System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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,节点间的相似程度难以表达。
技术实现思路
1、基于
技术介绍
存在的技术问题,本专利技术提出了一种基于图嵌入的动态权重节点聚类方法。
2、为本专利技术提出的一种基于图嵌入的动态权重节点聚类方法,所述方法包括以下步骤:
3、step1:计算图的邻接矩阵a、度矩阵d、动态矩阵b;
4、step2:计算动态概率矩阵bp、权
5、step3:计算动态权重概率矩阵bwp,使用randomwalk算法生成节点序列l;
6、step4:计算度概率矩阵dp,使用secwalk算法生成节点序列sw;
7、step5:结合节点序列sw,使用skipgram算法生成d维的节点潜在特征表示rd;
8、step6:结合节点d维潜在特征表示rd,使用k-means聚类算法,将相似节点聚为同一簇。
9、为表述方便,现定义以下变量:状态t=(t1,t2,…tz),其中i=1,2…,z。图gi=(vi,ei,wi),其中vi={v1i,v2i,…vni}表示在ti状态下图gi中n个节点的集合ei={e1i,e2i,…emi}表示在ti状态下图gi中m个边的集合,wi={w1i,w2i,…wmi}表示在ti状态下图gi中m个边的权重集合。
10、进一步的,所述步骤step1具体为:
11、step1-1:计算图g:v=v1∪v2∪…∪vz,e=e1∪e2∪…∪ez,g=(v,e,w),图中节点的总数量为|v|=n,边的总数量为|e|=m;
12、step1-2:计算邻接矩阵a和度矩阵d,其中
13、a=adjacency(g)={aij}∈rn×n,d=diag(d1,d2,…,dn);
14、step1-3:计算状态t下,图中每条边的方差s,
15、step1-4:结合方差s,计算动态矩阵b,b={s1,s2,…,sm}={bij}∈rn×n。
16、进一步的,所述步骤step2具体为:
17、step2-1:计算动态概率矩阵bp,bp={bpij}∈rn×n,bpij=1/bij;
18、step2-2:计算权重概率矩阵wp,wp={wpij}∈rn×n,
19、进一步的,所述步骤step3具体为:
20、step3-1:计算动态权重概率矩阵bwp,bwp={bwpij}∈rn×n,计算中间变量得到bpwpij=bpij·wpij,进而计算
21、step3-2:设置randomwalk算法的参数,每次行走的长度为α,行走的次数为β,l=randomwalk(g,α,β)={lij}∈rnβ×α。
22、进一步的,所述步骤step4具体为:
23、step4-1:结合度矩阵d和randomwalk算法生成节点序列l,生成对应的dl序列,dl={dlij}∈rnβ×α,dlij=dj;
24、step4-2:计算度概率矩阵dp,dp={dpij}∈rnβ×α,
25、step4-3:设置secwalk算法的参数,截取长度为γ(γ<α),使用secwalk算法生成节点序列sw,sw=secwalk(dl,γ,dp),secwalk算法将dl序列的每一行按照对应的dp概率矩阵,选择γ个数据,作为新的sw节点序列,sw={swij}=random.choice(dlij,γ,dpij)=rnβ×γ。step5-1:设置skipgram算法的参数,窗口大小为ω,输出维度为d,迭代次数为τ;
26、step5-2:结合节点序列sw,使用skipgram算法生成d维的节点潜在特征表示rd。
27、step6-1:设置k-means聚类算法的参数,簇的个数为κ;
28、step6-2:结合节点d维潜在特征表示rd,使用k-means聚类算法,将相似节点聚为同一簇,输出κ个簇的节点信息。
29、与现有技术相比,本专利技术的有益效果是:
30、(1)相对于传统的方法来说,我们提出的一种解决包含动态权重的图的节点聚类方法,提高了算法的适用性,算法既可以适用于固定权重,也可以在动态权重的图有很好的表现。
31、(2)相对于传统的方法来说,我们提出的一种解决包含动态权重的图的节点聚类方法,可以对上万个节点进行聚类,提出了一种解决组合爆炸问题的新方法。
本文档来自技高网...【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:
【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。