[发明专利]基于环路增强图卷积神经网络的社区发现方法

权利要求书

1.一种基于环路增强图卷积神经网络的社区发现方法，其特征在于，包括以下步骤：

步骤1：导入社区图数据，假设图中有N个节点，每个节点都有属于自己的特征，此图能够用G＝(V，E)来表示，其中，V是节点的集合，E是边的集合；

步骤2：提取图结构中的环路信息；

步骤3：构建基于环路的图卷积神经网络模型并进行特征提取；

步骤4：经过两层图卷积神经网络特征提取之后，将输出矩阵H²输入一层Softmax，即可实现节点分类Z：

Z＝softmax(H²)

步骤5：计算Z与标准分类结果的交叉熵，通过交叉熵损失函数，采用梯度下降法更新图卷积神经网络参数，反复进行训练，直到模型收敛，并将最终得到的模型应用于各社区的分类和发现。

2.根据权利要求1所述的基于环路增强图卷积神经网络的社区发现方法，其特征在于，所述步骤1具体包括：

步骤1.1：提取特征矩阵为X∈R^N×D并将其标准化，其中，D为输入的特征维度，X_ij表示第i个节点的第j个特征；

步骤1.2：提取图结构中的邻接矩阵A∈R^N×N，该邻接矩阵能够表示各节点之间的关系，若节点i和j之间的边存在，则在邻接矩阵的相应位置置1。

3.根据权利要求2所述的基于环路增强图卷积神经网络的社区发现方法，其特征在于，所述步骤2具体包括：

步骤2.1：采用深度优先搜索算法找出图中所有环路存放到集合C，C＝{c₁，c₂，...，c_i，...，c_M}，其中，表示第i个环路的节点序列，n_k表示c_i中第k个节点的编号，P_i表示此环的长度，M为总的环路数；

步骤2.2：根据环路集合C，建立环连接矩阵L∈R^N×N，用来存放环路信息；首先，初始化环连接矩阵为L＝{0}^N×N；遍历集合C，按环路c_i中每条边的次序更新环连接矩阵L的值，即：

且

其中，W_i表示环路c_i的权重，W_i＝P_i/MaxLen，MaxLen＝max{P₁，P₂，P₃...P_M}，i∈[1，M]，即环路的权重与环长度成正比；

步骤2.3：标准化环连接矩阵L，令L＝L/(max(L))，其中，max(L)是矩阵L的元素最大值。

4.根据权利要求3所述的基于环路增强图卷积神经网络的社区发现方法，其特征在于，所述步骤3具体为：将特征矩阵X输入两层基于环路的图卷积神经网络模型中进行特征提取，该基于环路的图卷积神经网络模型采用带环的邻接矩阵该邻接矩阵是邻接矩阵与环连接矩阵L的平均，其中第l层基于环路的图卷积神经网络的输出为：

其中，H⁰＝X，即输入的特征矩阵，I是单位矩阵，为度矩阵σ为非线性激活函数Relu，w^l-1是待训练的权值矩阵。