面向时序网络进化聚类的深度非负矩阵分解方法及其装置制造方法及图纸

本发明专利技术公开了一种面向时序网络进化聚类的深度非负矩阵分解方法及其装置，涉及图数据挖掘技术领域，包括：使用深度非负矩阵分解模型将相邻时刻的点互信息矩阵分解到同一组基矩阵上，得到第一时刻的深度特征矩阵和第二时刻的深度特征矩阵；使用自表示学习对第一时刻的深度特征矩阵进行训练，得到自表示矩阵；使用自表示矩阵对所述第二时刻的深度特征矩阵施加拉普拉斯正则项约束；同时，使用第二时刻的点互信息矩阵对第二时刻的深度特征矩阵施加拉普拉斯正则项约束；使用l

【技术实现步骤摘要】
面向时序网络进化聚类的深度非负矩阵分解方法及其装置


[0001]本专利技术属于图数据挖掘
，具体涉及一种面向时序网络进化聚类的深度非负矩阵分解方及其装置。

技术介绍

[0002]社区检测是图数据挖掘领域的经典问题，随着动态网络中数据量的逐渐增加和拓扑结构的逐渐变化，动态网络中的社区检测吸引了大量的研究人员的注意。
[0003]现有技术中，动态网络的社区检测通常基于耦合图的方法完成，但该方法容易忽略节点和社区的动态性，无法刻画节点和社区随时间变化的特征，在此基础上，研究人员提出了两阶段法，采用该方法受到当前快照的网络结构的影响较大，并且对噪声比较敏感。
[0004]因此，亟需改善现有技术中存在的上述缺陷。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种面向时序网络进化聚类的深度非负矩阵分解方法及其装置。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]第一方面，本专利技术提供一种面向时序网络进化聚类的深度非负矩阵分解方法，包括：
>[0007]获取原本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向时序网络进化聚类的深度非负矩阵分解方法，其特征在于，包括：获取原始网络中的多个点互信息矩阵；使用深度非负矩阵分解模型将相邻时刻的点互信息矩阵分解到同一组基矩阵上，得到第一时刻的深度特征矩阵和第二时刻的深度特征矩阵；使用自表示学习对所述第一时刻的深度特征矩阵进行训练，得到自表示矩阵；其中，所述自表示矩阵为任意两个第一时刻的深度特征之间的相似程度；使用所述自表示矩阵对所述第二时刻的深度特征矩阵施加拉普拉斯正则项约束，保持原始网络中的局部结构，进行第一次对第二时刻的深度特征的约束；同时，使用第二时刻的点互信息矩阵对所述第二时刻的深度特征矩阵施加拉普拉斯正则项约束，进行第二次对第二时刻的深度特征的约束；使用l
2,1
范数对所述第一时刻的深度特征矩阵和所述第二时刻的深度特征矩阵进行稀疏约束，以降噪；将处理过的第一时刻的深度特征矩阵和处理后的第二时刻的深度特征矩阵进行融合，构建联合深度非负矩阵分解模型，获取第二时刻的深度特征矩阵，以进行社区检测。2.根据权利要求1所述的面向时序网络进化聚类的深度非负矩阵分解方法，其特征在于，所述深度非负矩阵分解算法的模型为：其中，G
[t]
为任意t时刻的快照网络，G
[t
‑
1]
为任意t
‑
1时刻的快照网络，i为第i个时刻，i的取值为t和t
‑
1，M
[i]
为第i时刻的点互信息矩阵，为第H层的基矩阵，t为第二时刻，t
‑
1为第一时刻，F
t[i]
为第i时刻的深度特征矩阵。3.根据权利要求1所述的面向时序网络进化聚类的深度非负矩阵分解方法，其特征在于，所述自表示矩阵的表达式为：O(F
t[t
‑
1]
)＝||F
t[t
‑
1]
‑
F
t[t
‑
1]
S
[t
‑
1]
||2s.t.diag(S
[t
‑
1]
)＝0；其中，F
t[t
‑
1]
为第一时刻t
‑
1的深度特征矩阵，S
[t
‑
1]
为第一时刻的深度特征矩阵的自表示矩阵。4.根据权利要求1所述的面向时序网络进化聚类的深度非负矩阵分解方法，其特征在于，所述第一次对第二时刻的深度特征的约束的表达式为：其中，F
t[t]
为第二时刻t的深度特征矩阵，为自表示矩阵S
[t
‑
1]
的拉普拉斯矩阵，F
t[t]
′
为F
t[t]
的转置矩阵；所述第二次对第二时刻的深度特征的约束的表达式为：其中，为第二时刻的点互信息矩阵M
[i]
的拉普拉斯矩阵；将所述第一次对第二时刻的深度特征的约束和所述第二次对第二时刻的深度特征的
约束进行融合，得到处理后的第二时刻的深度特征提取的表达式为：拉斯矩阵。5.根据权利要求1所述的面向时序网络进化聚类的深度非负矩阵分解方法，其特征在于，所述使用l
2,1
范数对所述第一时刻的深度特征矩阵和所述第二时刻的深度特征矩...

【专利技术属性】
技术研发人员：马小科，滑振鹏，邓晶晶，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：