[发明专利]一种基于网络表示学习的组织层级划分方法及其应用

说明书

本发明公开了一种基于网络表示学习的组织层级划分方法及其应用，该方法包括以下步骤：基于层次拓扑结构特征的网络节点表示学习方法，获得节点向量表示；将得到的节点向量表示作为聚类算法的输入，通过节点相似性聚类算法得到节点的层级划分结果。本发明实现节点表示的位置无关性，使得节点的表示更加准确，组织层级划分结果也会更加准确。

技术领域

本发明属于网络分析技术领域，特别涉及一种基于网络表示学习的组织层级划分方法及其应用。

背景技术

金融交易网络属于复杂网络的一种，其中蕴含着丰富的现实世界信息，如账户实体、实体关系以及组织信息等，很多非法的金融活动也隐匿其中，如洗钱、传销、非法集资等，传销、非法集资等组织团体内部存在一定的层级结构，利用现代信息技术发现这些组织及组织的高层节点，有利于打击非法金融活动，维护国家经济秩序，保护人民财产安全。金融交易网络异常组织层级分析，旨在通过分析网络信息发现异常组织高层节点，实现组织层级结构划分，对辅助侦查部门工作具有重要的现实意义。

网络表示学习是网络结构数据分析方法中一个很重要的方式。通过网络表示学习可以将节点的某些特征映射为一个向量表示，从而更好地完成后续不同的任务。近几年，网络表示学习的应用场景越来越广泛，比如节点分类和聚类、链路预测、异常检测等。采用的方法也不断涌现，有基于异质网络的元路径方法，也有基于同质网络进行结构或者数值方面分析的方法。由于后者的研究更加有代表性，所以相关方面的研究也较多。

基于同质网络的表示学习方法可大致分为以下两类：

第一类是对任意两个节点之间相对结构进行考量的方法，这类方法从两个节点之间的连通度或紧密度来分析，或考虑节点的位置以及节点所处的拓扑结构特征，重点考虑节点之间形成的联系，忽略掉节点自身的信息。

第二类是融合节点丰富的自身信息的方法，将节点本身信息融合到网络表示学习的过程中，最终学习到的节点嵌入向量包含节点自身和节点之间结构两种信息。

从实际应用来看，从结构发现的角度对数据进行分析的方法应用范围更加广泛。但是，在处理实际问题时，现有的大多数方法都没有脱离网络中任意两个节点之间相对位置的影响。如果两个节点在网络中的距离很远，不存在共同的邻居节点，现有方法处理时认为这两个节点几乎不具有相似性；但是如果两个节点周围的局部拓扑结构很相似，意味着这两个节点在实际意义上(角色上)属于同一类，或者在结构划分中属于同一层。也就是说，现有技术方法在使用网络表示学习分析网络结构时，局限性较大，采取的拓扑结构不完善、得到的层级划分结果准确性欠佳。

发明内容

针对现有技术存在的不足，本发明提供一种基于网络表示学习的组织层级划分方法及其应用，该方法基于网络节点的局部拓扑结构信息自适应生成网络节点的向量表示，通过对中心节点多层邻居节点动静态特征的表达实现采样中心节点局部拓扑结构的目的，实现节点表示的位置无关性；进而将层级结构中相似的节点聚为一类，使得节点的表示更加准确，组织层级划分结果也会更加准确。

为了解决上述技术问题，本发明采用的技术方案是：

一种基于网络表示学习的组织层级划分方法，包括以下步骤：

一、基于层次拓扑结构特征的网络节点表示学习方法，获得节点向量表示；

二、将步骤一得到的节点向量表示作为聚类算法的输入，通过节点相似性聚类算法得到节点的层级划分结果。

进一步的，步骤一中，具体方法是：

(1)节点表示：对网络中任意一个节点，以该节点为中心，沿着原始图G＝(V,E)中存在的边向外逐层扩展的方式获得该节点所在位置的局部范围内的节点信息，并将这些节点信息进行表示以获取该中心节点所在位置的局部拓扑结构信息，表示时采用逐层节点的绝对特征和相对特征两种方式来表示；