基于双对称网络信息融合与互影响的深度属性图聚类算法制造技术

本发明专利技术提供一种基于双对称网络信息融合与互影响的深度属性图聚类算法，包括获得自编码器模块和对称图自编码器模块的最终联合表示，重构属性矩阵和邻接矩阵，通过多分布自我监督模块获得单次训练的聚类结果，构建联合损失函数，循环执行上述步骤直到联合损失函数收敛。本申请通过设计在训练过程中自适应融合来自两个网络学习到的表示的异构动态融合模块，能够学习到更好的联合表示；通过设计具有对称结构的对称图自编码器模块，提高了整体网络模型的泛化能力和鲁棒性；通过设计具有多网络软聚类分配相互影响的多分布自我监督模块，可以同时优化表示学习和聚类任务，能为多个网络生成的软聚类分配提供相互学习和联合优化多网络提取特征的作用。

【技术实现步骤摘要】

本专利技术涉及属性图聚类，具体涉及一种基于双对称网络信息融合与互影响的深度属性图聚类算法。

技术介绍

1、网络是无处不在的，在现实生活中有各种各样的网络，例如社交网络、引文网络、生物网络等等。这些网络可以很自然的表示成属性图，它不仅包含各个节点的属性信息，而且还包含了结构信息。聚类作为无监督学习中的最基本且最常用的算法，一直以来都深受研究者的青睐，随着技术的不断更新迭代，使用传统机器学习的方法来进行聚类已经不适用于处理规模大、维数高的数据集，取而代之的是使用深度学习来进行聚类。属性图聚类就是使用聚类算法对具有属性值的图数据进行聚类，对于属性图聚类的研究基本都是基于深度学习的方法。属性图聚类是通过度量节点之间的相似性将节点聚类成不相连的组，使得组内相似度高，组间相似度低。

2、大多数深度聚类算法通过深度神经网络学习获得数据特征或者基于图神经网络学习结构表示用于聚类，少数算法通过结合数据特征和结构表示实现聚类，但并未达成两种特征信息的深度优势互补。

3、针对上述描述，研究人员尝试使用多网络信息融合的方式来进行属性图聚类，通过结合图卷积神本文档来自技高网...

【技术保护点】

1.基于双对称网络信息融合与互影响的深度属性图聚类算法，其特征在于，包括以下步骤：

【技术特征摘要】

1.基于双对称网络信息融合与互影响的深度属...

【专利技术属性】
技术研发人员：谭暑秋，张磊，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：