一种属性图聚类方法及系统技术方案

本发明专利技术提供了一种属性图聚类方法及系统，所述方法包括：将属性图输入训练好的属性图聚类模型，输出隶属度矩阵，将属性图中的每个节点划分到其隶属度最大的簇中；所述属性图聚类模型为图卷积神经网络模型；所述属性图聚类模型的训练过程为：根据属性图中所有节点的集合，以及两节点之间边的集合，构成属性图的邻接矩阵，根据节点相关联的所有属性的集合，构成属性图的特征矩阵；构建归一化的邻接矩阵和节点属性关联度矩阵；构建关于隶属度矩阵的损失函数；构建图卷积神经网络模型，迭代更新直到损失函数收敛。本发明专利技术的优势在于：在算法设计过程中，将基于模糊的聚类目标融合到图卷积网络中来完成属性图聚类任务，提高了属性图聚类的准确性。类的准确性。类的准确性。

【技术实现步骤摘要】
一种属性图聚类方法及系统


[0001]本专利技术属于计算机数据处理
，具体涉及一种属性图聚类方法及系统。

技术介绍

[0002]目前，现有的基于图卷积网络的属性图聚类方法主要是通过有效地学习节点的表示，然后将学习到的节点表示与现有的聚类方法结合来完成属性图聚类任务。然而，这些方法并不是专门针对于属性图聚类任务提出的，因为在这类方法的目标函数中并不包含可以直接对属性图聚类任务进行优化的目标，可见它们主要目的更多地是为了对属性图中的节点进行更好地表示。因此，这就使得这类方法在网络学习过程中不能专门针对于属性图聚类任务进行优化，进而也就不能得到更好的聚类结果。
[0003]尽管有一些直接将聚类目标融合到图卷积网络中的属性图聚类方法被提出，但它们所得到的聚类结果在准确性上表现欠佳。

技术实现思路

[0004]本专利技术的目的在于克服现有技术在将聚类目标融合到图卷积网络中的属性图聚类中得到的聚类结果准确性差的缺陷。
[0005]为了实现上述目的，本专利技术提出了一种属性图聚类方法，所述方法包括：
[0006]将属性图输入训练好的属性图聚类模型，输出隶属度矩阵，将属性图中的每个节点划分到其隶属度最大的簇中，从而实现聚类；所述属性图聚类模型为图卷积神经网络模型；
[0007]所述属性图聚类模型的训练过程为：
[0008]根据属性图中所有节点的集合，以及两节点之间边的集合，构成属性图的邻接矩阵，根据节点相关联的所有属性的集合，构成属性图的特征矩阵；构建归一化的邻接矩阵和节点属性关联度矩阵；构建关于隶属度矩阵的损失函数；构建图卷积神经网络模型，迭代更新直到损失函数收敛。
[0009]作为上述方法的一种改进，所述属性图聚类模型的训练过程具体包括：
[0010]步骤1：预处理属性图数据：
[0011]根据属性图中所有节点的集合V＝{v
i
}(1≤i≤n
V
)、所有边的集合E＝{e
ij
}，构建属性图的邻接矩阵A，v
i
表示第i个节点，n
V
表示节点数量，e
ij
表示第i个节点和第j个节点相连接的边；根据与节点相关联的所有属性的集合Λ＝{Λ
m
}(1≤m≤n
Λ
)，构建属性图的特征矩阵X，Λ
m
表示第m个属性；
[0012]步骤2：根据属性图的邻接矩阵，获得归一化的邻接矩阵；根据属性图的邻接矩阵和特征矩阵，构建节点属性关联度矩阵；
[0013]步骤3：基于属性图的特征矩阵、归一化的邻接矩阵和节点属性关联度矩阵，获得隶属度矩阵，构建关于隶属度矩阵的损失函数；
[0014]步骤4：输入模型参数，构建图卷积神经网络模型，对损失函数进行优化，获得最优
的隶属度矩阵。
[0015]作为上述方法的一种改进，步骤2中获得归一化的邻接矩阵具体包括：
[0016]对邻接矩阵A进行归一化处理，得到归一化后的邻接矩阵具体的归一化方法如下：
[0017][0018]其中，I表示和A维度相同的单位矩阵；D表示(A+I)的度矩阵。
[0019]作为上述方法的一种改进，步骤2中构建节点属性关联度矩阵具体包括：
[0020]由余弦相似度方法先初步计算出节点v
i
和v
j
间的属性关联度r
′
(v
i
,v
j
)：
[0021][0022]其中，x
im
表示第i个节点的第m个属性值；x
jm
表示第j个节点的第m个属性值；
[0023]通过节点v
i
和v
j
之间的邻接情况，获得最终的属性关联度r(v
i
,v
j
)：
[0024]r(v
i
,v
j
)＝a
ij
×
r
′
(v
i
,v
j
)
[0025]其中，a
ij
表示邻接矩阵A中第i行第j列元素；
[0026]根据节点间的属性关联度获得属性关联度矩阵R，矩阵R中第i行第j列节点
[0027]r
ij
＝r(v
i
,v
j
)。
[0028]作为上述方法的一种改进，步骤3中所述获得隶属度矩阵具体包括：
[0029]构建图卷积编码方式为：
[0030]H
l+1
＝σ(Ξ
l
H
l
W
l
)
[0031]其中，l从0至L递增，L表示图卷积神经网络的层数；H
l
是所有节点在第l层图卷积神经网络中的表示矩阵，当l＝0时，H
l
＝X；W
l
表示在第l层图卷积神经网络中的可训练参数；σ(
·
)表示relu激活函数；Ξ
l
表示在第l层图卷积神经网络中衡量节点与邻居节点之间重要性的注意力系数矩阵；
[0032]对于Ξ
l
的计算，首先需要采用注意力机制计算出节点间的相关矩阵M
l
，计算方式为：
[0033][0034]其中，和表示维度为1
×
n
V
的可训练参数，
⊙
表示广播类逐元素相乘运算；表示归一化后的邻接矩阵；得到节点间相关矩阵M
l
之后，对其进行归一化得到最终的注意力系数矩阵Ξ
l
：
[0035][0036]其中，N
i
表示节点i的所有邻居节点构成的集合；表示矩阵Ξ
l
第i行第j列元素；表示矩阵M
l
第i行第j列元素；表示M
l
第i行第t列元素；
[0037]根据图卷积编码方式，当图卷积网络层数达到所设置的最大层，即l＝L时，获得所
有节点的表示矩阵H
L
，将最终的节点表示矩阵记为H，即H＝H
L
；
[0038]根据所有节点的表示矩阵H，计算重构的邻接矩阵
[0039][0040]其中，h
i
和h
j
分别代表节点表示矩阵H中节点i和节点j的表示向量；
[0041]构建图卷积解码方式为：
[0042][0043]其中，l从L至0递减，当l＝L时，Ξ
l
和W
l
分别对应于图卷积编码过程中的Ξ
l
和W
l
；
[0044]根据图卷积解码方式，当l＝0时，获得重构的特征矩阵即
[0045]获得节点的目标分布矩阵Q：
[0046][0047]其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种属性图聚类方法，所述方法包括：将属性图输入训练好的属性图聚类模型，输出隶属度矩阵，将属性图中的每个节点划分到其隶属度最大的簇中，从而实现聚类；所述属性图聚类模型为图卷积神经网络模型；所述属性图聚类模型的训练过程为：根据属性图中所有节点的集合，以及两节点之间边的集合，构成属性图的邻接矩阵，根据节点相关联的所有属性的集合，构成属性图的特征矩阵；构建归一化的邻接矩阵和节点属性关联度矩阵；构建关于隶属度矩阵的损失函数；构建图卷积神经网络模型，迭代更新直到损失函数收敛。2.根据权利要求1所述的属性图聚类方法，其特征在于，所述属性图聚类模型的训练过程具体包括：步骤1：预处理属性图数据：根据属性图中所有节点的集合V＝{v
i
}(1≤i≤n
V
)、所有边的集合E＝{e
ij
}，构建属性图的邻接矩阵A，v
i
表示第i个节点，n
V
表示节点数量，e
ij
表示第i个节点和第j个节点相连接的边；根据与节点相关联的所有属性的集合Λ＝{Λ
m
}(1≤m≤n
Λ
)，构建属性图的特征矩阵X，Λ
m
表示第m个属性；步骤2：根据属性图的邻接矩阵，获得归一化的邻接矩阵；根据属性图的邻接矩阵和特征矩阵，构建节点属性关联度矩阵；步骤3：基于属性图的特征矩阵、归一化的邻接矩阵和节点属性关联度矩阵，获得隶属度矩阵，构建关于隶属度矩阵的损失函数；步骤4：输入模型参数，构建图卷积神经网络模型，对损失函数进行优化，获得最优的隶属度矩阵。3.根据权利要求2所述的属性图聚类方法，其特征在于，步骤2中获得归一化的邻接矩阵具体包括：对邻接矩阵A进行归一化处理，得到归一化后的邻接矩阵具体的归一化方法如下：其中，I表示和A维度相同的单位矩阵；D表示(A+I)的度矩阵。4.根据权利要求2所述的属性图聚类方法，其特征在于，步骤2中构建节点属性关联度矩阵具体包括：由余弦相似度方法先初步计算出节点v
i
和v
j
间的属性关联度r
′
(v
i
,v
j
)：其中，x
im
表示第i个节点的第m个属性值；x
jm
表示第j个节点的第m个属性值；通过节点v
i
和v
j
之间的邻接情况，获得最终的属性关联度r(v
i
,v
j
)：r(v
i
,v
j
)＝a
ij
×
r
′
(v
i
,v
j
)其中，a
ij
表示邻接矩阵A中第i行第j列元素；根据节点间的属性关联度获得属性关联度矩阵R，矩阵R中第i行第j列节点r
ij
＝r(v
i
,
v
j
)。5.根据权利要求2所述的属性图聚类方法，其特征在于，步骤3中所述获得隶属度矩阵具体包括：构建图卷积编码方式为：H
l+1
＝σ(Ξ
l
H
l
W
l
)其中，l从0至L递增，L表示图卷积神经网络的层数；H
l
是所有节点在第l层图卷积神经网络中的表示矩阵，当l＝0时，H
l
＝X；W
l
表示在第l层图卷积神经网络中的可训练参数；σ(
·
)表示relu激活函数；Ξ
l
表示在第l层图卷积神经网络中衡量节点与邻居节点之间重要性的注意力系数矩阵；对于Ξ
l
的计算，首先需要采用注意力机制计算出节点间的相关矩阵M
...

【专利技术属性】
技术研发人员：胡伦，杨月，赵博伟，周喜，马玉鹏，
申请(专利权)人：中国科学院新疆理化技术研究所，
类型：发明
国别省市：