一种基于集成学习的鲁棒社团检测方法技术

本发明专利技术公开了一种基于集成学习的鲁棒社团检测方法，包括以下步骤：步骤一、获得初步结果的集合：重复k次改进的Louvain算法，得到初步结果的集合P＝{C1，C2…

【技术实现步骤摘要】
一种基于集成学习的鲁棒社团检测方法


[0001]本申请涉及数据挖掘
，尤其涉及一种基于集成学习的鲁棒社团检测方法。

技术介绍

[0002]社团检测算法在网络数据的研究中有着重要的研究价值，它的目的是分析出网络中潜在的高阶网络结构。在不同的领域中网络数据都是一个避不开的数据类型，例如利用社会学中的社交网络，生物学中的蛋白质互作网络和金融业中的交易网络等。在这样背景下，研究者们已经开发了大量的传统社团检测算法，例如Louvain算法、光谱聚类、非负矩阵分解(NMF)和社团检测的深度学习。
[0003]而面对社团检测的发展，在现实中为了保护个人隐私或者犯罪集团为了隐匿自己不被监察机构发现，针对社团检测的攻击算法研究也伴随着社团检测算法的研究一同壮大，例如：基于模块度的攻击算法(Q
‑
attack)、基于启发式的算法(DICE)和基于随机噪声的算法(random)。这些方法通过处理网络信息，使得传统社团检测算法的性能下降，从而达到保护网络中节点信息的目的。
[0004]为了克服这种对抗攻击对传统社团检测算法造成的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习的鲁棒社团检测方法，其特征在于，包括以下步骤：步骤一、获得初步结果的集合：重复k次改进的Louvain算法作为偏离者模块，得到初步结果的集合P＝{C1,C2…
C
k
}；步骤二、生成增强的共识网络：使用改进的共识网络创建算法作为平等者模块，将初步结果的集合P＝{C1,C2…
C
k
}整合成共识网络G
final
；步骤三、社团检测：将步骤二生成的共识网络G
final
利用非负矩阵分解进行社团检测，所述社团检测包括：首先随机初始化矩阵X和矩阵Y，形状为N
×
L和L
×
N，其中N为节点个数，L为社团个数；然后通过交叉迭代的方式对矩阵X和矩阵Y进行迭代和收敛，得到收敛矩阵X和收敛矩阵Y，收敛矩阵X为社团映射函数矩阵，收敛矩阵Y为社团成员矩阵；最后将收敛矩阵Y中每个节点对应列中最大元素所对应的社团编号作为该元素所属社团进行输出，每个节点都能得到最终的社团划分，最终统一输出得到社团结构。2.根据权利要求1所述的基于集成学习的鲁棒社团检测方法，其特征在于，所述步骤一包括：步骤11、对每个节点v
i
都操作如下：利用下述公式(1)对邻居计算模块度增益
△
Q
ij
；公式(1)中，i和j为节点编号，θ
j
为v
j
所在社团中所有节点的链接权重之和；θ
i
为v
i
所在社团对应的所有节点的链接权重之和；θ
i,in
为节点v
i
对应的社团和节点v
j
对应的社团之间的链接权重之和；m为网络中所有节点的链接权重之和；令权重w
j
＝
△
Q
ij
，将邻居权重按照下述公式(2)分配到对应区间，随后生成一个随机数δ，随机数落在的区间对应的邻居即被选中的邻居，步骤11考虑模块度增益
△
Q
ij
大于0的邻居，若没有则不进行后续的合并。步骤12、将步骤11中每个节点选择的节点进行合并成为一个新的节点，新节点之间的边权重为被合并原节点之间边权重的和；步骤13、重复步骤11和步骤12直到没有节点发生合并后输出结果，最终网络中每个节点中包含的原节点为一个社团结构其中X为发现的社团数量，i表示这是第i个初步结果；步骤14、合并初步结果得到初步结果的集合P＝{C1,C2…
C
k
}。3.根据权利要求1所述的基于集成学习的鲁棒社团检测...

【专利技术属性】
技术研发人员：吴凯，谢子昂，刘静，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：