基于时序图神经网络的社会团体发现方法及设备技术

本发明专利技术提供了一种基于时序图神经网络的社会团体发现方法及设备。所述方法包括：步骤1至步骤7。本发明专利技术不仅关注了节点表示，在节点表示时引入了团体特征的聚合表示，实现了节点的表示增强；并且在时序性引入了节点表示变化的训练，使图的表示可以获得节点的变化规律，使最终时间的图的表示聚合了之前全部时间的信息。息。息。

【技术实现步骤摘要】
基于时序图神经网络的社会团体发现方法及设备


[0001]本专利技术实施例涉及模式识别
，尤其涉及一种基于时序图神经网络的社会团体发现方法及设备。

技术介绍

[0002]在一些公共社会事件中，社会事件的影响往往很广泛，如果没有提前发现或者及时管控，将会产生严重的后果。比如在一次的暴力事件中，暴力事件的出现往往伴随着极大的影响，然而暴力事件的相关人物却很难捕捉，暴力事件中的直接相关人物往往背后有着一个团伙操纵，而这些幕后人物正是暴力事件形成的核心，也是解决暴力事件的核心，所以发现背后团体，从直接相关人物找到全部的参与人物，对于暴力事件的防范，管控有着重要意义。
[0003]社会团体发现属于社区发现任务，社区发现最新的主流的研究方向有：关注图表示学习，知识图神经网络以及关注知识图谱的推理，其中图神经网络包括静态图神经网络和动态图神经网络的研究。基于图表示学习的社区发现模型中，解决了图中的节点表示困难的问题。图的拓扑结构使图的节点表示更加困难，所以认为将节点的表示类比于文本中的句子，将拓扑结构的图转换为线性序列的句子，可以简化图表示学习，再根据自然语言处理的思路去处理表示出的节点序列，可以更加完整的得到节点的特征表示。现有的图表示学习的主要研究方向是邻居节点的定义和范围，主要包括深度优先遍历和广度优先遍历，上述手段只是在静态知识图中进行特征嵌入和社区发现，往往忽略了时序性带来的问题，而在社区发现任务中，随着时序的不同，人物的特征会发生改变，人物与人物之间的关系也不同，所以时序对社区发现有着重要的研究意义。因此，开发一种基于时序图神经网络的社会团体发现方法及设备，可以有效克服上述相关技术中的缺陷，就成为业界亟待解决的技术问题。

技术实现思路

[0004]针对现有技术存在的上述问题，本专利技术实施例提供了一种基于时序图神经网络的社会团体发现方法及设备。
[0005]第一方面，本专利技术的实施例提供了一种基于时序图神经网络的社会团体发现方法，包括：步骤1，根据时间顺序产生不同时长段的有向拓扑图快照；步骤2，根据各个时刻点下的有向拓扑图快照，生成当前时刻的子图；步骤3，根据子图对全部子图按照基于团体的节点表示模型G
‑
GCN得到各个时长下的特征表示；步骤4，将这些特征表示作为门控循环单元GRU输入；步骤5，根据门控循环单元GRU的重置门与更新门学习时长变化的节点表示变化信息；步骤6，把所有时长间隔的有向拓扑子图快照传播，形成最终的节点特征表示；步骤7，产生最终时长的社会团体发现模型，完成跨越时长的信息序列模式，将相邻的事实转化为团体聚合的演化表示。
[0006]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于时序图神经网络的
社会团体发现方法，步骤2具体包括：对于不同时刻快照的知识图的人物以及人物关系的特征表示，提取出该时刻下的子图结构。
[0007]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于时序图神经网络的社会团体发现方法，步骤3具体包括：根据所述该时刻下的子图结构进行多节点多关系的特征表示，得到节点的特征向量，进行各个时长下的节点特征表示变化学习，得到时长性对节点特征表示的变化规律。
[0008]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于时序图神经网络的社会团体发现方法，步骤4具体包括：时长门循环组件和门控循环单元GRU组件获得实体和关系的进化表示对应，进化单元计算从最远的时刻起，知识图序列(G1,G2,...G
t
)到实体嵌入序列映射矩阵(H1,H2...H
t
)和一系列关系嵌入矩阵(R1,R2,...R
t
)，知识图的嵌入表示的变化反映知识图的人物的行为趋势和偏好，为覆盖的知识图尽量多，模型全盘考虑到在时长上相邻的知识图的联系，作为输出关系感知TG
‑
GCN模型的一个时长快照聚合之前所有时长快照下的节点表示变化特征，顺序模式捕获涉及相应事实的实体的信息，基于团体的节点嵌入表示在时间戳的嵌入受相关实体的进化嵌入的影响，采用门控循环单元GRU对关系的顺序模式进行建模，通过对嵌入矩阵应用在时间戳节点特征到相关实体中，对于节点的关系r，不断的得到时间戳t处的门控循环单元GRU记忆与遗忘进行信息变化的表示，对于没有的关系相应的事实发生在时间戳t则全部遗忘，先将以往时长划分，对以往时长进行相关节点抽取，形成在该时长下的时序知识子图，形成多个独立的时序知识子图，对每个时序知识子图根据基于团体的节点表示模型G
‑
GCN进行单独的训练，得到：其中，v表示节点，r表示关系的集合，e表示边，E表示边的集合，t表示时长。
[0009]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于时序图神经网络的社会团体发现方法，步骤5具体包括：在不同时间戳下的节点的特征表示变化的训练，由于不同时长存在的图结构不相同，所以不同的时刻重新提取图结构，在该时长快照下进行训练，并通过门控循环单元GRU聚合上一个时长快照下的图的特征表示，通过门控循环单元GRU提供的更新门与重置门，得到记忆和遗忘的信息，并解决时长的特征表示问题，得到变幻后的最新的全部节点特征表示，对于时长快照下的子图，从上一个时间戳下的特征到当前的时长快照下训练节点的表示变化。
[0010]在上述方法实施例内容的基础上，本专利技术实施例中提供的基于时序图神经网络的社会团体发现方法，步骤6具体包括：团体发现任务伴随着的超过期望数量的数据，包含超过期望数量的时长信息，知识图中包含的超过期望数量的节点信息，所以引入门控循环单元GRU作为时长快照中节点特征表示的记忆变换解决的方法，门控循环单元GRU引入更新门与重置门，两个门控制单元共同作用，输出最终遗忘后的记忆的信息；其中，重置门决定如何将新的输入信息与前面的记忆相结合，之前的记忆有多少是被遗忘的；更新门定义记忆的信息，传递下去保留的信息，在重置门与更新门的影响下，解决前一时长快照下的节点特征记忆问题，并且由于有重置门与更新门表示时长快照，使当前的时长快照与前一个进行记忆变换表示，各个时长阶段下的节点都完全学习与之前所有时间戳下的节点特征表示的变换，而不只是当前时间戳下的节点特征。
[0011]第二方面，本专利技术的实施例提供了一种基于时序图神经网络的社会团体发现装
置，包括：第一主模块，用于实现步骤1，根据时间顺序产生不同时长段的有向拓扑图快照；第二主模块，用于实现步骤2，根据各个时刻点下的有向拓扑图快照，生成当前时刻的子图；第三主模块，用于实现步骤3，根据子图对全部子图按照基于团体的节点表示模型G
‑
GCN得到各个时长下的特征表示；第四主模块，用于实现步骤4，将这些特征表示作为门控循环单元GRU输入；第五主模块，用于实现步骤5，根据门控循环单元GRU的重置门与更新门学习时长变化的节点表示变化信息；第六主模块，用于实现步骤6，把所有时长间隔的有向拓扑子图快照传播，形成最终的节点特征表示；第七主模块，用于实现步骤7，产生最终时长的社会团体发现模型，完成跨本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时序图神经网络的社会团体发现方法，其特征在于，包括：步骤1，根据时间顺序产生不同时长段的有向拓扑图快照；步骤2，根据各个时刻点下的有向拓扑图快照，生成当前时刻的子图；步骤3，根据子图对全部子图按照基于团体的节点表示模型G
‑
GCN得到各个时长下的特征表示；步骤4，将这些特征表示作为门控循环单元GRU输入；步骤5，根据门控循环单元GRU的重置门与更新门学习时长变化的节点表示变化信息；步骤6，把所有时长间隔的有向拓扑子图快照传播，形成最终的节点特征表示；步骤7，产生最终时长的社会团体发现模型，完成跨越时长的信息序列模式，将相邻的事实转化为团体聚合的演化表示。2.根据权利要求1所述的基于时序图神经网络的社会团体发现方法，其特征在于，步骤2具体包括：对于不同时刻快照的知识图的人物以及人物关系的特征表示，提取出该时刻下的子图结构。3.根据权利要求2所述的基于时序图神经网络的社会团体发现方法，其特征在于，步骤3具体包括：根据所述该时刻下的子图结构进行多节点多关系的特征表示，得到节点的特征向量，进行各个时长下的节点特征表示变化学习，得到时长性对节点特征表示的变化规律。4.根据权利要求3所述的基于时序图神经网络的社会团体发现方法，其特征在于，步骤4具体包括：时长门循环组件和门控循环单元GRU组件获得实体和关系的进化表示对应，进化单元计算从最远的时刻起，知识图序列(G1,G2,...G
t
)到实体嵌入序列映射矩阵(H1,H2...H
t
)和一系列关系嵌入矩阵(R1,R2,...R
t
)，知识图的嵌入表示的变化反映知识图的人物的行为趋势和偏好，为覆盖的知识图尽量多，模型全盘考虑到在时长上相邻的知识图的联系，作为输出关系感知TG
‑
GCN模型的一个时长快照聚合之前所有时长快照下的节点表示变化特征，顺序模式捕获涉及相应事实的实体的信息，基于团体的节点嵌入表示在时间戳的嵌入受相关实体的进化嵌入的影响，采用门控循环单元GRU对关系的顺序模式进行建模，通过对嵌入矩阵应用在时间戳节点特征到相关实体中，对于节点的关系r，不断的得到时间戳t处的门控循环单元GRU记忆与遗忘进行信息变化的表示，对于没有的关系相应的事实发生在时间戳t则全部遗忘，先将以往时长划分，对以往时长进行相关节点抽取，形成在该时长下的时序知识子图，形成多个独立的时序知识子图，对每个时序知识子图根据基于团体的节点表示模型G
‑
GCN进行单独的训练，得到：其中，v表示节点，r表示关系的集合，e表示边，E表示边的集合，t表示时长。5.根据权利要求4所述的基于时序图神经网络的社会团体发现方法，其特...

【专利技术属性】
技术研发人员：刘金硕，王欣盛，吴创生，付盼，
申请(专利权)人：武汉大学，
类型：发明
国别省市：