本发明专利技术公开了一种面向多层学习者关系网络的社区发现方法及装置，方法包括：构建学习者多层关系网络；对所述学习者多层关系网络中各层网络的拓扑结构进行增强处理；根据增强后的各层网络，构建基于图对比学习的社区发现模型；构建所述社区发现模型的损失函数；根据所述损失函数，对所述社区发现模型进行训练，得到目标模型；通过所述目标模型获得社区发现结果。本发明专利技术能通过多层网络模型集成多种学习者关系网络，利用图对比学习集成多层网络信息进行更为准确的社区发现，此外，本发明专利技术可以直接从网络表示矩阵提取社区划分结果，在实际应用中更为快捷有效，可广泛应用于数据处理技术领域。域。域。
【技术实现步骤摘要】
一种面向多层学习者关系网络的社区发现方法及装置
[0001]本专利技术涉及数据处理
，尤其是一种面向多层学习者关系网络的社区发现方法及装置。
技术介绍
[0002]目前，在线学习服务日益流行且积累了大量学习者数据，其中包括学习者之间的各种关系网络数据，如好友关系网络、交互网络、群组网络以及选课网络等。这些关系网络都具有社区结构特征，即相同社区的学习者之间链接紧密，而不同社区的学习者之间链接稀疏。有效地发现这些社区具有重要的应用价值，例如可以识别学习兴趣小组、分析群体协作行为以及为学习者精准推送学习资源提供决策支持。
[0003]目前学习者社区发现已成为在线学习数据分析领域的重要研究问题之一，并已提出了一些解决方法，其中包括基于模块度优化的方法、基于矩阵分解的方法以及基于标签传播的方法等。总的来说，已有方法都具有一定的有效性，但普遍都主要使用一种关系网络进行社区发现，往往由于数据过于稀疏、噪声数据过多而导致社区发现准确性不高。在另外一方面，学习者之间普遍存在多种关系网络且可以构成一个多层网络(如好友关系层、互动交互层、群组层等)，且每一层关系网络都蕴含独特的语义信息及彼此之间具有很好的信息互补性，有效集成利用可以更好地进行社区发现。为此，有必要设计一种面向多层学习者关系网络的社区发现方法。
技术实现思路
[0004]有鉴于此，本专利技术实施例提供一种准确性高且快捷有效的，面向多层学习者关系网络的社区发现方法及装置。
[0005]本专利技术实施例的一方面提供了一种面向多层学习者关系网络的社区发现方法，包括：
[0006]构建学习者多层关系网络；
[0007]对所述学习者多层关系网络中各层网络的拓扑结构进行增强处理；
[0008]根据增强后的各层网络，构建基于图对比学习的社区发现模型；
[0009]构建所述社区发现模型的损失函数；
[0010]根据所述损失函数，对所述社区发现模型进行训练，得到目标模型；
[0011]通过所述目标模型获得社区发现结果。
[0012]可选地，所述构建学习者多层关系网络，包括：
[0013]将多层学习者关系网络形式化表示为无向图集合；
[0014]根据不同学习者在各层网络中的关联情况，对所述无向图集合中的邻接矩阵进行赋值；
[0015]根据不同学习者拥有的属性信息，对所述无向图集合中的属性矩阵进行赋值。
[0016]可选地，所述对所述学习者多层关系网络中各层网络的拓扑结构进行增强处理，
包括：
[0017]对于所述学习者多层关系网络中的任一层网络，获取该层网络中各个节点的相邻节点集合；
[0018]计算任意两个节点的相邻节点集合的并集，当所述并集的个数大于预设阈值且在该层网络的邻接矩阵对应元素为0时，将该两个节点用于构建该层网络的增强图；
[0019]提取所述增强图中的极大连通子图，并按照极大连通子图的节点个数进行降序排列，通过合并多个子图的邻接矩阵来增强该层网络的拓扑结构。
[0020]可选地，所述根据增强后的各层网络，构建基于图对比学习的社区发现模型，包括：
[0021]将邻接矩阵和属性矩阵作为图卷积网络的输入，确定各层关系网络中学习者节点与社区的第一隶属强度表示矩阵；
[0022]将邻接矩阵和随机交换行向量的属性矩阵作为图卷积网络的输入，确定各层关系网络对应的负样本网络的社区的第二隶属强度表示矩阵；
[0023]通过对所述各层关系网络中学习者节点与社区的第一隶属强度表示矩阵进行均值聚合处理，得到各层关系网络的全局社区的第三隶属强度表示概要矩阵；
[0024]根据构建得到的第一隶属强度表示矩阵、第二隶属强度表示矩阵和第三隶属强度表示概要矩阵，计算全局社区隶属强度表示概要矩阵、多层关系网络共享的社区隶属强度表示矩阵以及多层关系网络对应的负样本网络共享的社区隶属强度表示矩阵，完成所述社区发现模型的构建。
[0025]可选地，所述构建所述社区发现模型的损失函数，包括：
[0026]对所述第一隶属强度表示矩阵、所述第二隶属强度表示矩阵和所述第三隶属强度表示概要矩阵进行双线性插值计算得到第一对比矩阵；
[0027]对全局社区隶属强度表示概要矩阵、多层关系网络共享的社区隶属强度表示矩阵以及多层关系网络对应的负样本网络共享的社区隶属强度表示矩阵进行双线性插值计算，得到整个多层网络的第二对比矩阵；
[0028]根据所述第一对比矩阵和所述第二对比矩阵，通过二元交叉熵公式计算对比学习的第一损失；
[0029]构建模块度最大化损失；
[0030]将所述第一损失和所述模块度最大化损失结合，得到社区发现模型的最终损失函数。
[0031]可选地，所述根据所述损失函数，对所述社区发现模型进行训练，得到目标模型，包括：
[0032]把最小化损失函数作为目标函数，利用反向传播算法更新社区发现模型中可训练的参数，直至迭代损失收敛或达到迭代次数，完成对所述社区发现模型的训练，得到目标模型。
[0033]本专利技术实施例的另一方面还提供了一种面向多层学习者关系网络的社区发现装置，包括：
[0034]第一模块，用于构建学习者多层关系网络；
[0035]第二模块，用于对所述学习者多层关系网络中各层网络的拓扑结构进行增强处
理；
[0036]第三模块，用于根据增强后的各层网络，构建基于图对比学习的社区发现模型；
[0037]第四模块，用于构建所述社区发现模型的损失函数；
[0038]第五模块，用于根据所述损失函数，对所述社区发现模型进行训练，得到目标模型；
[0039]第六模块，用于通过所述目标模型获得社区发现结果。
[0040]本专利技术实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0041]所述存储器用于存储程序；
[0042]所述处理器执行所述程序实现如前面所述的方法。
[0043]本专利技术实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0044]本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0045]本专利技术的实施例构建学习者多层关系网络；对所述学习者多层关系网络中各层网络的拓扑结构进行增强处理；根据增强后的各层网络，构建基于图对比学习的社区发现模型；构建所述社区发现模型的损失函数；根据所述损失函数，对所述社区发现模型进行训练，得到目标模型；通过所述目标模型获得社区发现结果。本专利技术能通过多层网络模型集成多种学习者关系网络，利用图对比学习集成多层网络信息进行更为准确的社区发现，此外，本专利技术可以直接从网络表示矩阵提取社区划分结果本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种面向多层学习者关系网络的社区发现方法，其特征在于，包括：构建学习者多层关系网络；对所述学习者多层关系网络中各层网络的拓扑结构进行增强处理；根据增强后的各层网络，构建基于图对比学习的社区发现模型；构建所述社区发现模型的损失函数；根据所述损失函数，对所述社区发现模型进行训练，得到目标模型；通过所述目标模型获得社区发现结果。2.根据权利要求1所述的一种面向多层学习者关系网络的社区发现方法，其特征在于，所述构建学习者多层关系网络，包括：将多层学习者关系网络形式化表示为无向图集合；根据不同学习者在各层网络中的关联情况，对所述无向图集合中的邻接矩阵进行赋值；根据不同学习者拥有的属性信息，对所述无向图集合中的属性矩阵进行赋值。3.根据权利要求1所述的一种面向多层学习者关系网络的社区发现方法，其特征在于，所述对所述学习者多层关系网络中各层网络的拓扑结构进行增强处理，包括：对于所述学习者多层关系网络中的任一层网络，获取该层网络中各个节点的相邻节点集合；计算任意两个节点的相邻节点集合的并集，当所述并集的个数大于预设阈值且在该层网络的邻接矩阵对应元素为0时，将该两个节点用于构建该层网络的增强图；提取所述增强图中的极大连通子图，并按照极大连通子图的节点个数进行降序排列，通过合并多个子图的邻接矩阵来增强该层网络的拓扑结构。4.根据权利要求1所述的一种面向多层学习者关系网络的社区发现方法，其特征在于，所述根据增强后的各层网络，构建基于图对比学习的社区发现模型，包括：将邻接矩阵和属性矩阵作为图卷积网络的输入，确定各层关系网络中学习者节点与社区的第一隶属强度表示矩阵；将邻接矩阵和随机交换行向量的属性矩阵作为图卷积网络的输入，确定各层关系网络对应的负样本网络的社区的第二隶属强度表示矩阵；通过对所述各层关系网络中学习者节点与社区的第一隶属强度表示矩阵进行均值聚合处理，得到各层关系网络的全局社区的第三隶属强度表示概要矩阵；根据构建得到的第一隶属强度表示矩阵、第二隶属强度表示矩阵和第三隶属强度表示概要矩阵，计算全局社区隶属强度表示概要矩阵、多层关系网络共享的社区隶属强度表示矩阵以及多层关系网络...
【专利技术属性】
技术研发人员：贺超波，程俊伟，汤庸，陈国华，
申请(专利权)人：人工智能与数字经济广东省实验室广州，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。