[发明专利]基于环路增强图卷积神经网络的社区发现方法

说明书

本发明公开了一种基于环路增强图卷积神经网络的社区发现方法。首先，导入社区数据，包括提取社区图数据的特征矩阵、邻接矩阵；其次，提取图结构中的环路的信息并建立加权环连接矩阵；然后，构建基于环路的图卷积神经网络模型，并用两层该图卷积神经网络模型进行特征提取；接着，将提取到的特征输入Softmax函数获得节点的社区分类结果；最后，计算输出的分类结果与标准分类结果的交叉熵，通过交叉熵损失函数，进行反复训练，直到模型收敛并应用于社区分类。本发明提出了基于环路的图卷积神经网络模型和基于环路长度加权的环连接矩阵，可以探索图中节点更为紧密的联系，有利于发现社区成员间的深层关联，提高了模型预测的准确性。

技术领域

本发明涉及一种基于环路增强图卷积神经网络的社区发现方法，属于深度学习技术领域。

背景技术

随着社会的逐步发展与互联网、通讯技术的日渐成熟，人与人之间的关系更加密切，社会网络也由此形成。在对社会网络的研究中，社区发现是一项重要的研究内容。网络中的一个社区是由一组节点构成的，它们彼此高度连接，社区检测算法的一个关键作用在于可用于从网络中提取有用的信息。

对于一些小型的网络和简单的场景，研究人员已经提出了一系列基于谱聚类、统计推断等传统技术的社区发现方法。然而，由于计算机存储空间成本巨大，这类方法并没有扩展到大型网络或具有高维特征的网络上。在现实世界的网络中，大量的非线性结构信息使传统的模型并不能够很好地应用于实际场景，而深度学习、图卷积网络等方法能更好地适用于社区发现。

图卷积网络(Gragh Convolutional Network，GCN)设计了一种从图数据中提取特征的方法，可以使用这些特征去对图数据进行节点分类、图分类、边预测等等功能。图卷积的核心思想便是利用边的信息对节点信息进行聚合，从而生成边的信息对节点信息进行聚合，从而生成新的节点表示，GCN的本质目的其实就是用来提取拓扑图的空间特征。

而对于基于GCN的社区发现方法而言，往往会因为GCN网络层数太深，而导致引起“过平滑”问题，从而最终目标效果反而下降。此外，对于属性图，基于GCN的社区发现依赖于结构信息和表征特征，其中相邻节点和具有相似特征的节点很可能聚集到同一个社区。

有鉴于此，确有必要对现有的社区发现方法提出改进，以解决上述问题。

发明内容

本发明的目的在于提供一种基于环路增强图卷积神经网络的社区发现方法，以加强社区本身的交互关系探究，提升社区预测准确率，加强社区的深层联系。

为实现上述目的，本发明提供了一种基于环路增强图卷积神经网络的社区发现方法，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，此图可以用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。

作为本发明的进一步改进，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；