[发明专利]一种基于社交网络的社团划分方法、系统及存储介质

权利要求书

1.一种基于社交网络的社团划分方法，其特征在于，包括如下步骤：

步骤S1、从社交网络中获得用户数据，对所述用户数据进行预处理，得到节点的邻接矩阵和属性矩阵；

步骤S2、根据注意力机制，通过所述邻接矩阵和所述属性矩阵捕获节点的高阶拓扑邻近性和属性邻近性，得到邻近性权重；

步骤S3、通过图自动编码器和所述邻近性权重，对所述邻接矩阵和所述属性矩阵进行联合编码，得到节点的低维嵌入表示；

步骤S4、通过聚类算法对所述低维嵌入表示进行聚类，得到节点的软聚类分配，通过所述软聚类分配得到目标损失函数，将所述目标损失函数迭代至最小化，得到训练模型；

步骤S5、根据所述训练模型中的聚类分配结果，得到所述节点的社团划分结果；

所述步骤S1包括：

步骤S11、通过网络爬虫方法从社交网络获得用户数据，或由所述社交网络中的社交平台提供用户数据；

步骤S12、对所述用户数据进行预处理，所述预处理步骤如下：

将所述用户数据进行数据清洗，并将数据清洗后的用户数据存储；

将所述清洗后的用户数据中用户之间的关系进行转换处理，得到表征节点的拓扑结构信息的邻接矩阵，对所述清洗后的用户数据中的用户的特性进行转换，得到表征节点的属性信息的属性矩阵；

所述步骤S2包括：

步骤S21、根据式(1)，通过邻接矩阵捕获各节点之间的高阶拓扑邻近性，得到拓扑结构权重矩阵，所述式(1)为：其中，为t阶邻居节点的邻接矩阵归一化表示；

步骤S22、根据式(2)，通过属性矩阵捕获各节点之间的属性邻近性，得到属性权重值，所述式(2)为：

p_ij＝w^T[x_i||x_j]，

式中，x_i为节点i的属性值，x_j为邻居节点j的属性值，w为参数矩阵，||为向量串联操作，T为矩阵转置；

步骤S23、根据式(3)对所述属性权重值和所述拓扑结构权重矩阵中的拓扑结构权重值进行结合并归一化，得到邻近性权重，所述式(3)为：

式中，m_ij、m_ir为拓扑结构权重矩阵M中的拓扑结构权重值，P_ij、P_ir为属性权重值，N_i为i在M中的邻居节点集合，LeakyRelu为激活函数；

所述步骤S3包括：

步骤S31、根据式(4)通过预设的图自动编码器中对所述邻接矩阵和所述属性矩阵进行编码，同时通过所述邻近性权重进行加权计算，在所述图自动编码器的各中间层和输出端对应序列得到包括所述拓扑结构信息和所述属性信息的各中间层低维嵌入表示和输出端低维嵌入表示；所述式(4)为：

……

式中，σ为非线性激活函数，α_ij为所述邻近性权重值，W⁽⁰⁾,W⁽¹⁾...W^(k-1)为图自动编码器各中间层的参数矩阵，为图自动编码器的初始输入数据，即邻居节点j的邻接矩阵和属性矩阵的联合表示，表示节点i在图自动编码器的各中间层对应序列学习得到的低维嵌入表示；表示与节点j相关的各邻居节点在图自动编码器的各中间层对应序列学习得到的低维嵌入表示，h_i为图自动编码器的输出端学习得到的低维嵌入表示；

步骤S32、根据式(5)对所述输出端低维嵌入表示通过解码器进行解码，得到表征节点之间存在连边概率的重构邻接矩阵所述式(5)为：

式中，T为转置，h_i为节点i的输出端低维嵌入表示，h_j为节点j的输出端低维嵌入表示；

步骤S33、根据重构损失函数式(6)通过所述重构邻接矩阵和所述邻接矩阵，对所述图自动编码器进行预训练，当所述重构损失函数式(6)的值迭代至最小化时，迭代更新所述各中间层低维嵌入表示和所述输出端低维嵌入表示；所述重构损失函数式(6)为：

式中，A_ij代表邻接矩阵中任一元素的值，取值为0或1，代表重构邻接矩阵中相应的元素的值，取值在0到1之间。