一种有向带权符号社交网络社区发现方法技术

本发明专利技术公开了一种有向带权符号社交网络社区发现方法，包括：根据节点集合以及节点间的社交关系构建有向带权图；有向带权图的每个节点对应一个用户，节点间通过有向边连接；根据节点间的有向边确定邻居节点集合；将邻居节点集合输入到经过训练的加权符号图卷积网络，得到邻居节点间与社交关系对应且保留社区结构的节点表征。本发明专利技术通过加权符号图卷积网络充分利用符号社交网络的深层语义信息和结构信息获得高质量的节点表征，并且节点表征可以保留社区结构信息，从而能以一种端到端的方式更加简单有效地发现高质量社区。本发明专利技术可广泛应用于社交网络数据分析领域。应用于社交网络数据分析领域。应用于社交网络数据分析领域。

【技术实现步骤摘要】
一种有向带权符号社交网络社区发现方法


[0001]本专利技术涉及社交网络数据分析领域，尤其是一种有向带权符号社交网络社区发现方法。

技术介绍

[0002]社交网络中的用户之间普遍存在各种社交关系，如好友、关注关系、拉黑等，这些社交关系有方向且可以度量强度，例如关注关系可以是单向的且关注度有强弱之分。社交网络的这些特点使得其可以很自然地表示为有向带权符号社交网络。
[0003]符号社交网络社区发现是一个重要的研究问题，同一社区内部的成员节点之间连接紧密的符号社交网络可以用于检测相似用户群体。目前符号社交网络社区发现已提出了一些具有代表性的方法，其中包括基于k
‑
core分析的s
‑
core、基于非负矩阵分解的ReSNMF和SPOCD方法、及基于聚类系数的LPOCSIN方法等。总的来说，现有方法存在如下问题：普遍采用浅层模型，如非负矩阵分解，无法充分挖掘利用符号社交网络蕴含的复杂结构信息；只适用于无向无权符号社交网络，无法应用于有向带权符号社交网络。综上分析，现有的符号社交网络社区发现方法仍有不断改善的空间，需要设计一种更加有效的方法。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供一种有向带权符号社交网络社区发现方法，用于充分挖掘利用符号社交网络蕴含的复杂结构信息。
[0005]本专利技术实施例的一方面提供了一种有向带权符号社交网络社区发现方法，包括：
[0006]根据节点集合以及节点间的社交关系构建有向带权图；所述有向带权图的每个节点对应一个用户，节点间通过有向边连接；
[0007]根据节点间的有向边确定邻居节点集合；
[0008]将所述邻居节点集合输入到经过训练的加权符号图卷积网络，得到邻居节点间与社交关系对应且保留社区结构的节点表征。
[0009]可选地，所述节点间通过有向边连接，包括：
[0010]存在正向社交关系用户对应的节点通过第一有向边连接，存在负向社交关系用户对应的节点通过第二有向边连接；
[0011]其中，所述第一有向边作为正边，所述第二有向边作为负边。
[0012]可选地，所述根据节点间的有向边确定邻居节点集合，包括：
[0013]根据节点间有向边的方向以及数量确定邻居节点集合。
[0014]可选地，所述根据节点间有向边的方向以及数量确定邻居节点集合，包括：
[0015]将被正边指向的节点作为第一正节点，确定通过正边与所述第一正节点连接的第一正关系邻居节点集合；将被负边指向的节点作为第一负节点，确定通过负边与所述第一负节点连接的第一负关系邻居节点集合；
[0016]对于任意三角型结构连接的三个节点，确定不存在负边连接的三个节点并组合为
第二正关系邻居节点集合；确定存在偶数条负边连接的三个节点并组合为第二负关系邻居节点集合。
[0017]可选地，所述加权符号图卷积网络的损失函数包括符号图结构损失函数和模块度最大化损失函数；
[0018]其中，所述符号图结构损失函数用于使通过正边连接的节点对在表征空间中相互靠近，使通过负边连接的节点对相互远离；
[0019]所述模块度最大化损失函数，用于使所述加权符号图卷积网络输出的节点表征保留社区结构。
[0020]可选地，所述加权符号图卷积网络的训练过程，包括：
[0021]将所述符号图结构损失函数与所述模块度最大化损失函数的差作为目标函数；
[0022]根据所述目标函数、预先设定的训练迭代次数、加权符号图卷积网络的网络层数及各层网络的维度，训练所述加权符号图卷积网络；
[0023]其中，最后一层网络的维度设置为社区数。
[0024]可选地，所述将所述邻居节点集合输入到经过训练的加权符号图卷积网络，得到邻居节点间与社交关系对应且保留社区结构的节点表征，包括：
[0025]当所述加权符号图卷积网络的存在一层网络时，根据正边的连接权重通过所述加权符号图卷积网络获取所述邻居节点集合的正表征；根据负边的连接权重通过所述加权符号图卷积网络获取所述邻居节点集合的负表征；所述正表征和所述负表征作为所述节点表征；
[0026]当所述加权符号图卷积网络的存在两层及以上网络时，根据正边的连接权重通过所述加权符号图卷积网络获取所述邻居节点集合的正表征；根据负边的连接权重通过所述加权符号图卷积网络获取所述邻居节点集合的负表征；将所述正表征和所述负表征相连接并通过所述加权符号图卷积网络最后一层的多层感知机网络，得到的最终表征作为所述节点表征。
[0027]本专利技术实施例的另一方面还提供了一种有向带权符号社交网络社区发现装置，包括：
[0028]有向带权图构建单元，用于根据节点集合以及节点间的社交关系构建有向带权图；所述有向带权图的每个节点对应一个用户，节点间通过有向边连接；
[0029]节点集合确定单元，用于根据节点间的有向边确定邻居节点集合；
[0030]节点表征获取单元，用于将所述邻居节点集合输入到经过训练的加权符号图卷积网络，得到邻居节点间与社交关系对应且保留社区结构的节点表征。
[0031]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；
[0032]所述存储器用于存储程序；
[0033]所述处理器执行所述程序实现上述任一项所述的方法。
[0034]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上述任一项所述的方法。
[0035]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。
[0036]本专利技术基于图卷积网络的框架，通过节点间的有向边确定邻居节点集合，进而获得节点表征，而且，本专利技术通过经过训练的加权符号图卷积网络可以使得节点表征可以保留社区结构，并直接可用于提取社区划分信息。本专利技术不仅可以通过加权符号图卷积网络的深度学习充分利用符号社交网络的深层语义信息和结构信息获得高质量的节点表征，而且本专利技术还提供了一种端到端的基于图卷积网络的有向带权符号社交网络社区发现方法，可以更简单有效地发现高质量社区。
附图说明
[0037]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]图1为本专利技术实施例提供的一种有向带权符号社交网络社区发现方法的流程示意图；
[0039]图2为本专利技术实施例提供的一种motifs结构图；
[0040]图3为本专利技术实施例提供的一种三角型结构社交关系示例图；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种有向带权符号社交网络社区发现方法，其特征在于，包括：根据节点集合以及节点间的社交关系构建有向带权图；所述有向带权图的每个节点对应一个用户，节点间通过有向边连接；根据节点间的有向边确定邻居节点集合；将所述邻居节点集合输入到经过训练的加权符号图卷积网络，得到邻居节点间与社交关系对应且保留社区结构的节点表征。2.根据权利要求1所述的一种有向带权符号社交网络社区发现方法，其特征在于，所述节点间通过有向边连接，包括：存在正向社交关系用户对应的节点通过第一有向边连接，存在负向社交关系用户对应的节点通过第二有向边连接；其中，所述第一有向边作为正边，所述第二有向边作为负边。3.根据权利要求2所述的一种有向带权符号社交网络社区发现方法，其特征在于，所述根据节点间的有向边确定邻居节点集合，包括：根据节点间有向边的方向以及数量确定邻居节点集合。4.根据权利要求3所述的一种有向带权符号社交网络社区发现方法，其特征在于，所述根据节点间有向边的方向以及数量确定邻居节点集合，包括：将被正边指向的节点作为第一正节点，确定通过正边与所述第一正节点连接的第一正关系邻居节点集合；将被负边指向的节点作为第一负节点，确定通过负边与所述第一负节点连接的第一负关系邻居节点集合；对于任意三角型结构连接的三个节点，确定不存在负边连接的三个节点并组合为第二正关系邻居节点集合；确定存在偶数条负边连接的三个节点并组合为第二负关系邻居节点集合。5.根据权利要求2所述的一种有向带权符号社交网络社区发现方法，其特征在于，所述加权符号图卷积网络的损失函数包括符号图结构损失函数和模块度最大化损失函数；其中，所述符号图结构损失函数用于使通过正边连接的节点对在表征空间中相互靠近，使通过负边连接的节点对相互远离；所述模块度最大化损失函数，用于使所述加权符号图卷积网络输出的节点表征保留社区结构。6.根据权利要求5所述的一种有向带权符号社交网络社区发现方法，其特征在于，所述加权符号图卷积...

【专利技术属性】
技术研发人员：贺超波，程颢，程俊伟，陈国华，汤庸，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：