针对缺失边网络的深度核心节点信息嵌入社区检测方法技术

本发明专利技术提供了针对缺失边网络的深度核心节点信息嵌入社区检测方法，首先利用边增强方法将缺失边网络合并成一个完整的网络，其次利用k

【技术实现步骤摘要】
针对缺失边网络的深度核心节点信息嵌入社区检测方法


[0001]本专利技术属于图挖掘技术和机器学习
，具体涉及针对缺失边网络的深度核心节点信息嵌入社区检测方法。

技术介绍

[0002]复杂网络的研究从数学中的图论发展而来，它被用来描述不同数量级的节点和节点之间错综复杂的关系。其中，社区是一种特殊的子网络结构，其被定义为一类具有相同特性节点的集合，一个复杂网络中可能含有多个社区，这些社区在复杂网络上具有以下结构特征：同一个社区内的节点连接密集而不同社区间节点连接稀疏。识别并分析网络中的不同社区对理解复杂网络的结构和功能够起到至关重要的作用，从而衍生出一系列被用于发现复杂网络中社区结构的技术，即社区检测技术。社区检测技术被广泛应用于多个领域，例如生物学领域、化学领域和社会学领域。
[0003]但是，传统的社区检测算法大部分都是基于完整的复杂网络设计而来的，如果网络的拓扑结构信息缺失，传统的社区检测算法可能会存在性能下降或者方法失效的情况。而研究缺失边的网络(或被称为拓扑不完整网络)在现实世界中也具有至关重要的意义，例如缺失边网络会被应用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.针对缺失边网络的深度核心节点信息嵌入社区检测方法，其特征在于，具体步骤如下：步骤1：对原始数据集网络进行数据预处理，建立网络图的邻接矩阵，根据网络图的邻接矩阵信息和边增强方法将缺失边网络合并成一个完整的网络；步骤2：对步骤1得到的完整的网络利用k
‑
core算法寻找网络核心节点信息，并将其转化为具有核心节点信息的相似度矩阵；步骤3：利用深度学习模型对步骤2所述相似度矩阵进行特征提取和降维，获得低维特征矩阵；步骤4：对步骤3中得到的低维特征矩阵使用高斯混合模型进行聚类，最终得到社区划分结果。2.根据权利要求1所述的针对缺失边网络的深度核心节点信息嵌入社区检测方法，其特征在于，步骤1具体如下：步骤1.1：获取原始缺失边网络数据集中的数据，建立缺失边网络G；步骤1.2：对步骤1.1中的缺失边网络建立邻接矩阵A；步骤1.3：建立记录节点哈希集合D，初始集合哈希集合D为空；步骤1.4：随机在步骤1.1中的缺失边网络选取一个节点v
i
，记录节点v
i
对应在步骤1.2中邻接矩阵的位置i，更新位置i至哈希集合D中；步骤1.5：对步骤1.4中记录的节点v
i
和位置i利用广度优先搜索方法找到包含节点v
i
的最大连通子图，记为一个连接组件；步骤1.6：重复步骤1.3到步骤1.4直到遍历完成步骤1.1中缺失边网络G所有的节点；步骤1.7：从步骤1.5中获取的每一个连接组件中随机选取的一个节点，并将其两两连接起来转换成边的形式，即转换成(i，j)的形式；步骤1.8：将步骤1.7生成的边添加至步骤1.1中的缺失边网络中得到完整的网络EG。3.根据权利要求1所述的针对缺失边网络的深度核心节点信息嵌入社区检测方法，其特征在于，步骤2具体按照以下方式实施：步骤2.1：设置初始核心程度k值，k＝2；步骤2.2：设置节点核心程度字典集合corenumber，并初始化集合中每个键值对中的值为1；步骤2.3：移除步骤1中的完整网络EG中节点度数小于k的节点和其所拥有的边，得到子网络EG
′
；步骤2.4：移除步骤2.3中的子网络EG
′
中节点度数小于k的节点和其所拥有的边，得到子网络EG"；步骤2.5：遍历步骤1的完整网络EG中的所有节点，若节点存在于步骤步骤2.4中的子网络EG"中，则更新步骤2.2中的核心程度字典集合corenumber，设置集合中对应节点的键值对中的值为现在的k值；步骤2.6：令步骤2.1中的k值加1；步骤2.7：若步骤2.4中的子网络EG"中没有被删除的节点，继续下一个步骤，否则重复执行步骤2.3至步骤2.6；步骤2.8：记录步骤2.2中核心程度字典集合corenumber键值对中的值目前最大的k值，
记为maxk；步骤2.9：对步骤1中完整网络EG建立邻接矩阵EA；步骤2.10：计算步骤1中完整网络EG中任意两个节点的相似度关系；步骤2.11：根据步骤2.10中的相似度关系计算归一化后的相似度矩阵。4.根据权利要求3所述的针对缺失边网络的深度核心节点信息嵌入社区检测方法，其特征在于，所述步骤2.2中，定义节点核心程度字典集合corenumber＝{key0：value0,key1：value1，...,key
i
：value
i
,...,key
n
：value
n
}，其中，1≤i≤n，n是步骤1中完整网络EG节点的数量，i是步骤1中完整网络EG其中一个节点v
i
所对应的位置，key为键，value为值，key：value为键值对。5.根据权利要求1所述的针对缺失边网络的深度核心节点信息嵌入社区检测方法，其特征在于，步骤2.10中，任意两个节点的相似度关系被定义为：特征在于，步骤2.10中，任意两个节点的相似度关系被定义为：其中，函数max(a，b)的作用是取a，b中的最大值，corenumber(i)是取节点Vi的corenumber键值对中的值，corenumber(j)是取节点v
j
的corenumber键值对中的值；步骤2.11中，相似度矩阵中的一个元素被定义为：其中，maxk为步骤2.8中记录的核心程度字典集合corenumber键值对中的值中目前最大的k值，Sim(i，j)是节点v
i
和v
j
之间的相似度关系；相似度矩阵被定义为X＝[x
ij
]
n
×
n
，n是步骤1中完整网络EG节点的数量，即矩阵X的维度。6.根据权利要求1所述的针对缺失边网络的深度核心节点信息嵌入社区检测方法，其特征在于，所述步骤...

【专利技术属性】
技术研发人员：费蓉，万雨欣，李爱民，崔颖安，吴丽丽，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：