基于时空图嵌入的动态网络社区发现方法和系统技术方案

本发明专利技术适用于网络社区技术领域，提供了一种基于时空图嵌入的动态网络社区发现方法和系统，所述方法包括以下阶段：空间特征提取阶段：利用图卷积神经网络提取动态网络中节点的空间特征，并使用门控循环单元动态更新图卷积神经网络的权重；时间特征提取阶段：对于空间特征提取阶段中提取到的空间特征，利用门控循环单元提取节点的时间特征；社区发现阶段：对于时间特征提取阶段中提取到的时间特征，利用聚类算法进行聚类。本发明专利技术能够有效地处理大规模复杂网络数据，准确地划分网络社区结构。准确地划分网络社区结构。准确地划分网络社区结构。

【技术实现步骤摘要】
基于时空图嵌入的动态网络社区发现方法和系统


[0001]本专利技术涉及网络社区
，具体是涉及一种基于时空图嵌入的动态网络社区发现方法和系统。

技术介绍

[0002]复杂网络是复杂系统的抽象表示，其中，节点表示代表复杂系统中的实体，节点之间的连边表示实体之间依据某种规则形成的联系。在社交网络中，节点表示用户，节点之间的连边表示用户之间的联系。传统的基于统计模型的社区方法在静态社交网络数据集上取得了良好的社区划分效果，比如林晓炜等人于2021年在《山东大学学报(工学版)》发表的“结构扩展的非负矩阵分解社区发现算法”，该方法使用矩阵分解对社交网络进行社区发现，将网络在低维空间中有较好的表示，同时利用结构扩展加强节点与其邻居的结构相似性，从而使得社区发现在静态网络中的准确性有较大提升。
[0003]但是随着社交网络数据规模的增大以及动态的发展，基于统计模型的社区发现效果大大降低，主要原因在于传统统计模型无法学习复杂网络中节点的动态变化。随着时间的发展，社交网络中用户与用户之间的交互联系也会发生变化。然而传统的动态社区发现方法，仅关注于节点之间建立联系和断开联系的动作，无法捕捉到更深层次的因素。尽管传统的浅层图嵌入算法可以对动态网络进行表示学习，如Skip
‑
gram嵌入机制，但是其浅层的学习机制对网络结构的学习具有局限性，无法学习到动态网络演化过程中更深层次的特征。
[0004]综上所述，现有的动态社区发现方法存在以下不足：传统社区发现方法无法捕捉节点之间的动态交互信息；浅层图嵌入方法无法挖掘深层次节点特征。因此，需要提供一种基于时空图嵌入的动态网络社区发现方法，旨在解决上述问题。

技术实现思路

[0005]针对现有技术存在的不足，本专利技术的目的在于提供一种基于时空图嵌入的动态网络社区发现方法和系统，以解决上述
技术介绍
中存在的问题。
[0006]本专利技术是这样实现的，一种基于时空图嵌入的动态网络社区发现方法，所述方法包括以下阶段：
[0007]空间特征提取阶段：利用图卷积神经网络提取动态网络中节点的空间特征，并使用门控循环单元动态更新图卷积神经网络的权重；
[0008]时间特征提取阶段：对于空间特征提取阶段中提取到的空间特征，利用门控循环单元提取节点的时间特征；
[0009]社区发现阶段：对于时间特征提取阶段中提取到的时间特征，利用聚类算法进行聚类。
[0010]作为本专利技术进一步的方案：所述空间特征提取阶段的步骤，具体包括：
[0011]构造邻接矩阵；
[0012]随机初始化特征矩阵；
[0013]将邻接矩阵和特征矩阵输入到图卷积神经网络；
[0014]使用门控循环单元学习图卷积神经网络中的权重参数。
[0015]作为本专利技术进一步的方案：所述时间特征提取阶段的步骤，具体包括：
[0016]将提取的节点的空间特征输入到门控循环单元；
[0017]使用基于边际的目标损失函数优化网络模型。
[0018]作为本专利技术进一步的方案：所述社区发现阶段的步骤，具体为：使用K均值聚类算法或自组织神经网络聚类算法对提取到的时间特征进行聚类操作，所得的节点簇即为网络的社区结构。
[0019]作为本专利技术进一步的方案：所述图卷积神经网络，具体为：其中，l表示第l层图卷积层；t表示当前时间；表示归一化的邻接矩阵，σ(
·
)为激活函数，W表示上一层的权重参数。
[0020]作为本专利技术进一步的方案：所述使用门控循环单元学习图卷积神经网络中的权重参数步骤中的门控循环单元，具体为：
[0021][0022][0023][0024][0025]其中，Z
tl
,R
tl
,分别表示更新门输出矩阵、重置门输出矩阵和预输出矩阵，U和V表示门控循环单元中的权重矩阵，B为偏置矩阵，使用门控循环单元对图卷积神经网络的上一时刻的权重参数进行更新操作，作为当前时刻图卷积神经网络的权重，以适应动态网络的发展。
[0026]作为本专利技术进一步的方案：所述将提取的节点的空间特征输入到门控循环单元步骤中的门控循环单元，具体为：
[0027]r
t
＝σ(W
r
F
t
+U
r
h
t
‑1+B
r
)
[0028]z
t
＝σ(W
z
F
t
+U
z
h
t
‑1+B
z
)
[0029][0030][0031]其中，r
t
,z
t
,分别表示更新门输出、重置门输出和预输出；W,U为权重向量，B为偏置项。
[0032]作为本专利技术进一步的方案：基于边际的目标损失函数具体为：
[0033][0034]其中，Q表示的是负样本数；噪声分布P
n
(v)～d
v0.75
对负节点进行采样，d
v
表示的是节点v的度数；m为常数，表示安全域大小，[
·
]+
＝max(
·
,0)表示铰链损失；表示节点对v
x
,v
y
的节点特征。
[0035]与现有技术相比，本专利技术的有益效果是：
[0036]本专利技术结合图卷积神经网络从空间角度学习节点的特征表示，使用图卷积神经网络聚合相互交流的用户的社交信息，同时为了保持空间节点的动态性使用门控循环单元来共享图卷积神经网络的权重参数；然后，借助门控循环单元提取动态节点的特征，解决节点的动态性和长期依赖问题，从而构成动态网络的特征表示；最后，使用聚类算法对网络嵌入进行分析，从而完成对动态人工和真实社交网络的社区发现任务。本专利技术能够有效地处理大规模复杂网络数据，准确地划分网络社区结构。
附图说明
[0037]图1为一种基于时空图嵌入的动态网络社区发现方法的流程图。
[0038]图2为一种基于时空图嵌入的动态网络社区发现方法的模型架构示意图。
[0039]图3为一种基于时空图嵌入的动态网络社区发现方法中空间特征提取模型示意图。
[0040]图4为一种基于时空图嵌入的动态网络社区发现方法中门控循环单元模型示意图。
[0041]图5为LFR网络中不同图嵌入方法的标准化互信息指标变化示意图。
[0042]图6为真实网络中不同图嵌入方法的标准化互信息指标变化示意图。
[0043]图7为LFR网络中不同社区发现方法的标准化互信息指标变化示意图。
[0044]图8为真实网络中不同社区发现方法的标准化互信息指标变化示意图。
[0045]图9为PS数据集中本专利技术在每个时间网络中的标准化互信息指标变化示意图。
具体实施方式
[0046]为了使本专利技术的目的、技术方案及优点更加清晰，以下结合附图及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空图嵌入的动态网络社区发现方法，其特征在于，所述方法包括以下阶段：空间特征提取阶段：利用图卷积神经网络提取动态网络中节点的空间特征，并使用门控循环单元动态更新图卷积神经网络的权重；时间特征提取阶段：对于空间特征提取阶段中提取到的空间特征，利用门控循环单元提取节点的时间特征；社区发现阶段：对于时间特征提取阶段中提取到的时间特征，利用聚类算法进行聚类。2.根据权利要求1所述一种基于时空图嵌入的动态网络社区发现方法，其特征在于，所述空间特征提取阶段的步骤，具体包括：构造邻接矩阵；随机初始化特征矩阵；将邻接矩阵和特征矩阵输入到图卷积神经网络；使用门控循环单元学习图卷积神经网络中的权重参数。3.根据权利要求1所述一种基于时空图嵌入的动态网络社区发现方法，其特征在于，所述时间特征提取阶段的步骤，具体包括：将提取的节点的空间特征输入到门控循环单元；使用基于边际的目标损失函数优化网络模型。4.根据权利要求1所述一种基于时空图嵌入的动态网络社区发现方法，其特征在于，所述社区发现阶段的步骤，具体为：使用K均值聚类算法或自组织神经网络聚类算法对提取到的时间特征进行聚类操作，所得的节点簇即为网络的社区结构。5.根据权利要求2所述一种基于时空图嵌入的动态网络社区发现方法，其特征在于，所述图卷积神经网络，具体为：其中，l表示第l层图卷积层；t表示当前时间；表示归一化的邻接矩阵，σ(
·
)为激活函数，W表示上一层的权重参数。6.根据权利要求2所述一种基于时空图嵌入的动态网络社区发现方法，其特征在于，所述使用门控循环单元学习图卷积神经网络中的权重参数步骤中的门控循环单元，具体为：述使用门控循环单元学习图卷积神经网络中的权重参数步骤中的门控循环单元，具体为：述使用门控循环单元学习图卷积神经网络中的权重参数步骤中的门控循环单元，具体为：述使用门控循环单元学习图卷积神经网络中的权重参数步骤中的门控循环单元，具体为：其中，分别表示更新门输出矩阵、重置门输出矩阵和预输出矩阵，U和V表示门控循环单元中的权重矩阵，B为偏置矩阵，使用门控循环单元对图卷积神经网络的上一时刻的权重参数进行更新操作，作为当前时刻图卷积神经网络的权重，以适应动态...

【专利技术属性】
技术研发人员：袁冠，朱牧，张艳梅，商冉，刘肖，史红星，端祥宇，杜雨晴，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：