模型GMM进行节点聚类，完成社团检测；本发明提出一种基于图卷积的捕获多阶相似度的创新策略，并通过整合多阶相似度增强社团结构，利用非负矩阵分解NMF实现节点的低维向量表征，基于贝叶斯信息准则BIC和高斯混合模型GMM预测社团数量并实现社团检测，有效提升社团检测的精度，并克服大多社团检测算法需预先指定社团数量的不足。

技术领域

本发明属于社团检测领域，尤其涉及一种基于网络表征学习的社团检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

复杂网络是复杂系统抽象后的表示方式，其中组成复杂系统的基本单元为节点，节点之间的反应或相互关系为连边，是深入理解复杂系统性质与功能的重要研究工具；复杂网络已存在于我们生活的许多方面，如代表个体人际关系的社交网络、基因和蛋白质等生物分子组成的生物网络、互联网和交通网络等现实技术网络等；复杂网络的一个显著特征便是它的社团结构，即复杂网络中内部连接紧密而外部连接稀疏的节点集合；因此社团检测是网络拓扑研究的重点，其旨在利用网络拓扑中所蕴涵的结构信息来发现社团结构，试图从组织级视角来分析节点间的协同作用关系，探究复杂网络的潜在规律，加深研究者对复杂系统组织机制的理解，是一种重要的网络分析工具。

先前研究中提出了多种社团检测算法，如基于划分的GN算法、基于模块度优化的Louvain算法、基于标签传播的LPA算法、基于局部扩展的Walktrap算法和Infomap算法、基于图嵌入的IsoMap算法和拉普拉斯特征映射算法等。此外，聚类算法也常被应用于社团检测任务中，如需要提前指定聚类簇数的k-means算法、对离群点和噪声点较敏感的DBSCAN算法、基于贪心策略而无法全局最优的层次聚类等。然而，这些算法仅仅考虑低阶拓扑结构来检测社团，导致不能够充分利用网络的整体结构信息，从而限制了这些算法的社团检测精度。因此，有效利用网络的结构信息实现高精度社团检测成为一个重要的研究方向。

在现有的社团检测方法中，仅使用低阶拓扑连通性来检测复杂网络中的社团结构，导致不能够充分利用网络的整体结构信息，从而限制了这些算法的社团检测精度，而且存在只适用于单一网络类型、识别精度低和需预先设置社团数量等问题；只适用于单一网络类型导致很多社团检测方法只能针对性应用，因问题制宜；识别精度低导致社团检测结果可信度较低，难以进行下一步分析；需预先设置社团数量导致参数设置对最终社团检测结果影响较大。

因此，亟需一种可适用于多种网络类型的社团检测算法，解决只适用于单一网络类型、识别精度低和需预先设置社团数量等问题。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于网络表征学习的社团检测方法及系统，提出一种基于图卷积的捕获多阶相似度的创新策略，并通过整合多阶相似度增强社团结构，利用非负矩阵分解(NMF)实现节点的低维向量表征，基于贝叶斯信息准则(BIC)和高斯混合模型(GMM)预测社团数量并实现社团检测，有效提升社团检测的精度，并克服大多社团检测算法需预先指定社团数量的不足。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

本发明第一方面提供了一种基于网络表征学习的社团检测方法；

一种基于网络表征学习的社团检测方法，包括：

利用图卷积捕获复杂网络的多阶相似度矩阵，并整合多阶相似度矩阵，得到总相似度矩阵；

对总相似度矩阵进行非负矩阵分解，得到复杂网络的节点低维向量；

基于得到的节点低维向量，通过贝叶斯信息准则BIC和高斯混合模型GMM进行节点聚类，完成社团检测。