一种基于切比雪夫滤波器的团体分布检测方法技术

本发明专利技术提供一种基于切比雪夫滤波器的团体分布检测方法，主要包括以下步骤：读取复杂网络数据，将复杂网络抽象为图模型；标签初始化，即为部分节点标记一个唯一的标签，用于表示该节点所在团体，其他节点不标记；将初始化的节点输入到切比雪夫滤波器，提取到图模型隐层特征；将提取的特征映射到标记节点空间进行处理，并将输出值输入到分类器中，具有相同标签的节点为同一团体。本发明专利技术使用切比雪夫滤波器半监督学习的方法实现团体分布的检测，使用了较少的参数发现网络的团体结构，并且提高了复杂网络团体分布检测的效率。

A Group Distribution Detection Method Based on Chebyshev Filter

【技术实现步骤摘要】
一种基于切比雪夫滤波器的团体分布检测方法
本专利技术涉及深度学习和复杂网络社团发现领域，特别是涉及一种基于切比雪夫滤波器的团体分布检测方法。
技术介绍
近年来，深度学习丰富地应用在语音识别、图像识别、自然语言处理等领域，而对于复杂网络如社交网络、电信网络、蛋白质相互作用网络以及道路网络等等应用几乎没有。近两年图卷积神经网络技术有了新的突破，该技术可以处理大量的网络数据，可以对一个网络进行卷积操作，并做粗粒化，从而实现多层信号处理。传统复杂网络的社团发现方法需要设置较多参数，计算效率低。本方法使用图卷积神经网络处理复杂网络，用较少的参数实现团体分布的检测，从而提高团体分布检测的效率。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于切比雪夫滤波器的的团体分布检测方法，使用较少的参数实现团体检测，从而提高团体检测的效率。本专利技术所采用的技术方案是，基于切比雪夫滤波器的团体分布检测方法，包括：步骤1：读取复杂网络数据，将复杂网络抽象为图模型，复杂网络数据指所有具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络。比如：人际关系网络、社交关系网络、通信关系网络都是复杂网络；步骤2：将图模型中的节点进行标签初始化，即为部分节点标记一个唯一的标签，用于表示该节点所在的团体，其他节点不标记，使图模型可以用于半监督学习；步骤3：设置切比雪夫滤波器，用切比雪夫多项式参数化的选择进行设置；步骤4：将初始化的节点输入到切比雪夫滤波器，进行粗粒化和池化操作，提取图模型的隐层特征；步骤5：将提取的特征映射到标记节点空间进行处理，并将输出值输入到分类器中，具有相同标签的节点为同一团体。本专利技术的有益效果是：将复杂网络以图模型的结构输入到切比雪夫滤波器，采用半监督的学习方法，实现对图结构的关联数据处理，通过切比雪夫滤波器的粗粒化和池化操作有效提取出网络的隐层特征，并通过将提取的特征映射到标记节点空间进行处理，实现网络权重共享，使用较少的参数实现复杂网络团体的检测，提高团体检测的效率。在上述技术方案的基础上，本专利技术还可以做如下改进。进一步地，所述步骤1中，所述图模型中包括节点和边，邻接权重矩阵，具体的符号表示为：G＝(V,E,W)，其中V是节点的集合，E代表节点连接边的集合，对于每个节点vi∈V，边(vi,vj)∈E，W∈RN×N为两个节点的邻接权重矩阵。采用上述进一步方案的有益效果是：将复杂网络以节点、边及权重的图结构表示数据的关系，使数据的关联关系以矩阵形式表示，从而减少了参数的设置。进一步地，所述步骤3中，切比雪夫多项式参数化选择的具体表示如下：其中，x为一个信号，θ为参数，Tk是切比雪夫多项式，其公式为：Tk(x)＝2xTk-1(x)-Tk-2(x)(2)其中，T0(x)＝1，T1(x)＝x。采用上述进一步方案的有益效果是：通过切比雪夫多项式参数化选择，使滤波器的参数最优；进一步地，实现步骤4的具体步骤如下：步骤4-1：输入初始化的节点到切比雪夫滤波器，使用ReLU激活函数，则节点的传播规则如下：其中，是图模型G的邻接矩阵，IN是特征矩阵，表示度矩阵，W(l)是第1层的权重矩阵，ReLU(.)为激活函数，H(l)∈RN×D是在第1层的激活矩阵，且H(0)＝X，X为节点集V的特征；步骤4-2：对图模型中的节点进行粗粒化操作，将未标记的节点i与其相邻的无标签节点j进行局部归一化，然后把两个相邻的节点进行标记，将粗粒化后节点的权重作为这两个节点的权重之和，重复此过程直到所有的节点都被粗粒化；步骤4-3：对粗粒化后的节点进行池化操作，使节点重新排列，相似的节点则聚集在一起；步骤4-4：提取出图模型结构的隐层特征。采用上述进一步方案的有益效果是：使用切比雪夫滤波器对图结构数据处理，通过对节点的粗粒化和池化操作将数据的隐层特征提取出来，从而提高计算效率。进一步地，实现步骤5的具体步骤如下：步骤5-1：将提取的特征映射到标记节点空间进行处理；步骤5-2：将处理的结果输入到分类器，模型如下：其中，W(0)∈RN×N是输入层的权重矩阵，W(1)∈RN×N是输出层的权重矩阵，softmax激活函数定义如下：其中，Z＝∑iexp(xi)。步骤5-3：输出标签节点，具有相同标签的节点为同一个团体。采用上述方案的有益效果是：将提取的特征映射到标记节点空间进行处理后输入到分类器，通过连接使权重得到共享，从而减少了参数的设置，使团体检测的效率提高。附图说明图1是本专利技术基于切比雪夫滤波器的团体分布检测方法实现流程图；图2是本专利技术切比雪夫滤波器的粗粒化和池化操作过程。具体实施方式下面结合附图对本专利技术基于切比雪夫滤波器的团体检测方法作进一步的说明。如图1所示，本专利技术提供一种基于切比雪夫滤波器的团体分布检测方法。对于大学生足球联赛而形成的一个复杂的社会网络，参赛的115支大学生代表队被分成12个联盟，共进行了616场比赛，用本专利技术的方法进行团体检测的具体过程包括以下步骤：步骤1：读取复杂网络数据，将复杂网络抽象为图模型，所述图模型中包括节点和边，邻接权重矩阵，具体的符号表示为：G＝(V，E，W)，其中V是节点的集合，表示球队，E代表节点连接边的集合，表示两支球队进行过比赛，对于每个节点vi∈V，边(vi，vj)∈E，W∈RN×N为两个节点的邻接权重矩阵，表示两支球队进行比赛的次数；步骤2：将图模型中的节点进行标签初始化，为部分节点标记一个唯一的标签，用于表示该节点所在的团体，其他节点不标记，使图模型可以用于半监督学习，即选择部分球队标记他们所在的联盟标签，剩余球队不标记；部分标记的目的是使图模型可以用于半监督学习，未标记的节点可以根据标记节点的特征和关系通过深度学习而生成属于自己的标签。步骤3：设置切比雪夫滤波器，用切比雪夫多项式参数化的选择进行设置，切比雪夫多项式参数化选择的具体表示如下：其中，x为一个信号，θ为参数，Tk是切比雪夫多项式，其公式为：Tk(x)＝2xTk-1(x)-Tk-2(x)(2)其中，T0(x)＝1，T1(x)＝x。步骤4：将初始化的节点输入到切比雪夫滤波器，进行粗粒化和池化操作，提取图模型的隐层特征，具体过程如下：步骤4-1：输入初始化的节点到切比雪夫滤波器，使用ReLU激活函数，则节点的传播规则如下：其中，是图模型G的邻接矩阵，IN是特征矩阵，表示度矩阵，W(l)是第l层的权重矩阵，ReLU(.)为激活函数，H(l)∈RN×D是在第l层的激活矩阵，且H(0)＝X，X为节点集V的特征；步骤4-2：对图模型中的节点进行粗粒化操作，将未标记的节点i与其相邻的无标签节点j进行局部归一化，然后把两个相邻的节点进行标记，将粗粒化后节点的权重作为这两个节点的权重之和，重复此过程直到所有的节点都被粗粒化；步骤4-3：对粗粒化后的节点进行池化操作，使节点重新排列，相似的节点则聚集在一起；步骤4-4：提取出图模型结构的隐层特征。步骤5：将提取的特征映射到标记节点空间进行处理，并将输出值输入到分类器中，具有相同标签的节点为同一团体，即为同一个联盟，具体过程如下：步骤5-1：将提取的特征映射到标记节点空间进行处理；步骤5-2：将处理的结果输入到分类器，模型如下：其中，W(0)∈RN×N是输入层的权重矩阵，W(1)∈RN×N是输出层的权重矩阵本文档来自技高网...

【技术保护点】
1.一种基于切比雪夫滤波器的团体分布检测方法，其特征在于包括以下步骤：步骤1：读取复杂网络数据，将复杂网络抽象为图模型；步骤2：对图模型中的节点进行标签初始化，即为部分节点标记一个唯一的标签，用于表示该节点所在的团体，其他节点不标记，使图模型可以用于半监督学习；步骤3：设置切比雪夫滤波器，用切比雪夫多项式参数化的选择进行设置；步骤4：将初始化的节点输入到切比雪夫滤波器，进行粗粒化和池化操作，提取图模型隐层特征；步骤5：将提取的特征映射到标记节点空间进行处理，并将输出值输入到分类器中，具有相同标签的节点为同一团体。

【技术特征摘要】
1.一种基于切比雪夫滤波器的团体分布检测方法，其特征在于包括以下步骤：步骤1：读取复杂网络数据，将复杂网络抽象为图模型；步骤2：对图模型中的节点进行标签初始化，即为部分节点标记一个唯一的标签，用于表示该节点所在的团体，其他节点不标记，使图模型可以用于半监督学习；步骤3：设置切比雪夫滤波器，用切比雪夫多项式参数化的选择进行设置；步骤4：将初始化的节点输入到切比雪夫滤波器，进行粗粒化和池化操作，提取图模型隐层特征；步骤5：将提取的特征映射到标记节点空间进行处理，并将输出值输入到分类器中，具有相同标签的节点为同一团体。2.根据权利要求1所述的一种基于切比雪夫滤波器的团体分布检测方法，其特征在于，所述步骤1中，所述图模型中包括节点和边，邻接权重矩阵，具体的符号表示为：G＝(V,E,W)，其中V是节点的集合，E代表节点连接边的集合，对于每个节点vi∈V，边(vi,vj)∈E，W∈RN×N为两个节点的邻接权重矩阵。3.根据权利要求1所述的一种基于切比雪夫滤波器的团体分布检测方法，其特征在于，所述步骤3中，切比雪夫多项式参数化选择的具体表示如下：其中，x为一个信号，θ为参数，Tk是切比雪夫多项式，其公式为：Tk(x)＝2xTk-1(x)-Tk-2(x)(2)其中，T0(x)＝1，T1(x)＝x。4.根据...

【专利技术属性】
技术研发人员：蔡晓东，王萌，
申请(专利权)人：桂林远望智能通信科技有限公司，
类型：发明
国别省市：广西,45