[发明专利]一种基于生成对抗网络模型的多层学术网络社区发现方法、系统

权利要求书

1.一种基于生成对抗网络模型的多层学术网络社区发现方法，其特征在于：所述方法包括三个步骤：

步骤一：构建多层学术网络，通过外部数据库输入获取学者信息数据，建立新的数据库，并根据所述学者信息数据构建关系数据库，形成多层网络，其中所述多层网络包括：论文引用关系网络、论文合作关系网络、专利合作关系网络、项目合作关系网络、自然基金关系合作网络、同事关系网络、校友关系网络；

步骤二：使用生成对抗模型学习节点嵌入表示：生成器生成层内节点对和层间节点对作为伪样本，对于给定节点和关系，生成器的目标是生成一个伪节点，使得在关系下节点和伪结点相连，使用多层感知机来增强伪节点的表达；

判别器判别数据是否为真实数据分布，判别器需要判断给定关系下的节点对是否为真实节点对，输出在特定所述关系下对节点对连接的概率，所述判别器的损失函数通过：

节点通过层间关系相连，即对于正样本＜u,v,r^inter＞，在数据集中，节点u和节点v通过层间关系r^inter相连，损失函数为

节点通过层内关系相连，即对于正样本＜u^l,u^l′,r^intra＞，在数据集中，节点u和节点v通过层内关系r^intra相连，损失函数为

给定节点和层内生成伪节点，即对于负样本＜u,v',r^intra＞，给定节点u和层内关系r^intra，生成器生成一个伪节点v′，损失函数为：

节点通过错误的层内关系相连，即对于负样本＜u,v,r^intra'＞，在数据集中，节点u和节点v通过错误关系r^intra'相连，损失函数为

给定节点和层间关系生成伪节点，即对于负样本＜u,u',r^inter＞，给定节点u和层间关系r^inter，生成器生成一个伪节点u′，损失函数为：

节点通过错误的层间关系，即对于负样本＜u,v,r^inter'＞，在数据集中，节点u和节点v通过错误关系r^intre'相连，损失函数为：上述六种函数关系构成，所述判别器的损失函数六种函数关系的基本公式均为：所述判别器的损失函数为：

其中，u和v分别为学术网络中的两个节点、r为学术网络种的一种关系、e_v为节点v的嵌入表示向量、L为损失函数Loss function；

生成器和判别器迭代更新进行对抗学习，模型使用预训练的嵌入表示模型对生成器和判别器的节点嵌入表示进行初始化，层内关系矩阵和层间依赖矩阵采用的初始化方式是随机初始化，使用迭代优化策略来训练对抗网络，在每次迭代中，交替训练生成器和判别器，首先，固定生成器参数，生成伪节点来优化判别器参数，提高判别器的性能，接下来，固定判别器参数，优化生成器参数来生成更难被判别器分辨的伪节点，重复上述过程，直到模型收敛；

步骤三：使用基于K-means聚类的方法发现社团为：随机选择多个不同的节点作为同样数目的社团的初始聚类中心，重复下列过程：使用余弦相似度计算其他节点与社团中心的节点之间的相似性，将节点归于相似度最大的聚类中心所属的社团，对于每个社团，重新计算聚类中心；重复上述过程直到每个社团的成员不再改变，最终输出社团结果。

2.根据权利要求1所述的一种基于生成对抗网络模型的多层学术网络社区发现方法，其特征在于：所述构建多层学术网络步骤中，获取的所述学者信息数据类型包括：教育经历、行政单位、发表论文专利、参与自然科学基金、参与项目、论文引用。

3.根据权利要求2所述的一种基于生成对抗网络模型的多层学术网络社区发现方法，其特征在于：所述使用生成对抗模型学习节点嵌入表示步骤中，所述伪节点的嵌入表示通过高斯分布生成：所述生成器的损失函数为：

4.根据权利要求3所述的一种基于生成对抗网络模型的多层学术网络社区发现方法，其特征在于：所述使用生成对抗模型学习节点嵌入表示步骤中，节点对连接的概率函数为：