【技术实现步骤摘要】
本专利技术属于深度学习，涉及一种基于图嵌入的动态权重节点聚类方法。
技术介绍
1、实体间的关系，可以用图来表示。图是一种普遍存在的数据结构，广范应用计算机科学和相关领域。社交网络、分子图结构、生物蛋白网络、推荐系统等，所有这些领域都可以很容易地建模为图，它捕捉节点(顶点)之间的相互作用(边)，由于图的普遍性，它是无数系统的支柱，允许有效地存储和访问有关实体之间的信息。
2、近年来，使用基于深度学习和非线性降维的技术，自动学习将图结构编码低维嵌入的表示方法激增，包括基于矩阵分解的方法、基于深度学习的随机游走的算法和图神经网络等等。例如专利cn202210471018.8提出了一种具有平滑结构的深度注意力嵌入图聚类方法，有效的消除了重构图结构的不稳定性。专利cn202210106101.1提出了一种基于分布式图嵌入的联邦图聚类方法，能够实现对双方隐私数据进行联邦图聚类。
3、但还有一些实际场景，例如社交网络、推荐系统网络、电商中客户与商品之间构成的关系网络，关系的强弱随时间的变化而变化，这使得节点间的关联关系难以刻画...
【技术保护点】
1.一种基于图嵌入的动态权重节点聚类方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的一种基于图嵌入的动态权重节点聚类方法，其特征在于，Step6中，所述的将相似节点聚为同一簇，具体包括：
3.如权利要求1或2所述的一种基于图嵌入的动态权重节点聚类方法，其特征在于，Step1中，所述的计算图的邻接矩阵A、度矩阵D和动态矩阵B具体包括：
4.如权利要求1或2所述的一种基于图嵌入的动态权重节点聚类方法，其特征在于，Step2中，所述的计算图的动态概率矩阵BP和权重概率矩阵WP具体包括：
5.如权利要求3所述的一...
【技术特征摘要】
1.一种基于图嵌入的动态权重节点聚类方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的一种基于图嵌入的动态权重节点聚类方法，其特征在于，step6中，所述的将相似节点聚为同一簇，具体包括：
3.如权利要求1或2所述的一种基于图嵌入的动态权重节点聚类方法，其特征在于，step1中，所述的计算图的邻接矩阵a、度矩...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。