[发明专利]一种基于深度图信息最大化的动态社团挖掘方法

权利要求书

1.一种基于深度图信息最大化的动态社团挖掘方法，其特征在于，包括以下步骤：

S1：输入动态网络G＝{G₁,G₂,...,G_T}的邻接矩阵A＝{A₁,A₂,...,A_T}；

S2：构造动态网络中每个时间步节点的相似度矩阵SL；

S3：随机初始化卷积神经网络中每个时间步的权重矩阵W_t；

S4：计算单个快照网络t上的正样本低维表示矩阵H_t；

S5：利用LSTM更新单个快照网络t上的卷积神经网络的权重系数W_t；

S6：计算S5中单个快照网络t上的负样本低维表示矩阵

S7：利用判别器D对正样本H_t的特征对(h_t,s_t)与负样本的特征对进行打分，计算损失函数，调整每个时间步的卷积神经网络的权重矩阵；

S8：利用余弦相似度平滑相邻两个时间步的特征矩阵，并将相邻时间步的特征矩阵的余弦相似度加入到目标函数中；

S9：判断当前时间步是否小于该动态网络的总时间步，若是，则返回步骤3，若不是，则执行下一步骤。

S10：输出学习到的动态网络的每个时间步的特征矩阵；

S11：将学习到的动态网络的特征矩阵输入k-means中，输出动态社团挖掘结果。

2.根据权利要求1所述的一种基于深度图信息最大化的动态社团挖掘方法，其特征在于，所述步骤S2中相似度矩阵的第i行第j列个元素代表节点n_i和节点n_j间的相似度，其计算方式如下：

其中，|CN(n_i,n_j)|表示节点n_i和n_j的共同邻居节点的数量，表示节点n_i的邻居节点数，表示节点n_j的邻居节点数。

3.根据权利要求1所述的一种基于深度图信息最大化的动态社团挖掘方法，其特征在于，所述步骤S4中低维表示H_t通过设计的节点表示编码器p_(t):实现，具体实现为：

其中，SL为相似度矩阵，并且表示矩阵的第i行i列对应的元素，σ为ReLU函数；A_t为快照网络t的邻接矩阵，I_N为单位矩阵，其对角线上元素均为1，其他元素为0，下标N代表节点数目，是人为调控的超参数，设置X_t为快照网络t的特征矩阵。

4.根据权利要求1所述的一种基于深度图信息最大化的动态社团挖掘方法，其特征在于，所述步骤S5中更新权重系数W_t的计算方式如下：

其中，U_X∈R^N×N和M_x∈R^d×N分别表示公式中的U_F,U_I,U_O,U_C与M_F,M_I,M_O,M_C，Q_x表示公式中的Q_F,Q_I,Q_O,Q_C，x∈{F,I,O,C}；U_x与M_x为循环神经网络中的权重矩阵，Q_x为偏置向量，S_t,I_t,O_t,C_t为中间变量矩阵，σ为sigmoid函数，tanh为tanh函数；

输入上一时刻的卷积神经网络的权重矩阵W_t-1,输出当前t时刻的卷积神经网络的权重矩阵W_t。