一种基于非负矩阵分解的社交网络特征提取方法技术

本发明专利技术公开了一种基于非负矩阵分解的社交网络特征提取方法，属于网络科学领域。本发明专利技术通过两种矩阵分解的策略，将原始的高维的稀疏的网络数据编码为低维的稠密的向量，易于存储，其中，联合矩阵分解中U

A feature extraction method of social network based on nonnegative matrix decomposition

【技术实现步骤摘要】
一种基于非负矩阵分解的社交网络特征提取方法
本专利技术属于网络科学领域，更具体地，涉及一种基于非负矩阵分解的社交网络特征提取方法。
技术介绍
现实生活中物体之间的关系通常可以由一个网络来表示，物体作为网络中的节点，物体之间的关系作为网络中的边。更广义的角度来说，这种网络可以进一步用一张图来表示。网络科学领域的研究人员依靠传统的方法例如邻接矩阵等方式从复杂网络中提取特征。近年来，图数据处理的研究者开始广泛使用基于矩阵分解的方法，例如奇异值分解、非负矩阵分解等，将网络自动编码到低纬度的向量空间中。这种网络表示学习的方法相较传统方法更为轻松，而且在基于网络的相关任务中都展示了最先进的结果。目前该领域的研究主要集中在单视角网络，也就是只考虑网络中的节点之间存在的某一种关系。例如，专利CN109902203A公开了一种基于随机游走的单视角网络表示学习方法。但是，由于节点之间往往存在不止一种类型的关系，网络中通常包含多个视角，每个视角反映了节点之间的一种类型的关系，显然每个视角都具有重要的意义。例如，在微博网络中，一个用户可以关注、点赞、转发以及评本文档来自技高网...

【技术保护点】
1.一种基于非负矩阵分解的社交网络特征提取方法，其特征在于，该方法包括以下步骤：/nS1.计算K视角社交网络图的每个视角图的拉普拉斯矩阵X

【技术特征摘要】
1.一种基于非负矩阵分解的社交网络特征提取方法，其特征在于，该方法包括以下步骤：
S1.计算K视角社交网络图的每个视角图的拉普拉斯矩阵Xk；
S2.对所有视角的拉普拉斯矩阵Xk进行L个阶段联合非负矩阵分解，得到基矩阵向量U＝{U1，…，UL}、每个视角的残差矩阵和系数矩阵
S3.根据基矩阵UL和系数矩阵对每个视角的残差矩阵进行H个阶段独立非负矩阵分解，得到各视角的基矩阵向量
S4.将基矩阵向量U＝{U1，…，UL}和基矩阵向量级联，得到K视角社交网络图的特征向量，k＝1，…，K。


2.如权利要求1所述的方法，其特征在于，拉普拉斯矩阵Xk的计算公式如下：



其中，vol(Gk)表示图Gk邻接矩阵所有元素之和，b表示负采样数目，T表示窗口大小，Dk表示图Gk节点的度矩阵，Ak表示图Gk邻接矩阵。


3.如权利要求1所述的方法，其特征在于，所述进行L个阶段联合非负矩阵分解具体如下：






其中，表示在第l个阶段第k个视角...

【专利技术属性】
技术研发人员：金海，石宣化，华强胜，黄宏，宋宇，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42