一种基于深度学习的加权网络社区发现方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的加权网络社区发现方法及装置。所述方法包括：对给定的加权网络图进行预处理，得到二阶邻相似度矩阵；通过深度稀疏自编码器提取所述二阶邻相似度矩阵的低维特征，得到低维特征矩阵；根据聚类算法对所述低维特征矩阵进行聚类，得到社区发现结果。本发明专利技术能够综合考虑节点与邻居节点，及与邻居节点的邻居节点之间的联系，提高社区发现的准确度。

A weighted network community discovery method and device based on deep learning

【技术实现步骤摘要】
一种基于深度学习的加权网络社区发现方法及装置
本专利技术涉及社区发现
，尤其涉及一种基于深度学习的加权网络社区发现方法及装置。
技术介绍
复杂网络是由大量节点以及节点之间错综复杂的关系共同构成的网络结构，除了小世界和无标度等特性外，复杂网络还呈现出明显的社区结构。给定一个网络，社区发现根据网络中节点间的相互关系，将所有节点聚合成一系列子结构，即社区。与不同社区间节点之间的连接关系相比，同一社区内的节点之问通常具有较强的连接关系。目前，主流的社区发现方法大都是针对无权网络，可分为基于图分割的方法(Kernighan-Liu算法)，基于层次聚类的算法(GN，FN)，基于标签传播的方法(LPA)，基于相似度聚类的算法(K-Means)。由于无权网络尚不足以反映现实世界中大量对象之间的联系，且现有的社区发现方法仅考虑节点与邻居节点之间的联系，忽略节点与邻居节点的邻居节点之间的联系，难以提高社区发现的准确度。
技术实现思路
本专利技术提供一种基于深度学习的加权网络社区发现方法及装置，以克服现有技术的缺陷，本专利技术能够综合考虑节点与邻居节点，及与邻居节点的邻居节点之间的联系，提高社区发现的准确度。为了解决上述技术问题，本专利技术一实施例提供一种基于深度学习的加权网络社区发现方法，包括：对给定的加权网络图进行预处理，得到二阶邻相似度矩阵；通过深度稀疏自编码器提取所述二阶邻相似度矩阵的低维特征，得到低维特征矩阵；根据聚类算法对所述低维特征矩阵进行聚类，得到社区发现结果。r>进一步地，所述对给定的加权网络图进行预处理，得到二阶邻相似度矩阵，具体为：分析所述加权网络图中节点间的联系，获取加权邻接矩阵和无权邻接矩阵；根据所述加权邻接矩阵和所述无权邻接矩阵，得到所述二阶邻相似度矩阵。进一步地，在所述对给定的加权网络图进行预处理，得到二阶邻相似度矩阵之后，在所述通过深度稀疏自编码器提取所述二阶邻相似度矩阵的低维特征，得到低维特征矩阵之前，还包括：训练所述深度稀疏自编码器。进一步地，所述训练所述深层稀疏自编码器，具体为：分析所述加权网络图中节点间的联系，获取加权邻接矩阵和无权邻接矩阵；根据所述加权邻接矩阵和所述无权邻接矩阵，得到模块度矩阵和无权二阶邻邻接矩阵；使用所述二阶邻相似度矩阵、所述模块度矩阵和所述无权二阶邻邻接矩阵训练所述深度稀疏自编码器。进一步地，所述聚类算法包括K-means聚类算法。本专利技术另一实施例提供一种基于深度学习的加权网络社区发现装置，包括：预处理模块，用于对给定的加权网络图进行预处理，得到二阶邻相似度矩阵；特征提取模块，用于通过深度稀疏自编码器提取所述二阶邻相似度矩阵的低维特征，得到低维特征矩阵；聚类模块，用于根据聚类算法对所述低维特征矩阵进行聚类，得到社区发现结果。进一步地，所述对给定的加权网络图进行预处理，得到二阶邻相似度矩阵，具体为：分析所述加权网络图中节点间的联系，获取加权邻接矩阵和无权邻接矩阵；根据所述加权邻接矩阵和所述无权邻接矩阵，得到所述二阶邻相似度矩阵。进一步地，所述基于深度学习的加权网络社区发现装置，还包括：训练模块，用于在所述对给定的加权网络图进行预处理，得到二阶邻相似度矩阵之后，在所述通过深度稀疏自编码器提取所述二阶邻相似度矩阵的低维特征，得到低维特征矩阵之前，训练所述深度稀疏自编码器。进一步地，所述训练所述深层稀疏自编码器，具体为：分析所述加权网络图中节点间的联系，获取加权邻接矩阵和无权邻接矩阵；根据所述加权邻接矩阵和所述无权邻接矩阵，得到模块度矩阵和无权二阶邻邻接矩阵；使用所述二阶邻相似度矩阵、所述模块度矩阵和所述无权二阶邻邻接矩阵训练所述深度稀疏自编码器。进一步地，所述聚类算法包括K-means聚类算法。本专利技术的实施例，具有如下有益效果：通过对给定的加权网络图进行预处理，得到二阶邻相似度矩阵，进而通过深度稀疏自编码器提取二阶邻相似度矩阵的低维特征，得到低维特征矩阵，从而根据聚类算法对低维特征矩阵进行聚类，得到社区发现结果。相比于现有技术，本专利技术针对加权网络图，综合考虑节点与邻居节点，及与邻居节点的邻居节点之间的联系，并利用深度稀疏自编码器提取二阶邻相似度矩阵的低维特征，使得对低维特征矩阵进行聚类而得到的社区发现结果更加准确。本专利技术能够综合考虑节点与邻居节点，及与邻居节点的邻居节点之间的联系，提高社区发现的准确度。附图说明图1为本专利技术第一实施例中的一种基于深度学习的加权网络社区发现方法的流程示意图；图2为本专利技术第二实施例中的一种基于深度学习的加权网络社区发现装置的结构示意图。具体实施方式下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的服务器执行，且下文均以服务器作为执行主体为例进行说明。请参阅图1。如图1所示，第一实施例提供一种基于深度学习的加权网络社区发现方法，包括步骤S1～S3：S1、对给定的加权网络图进行预处理，得到二阶邻相似度矩阵。S2、通过深度稀疏自编码器提取二阶邻相似度矩阵的低维特征，得到低维特征矩阵。S3、根据聚类算法对低维特征矩阵进行聚类，得到社区发现结果。在步骤S1当中，给定一个加权网络图G＝(V,E)，其中，V＝{v1,v2,…,vn}表示网络中节点的集合，E＝{e1,e2,…,em}表示网络中边的集合。定义节点v的邻居节点的集合为N(v)，N(v)内所有节点的邻居节点(不包括节点v)称为节点v的二阶邻居节点。二阶邻居节点i与节点v的所有路径长度为2的路径权重之和为定义节点u和节点v的相似度为Sim(u,v)＝αwuv+β∑j∈(N(u)∩N(v)(wuj+wju)，其中，wuv表示节点u和节点v直接相连的边的权重，∑j∈(N(u)∩N(v)(wuj+wju)表示节点u与节点v经过公共邻居的路径的权重之和，α和β表示预设的两个参数，用于控制邻居节点和二阶邻居节点相似度的影响，α和β的取值范围均为(0,1)，且α+β＝1。与加权网络图G＝(V,E)对应的相似度矩阵为X＝[xij]n×n，其中，xij＝Sim(vi,vj)，vi,vj∈V。分析加权网络图G＝(V,E)中节点间的联系，获取网络的加权邻接矩阵W＝[wij]n×n和无权邻接矩阵A＝[aij]n×n。对于加权邻接矩阵W＝[wij]n×n，wij表示节点i和节点j的连接边的权重，若wij＝0，则说明节点i和节点j无边相连。对于无权邻接矩阵A＝[aij]n×n，若a本文档来自技高网...

【技术保护点】
1.一种基于深度学习的加权网络社区发现方法，其特征在于，包括：/n对给定的加权网络图进行预处理，得到二阶邻相似度矩阵；/n通过深度稀疏自编码器提取所述二阶邻相似度矩阵的低维特征，得到低维特征矩阵；/n根据聚类算法对所述低维特征矩阵进行聚类，得到社区发现结果。/n

【技术特征摘要】
1.一种基于深度学习的加权网络社区发现方法，其特征在于，包括：
对给定的加权网络图进行预处理，得到二阶邻相似度矩阵；
通过深度稀疏自编码器提取所述二阶邻相似度矩阵的低维特征，得到低维特征矩阵；
根据聚类算法对所述低维特征矩阵进行聚类，得到社区发现结果。


2.如权利要求1所述的基于深度学习的加权网络社区发现方法，其特征在于，所述对给定的加权网络图进行预处理，得到二阶邻相似度矩阵，具体为：
分析所述加权网络图中节点间的联系，获取加权邻接矩阵和无权邻接矩阵；
根据所述加权邻接矩阵和所述无权邻接矩阵，得到所述二阶邻相似度矩阵。


3.如权利要求1所述的基于深度学习的加权网络社区发现方法，其特征在于，在所述对给定的加权网络图进行预处理，得到二阶邻相似度矩阵之后，在所述通过深度稀疏自编码器提取所述二阶邻相似度矩阵的低维特征，得到低维特征矩阵之前，还包括：
训练所述深度稀疏自编码器。


4.如权利要求3所述的基于深度学习的加权网络社区发现方法，其特征在于，所述训练所述深层稀疏自编码器，具体为：
分析所述加权网络图中节点间的联系，获取加权邻接矩阵和无权邻接矩阵；
根据所述加权邻接矩阵和所述无权邻接矩阵，得到模块度矩阵和无权二阶邻邻接矩阵；
使用所述二阶邻相似度矩阵、所述模块度矩阵和所述无权二阶邻邻接矩阵训练所述深度稀疏自编码器。


5.如权利要求1所述的基于深度学习的加权网络社区发现方法，其特征在于，所述聚类算法包括K-means聚类算法。


6.一种基于深度学习...

【专利技术属性】
技术研发人员：蒋来源，李树栋，吴晓波，韩伟红，方滨兴，田志宏，殷丽华，顾钊铨，仇晶，王乐，李默涵，唐可可，
申请(专利权)人：广州大学，
类型：发明
国别省市：广东;44