[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

说明书

本发明公开了一种基于深度图信息最大化的动态社团挖掘方法，属于人工智能与复杂网络技术领域；首先，构建网络中节点的相似度矩阵，利用节点的相似度，衡量邻居节点对于每个节点的重要性。然后，在单个时间步上使用图卷积神经网络，提取出每个时间步上的特征矩阵，在学习过程中，借助LSTM更新下一个时间步的特征矩阵的权重系数。在提取完所有时间步上的特征矩阵后，利用余弦相似度平滑相邻两个时间步的特征矩阵，保证相邻时间步的差距较小。通过结合相似聚合策略，在单个时间步上利用图卷积神经网络进行特征提取，在相邻时间步间使用余弦相似度进行平滑操作，高效地提取出动态网络的特征矩阵。最后，将得到的特征矩阵输入到k‑means算法中，得到社团划分。

技术领域

本发明涉及人工智能与复杂网络技术领域，特别涉及一种基于深度图信息最大化的动态社团挖掘方法。

背景技术

现实世界中的复杂系统可以抽象为真实网络，从中提取到的信息可以挖掘出复杂系统中变化的关系。社团挖掘旨在探测社团结构，并对网络中节点进行划分，使得同一社团中的节点联系紧密，不同社团中的节点联系较少。例如，在网络安全中，社团挖掘就可以免疫邮件网络中的电脑病毒传播。具体地，在对邮件网络进行社团挖掘以后，利用挖掘的社团结构确定可能受影响的节点，并切断社团中与这些节点相连的链路，从而高效经济地阻断电脑病毒的传播，达到免疫效果。通过对社交网络的社团挖掘，可以在一定程度上阻止传染病的蔓延。此外，对交通网络的社团挖掘，有助于规划城市公共系统。由此可见，社团挖掘具有巨大的应用价值。

然而，现实世界中的网络绝大多数是随时间变化的，例如，在社交网络中，人与人之间的关系是不断变化的，在科研网络中，专家的研究领域(方向)也不是一成不变的。在路由问题中，动态社团挖掘发挥着巨大的作用。具体地，节点和边分别代表人以及人与人之间的联系。由于节点的移动特性以及网络中连接的不稳定性，设计高效经济的路由计划显得十分困难。动态社团挖掘利用社交网络中潜在的社团结构，构建路由计划使得信息在同一社团或相关社团内进行传递，避免冗余无用的信息在不同社团之间的传递，具有极高的经济效益。

对于这样一类随时间变化的网络，静态社团挖掘不再适用，而动态社团挖掘可以捕获网络的时序变化特征，提供更加全面可靠的信息。在此基础上，各种各样的基于机器学习的动态社团挖掘算法被提出。在基于机器学习的动态社团挖掘算法中，有一类嵌入方法，能有效提取网络特征，从而提高社团挖掘的效率，降低时间耗费。深度图信息最大化是一类典型的嵌入方法，这种方法捕获图的特征并且最大化输入与输出之间的互信息，可以有效提高动态社团挖掘的效率。具体地，深度图信息最大化首先获得图的局部特征，在获取图的局部特征后，采用一定的聚合策略获得图的全局特征，在得到正样本的局部特征与全局特征后，使用腐蚀函数获得负样本，通过设计判别函数，对正负样本对进行打分，最后将其添加到目标函数中进行训练，提取图的特征。而网络正是一类特殊的图，故同样可以采用基于深度图信息最大化进行特征提取，进而进行社团挖掘。

然而深度图信息最大化仅仅适用于静态网络。如果要将深度图信息最大化应用到动态网络中，就需要存储所有时间步上的节点信息，所需存储的信息体量较大。在进行聚合的过程中，对于每一个节点，其邻居节点都被赋予了相同的重要性，而实际中邻居节点的重要性是不同的，忽略节点重要性的差异将导致网络的结构信息被忽略，影响特征提取的效果，进而影响后续的动态社团挖掘。

针对现有技术中存在的问题，本发明提出一种基于深度图信息最大化的动态社团挖掘方法，利用深度图信息最大化并将其应用到动态网络中，高效提取动态网络的特征，从而提高动态社团挖掘的效率。

发明内容

本发明的目的在于提供一种基于深度图信息最大化的动态社团挖掘方法，利用深度图信息最大化并将其应用到动态网络中，高效提取动态网络的特征，从而提高动态社团挖掘的效率。

本发明提出一种基于深度图信息最大化的动态社团挖掘方法，包含以下步骤：