一种基于网络表征学习的社团检测方法及系统技术方案

本发明专利技术提出了一种基于网络表征学习的社团检测方法及系统，涉及社团检测领域，利用图卷积捕获复杂网络的多阶相似度矩阵，并整合多阶相似度矩阵，得到总相似度矩阵；对总相似度矩阵进行非负矩阵分解，得到复杂网络的节点低维向量；基于得到的节点低维向量，通过贝叶斯信息准则BIC和高斯混合模型GMM进行节点聚类，完成社团检测；本发明专利技术提出一种基于图卷积的捕获多阶相似度的创新策略，并通过整合多阶相似度增强社团结构，利用非负矩阵分解NMF实现节点的低维向量表征，基于贝叶斯信息准则BIC和高斯混合模型GMM预测社团数量并实现社团检测，有效提升社团检测的精度，并克服大多社团检测算法需预先指定社团数量的不足。检测算法需预先指定社团数量的不足。检测算法需预先指定社团数量的不足。

【技术实现步骤摘要】
一种基于网络表征学习的社团检测方法及系统


[0001]本专利技术属于社团检测领域，尤其涉及一种基于网络表征学习的社团检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]复杂网络是复杂系统抽象后的表示方式，其中组成复杂系统的基本单元为节点，节点之间的反应或相互关系为连边，是深入理解复杂系统性质与功能的重要研究工具；复杂网络已存在于我们生活的许多方面，如代表个体人际关系的社交网络、基因和蛋白质等生物分子组成的生物网络、互联网和交通网络等现实技术网络等；复杂网络的一个显著特征便是它的社团结构，即复杂网络中内部连接紧密而外部连接稀疏的节点集合；因此社团检测是网络拓扑研究的重点，其旨在利用网络拓扑中所蕴涵的结构信息来发现社团结构，试图从组织级视角来分析节点间的协同作用关系，探究复杂网络的潜在规律，加深研究者对复杂系统组织机制的理解，是一种重要的网络分析工具。
[0004]先前研究中提出了多种社团检测算法，如基于划分的GN算法、基于模块度优化的Louvain算法、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于网络表征学习的社团检测方法，其特征在于，包括：利用图卷积捕获复杂网络的多阶相似度矩阵，并整合多阶相似度矩阵，得到总相似度矩阵；对总相似度矩阵进行非负矩阵分解，得到复杂网络的节点低维向量；基于得到的节点低维向量，通过贝叶斯信息准则BIC和高斯混合模型GMM进行节点聚类，完成社团检测。2.如权利要求1所述的一种基于网络表征学习的社团检测方法，其特征在于，所述利用图卷积捕获复杂网络的多阶相似度矩阵，具体为：基于复杂网络节点之间的相关性，构建初始的邻接相似度矩阵；将初始的邻接相似度矩阵输入到图卷积网络中，图卷积网络的卷积层间通过迭代方式有序更新所有节点的特征；基于节点的有序特征，得到目标节点和k步邻域中的其他节点之间的关系，构建复杂网络的多阶相似度矩阵。3.如权利要求2所述的一种基于网络表征学习的社团检测方法，其特征在于，所述基于复杂网络节点之间的相关性，构建初始的邻接相似度矩阵，具体为：用复杂网络中相邻节点间的权值，评估节点间相似性，构建一阶邻近度；利用线性比例变换法对一阶邻近度进行标准化，生成初始的邻接相似度矩阵。4.如权利要求1所述的一种基于网络表征学习的社团检测方法，其特征在于，在所述图卷积网络的卷积层间通过迭代方式有序更新所有节点的特征的过程中，每一卷积层将邻接相似度矩阵中的连边权值与邻居节点的特征相关联，并将所有邻居节点对目标节点的影响值之和作为目标节点的新特征向量。5.如权利要求2所述的一种基于网络表征学习的社团检测方法，其特征在于，所述整合多阶相似度矩阵，是将初始的邻接相似度矩阵和多阶相似度相加得到总相似度矩阵。6.如权利要求1所述的一种基于网络表征学习的社团检测方法，其特征...

【专利技术属性】
技术研发人员：吴昊，梁碧婷，
申请(专利权)人：山东大学，
类型：发明
国别省市：