【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。