[发明专利]一种结合深度稀疏编码器和拟牛顿法的社区发现分析方法

权利要求书

1.一种结合深度稀疏编码器和拟牛顿法的社区发现分析方法，其特征在于，包括步骤：

针对网络图G＝(V,E)，V＝{v₁，v₂，…v_i，…v_n}，其中V代表网络图G中的节点集，E代表网络图G中的边集，v_i代表网络图G中的节点，n为节点数量，求得网络图G的邻接矩阵的相似度矩阵S；

将所述相似度矩阵S作为输入，利用深度稀疏自动编码器进行训练，最后输出低维特征矩阵S_T；

对所述低维特征矩阵S_T进行聚类实现社区发现。

2.如权利要求1所述的社区发现分析方法，其特征在于，计算相似度矩阵具体为：

计算所述网络图G中任意两个节点v_i和v_j之间的节点相似度

Sim(i，j)＝e^τ(1-s)，s≥1，τ∈(0，1)

其中，s是v_i和v_j之间的跳数，τ是衰减因子；

利用上式求得网络图G中所有两点之间的节点相似度，根据上述节点相似度组成相似度矩阵S，S＝[s_ij]_n×n，其中，s_ij＝Sim(i，j)。

3.如权利要求1所述的社区发现分析方法，其特征在于，将所述相似度矩阵S作为网络图G的输入，利用深度稀疏自动编码器进行训练，最后输出低维特征矩阵S_T具体为：

所述深度系数自动编码器的层数为T，每层的节点数为d_t＝{d₀，d₁，d₂，...，d_T|d₀＝n，d₀＞d₁＞d₂＞…＞d_T}，将相似度矩阵S作为所述深度系数自动编码器的第一层输入，第一层训练结束后的数据作为所述深度系数自动编码器的第二层输入，依次类推得到最后一层的输出，即低维特征矩阵S_T。

4.如权利要求3所述的社区发现分析方法，其特征在于，令s_i表示相似度矩阵S的第i个列向量，W₁为输入层的权重矩阵，W₂为隐藏层的权重矩阵，b为隐藏层的偏置列向量，c为输入层的偏置列向量，则所述深度系数自动编码器编码层第i个列向量为：

h_i＝σ(W₁s_i+b)

所述深度系数自动编码器的解码层第i个列向量为：

z_i＝σ(w₂h_i+c)

其中，σ为激活函数。

5.如权利要求4所述的社区发现分析方法，其特征在于，利用拟牛顿法最小化所述深度系数自动编码器的重构误差，不断迭代直至误差达到预设范围或达到设定的迭代次数停止，然后输出所述低维特征矩阵S_T。

6.如权利要求4所述的社区发现分析方法，其特征在于，所述重构误差计算公式为：

7.如权利要求6所述的社区发现分析方法，其特征在于，在计算所述重构误差时加入稀疏性惩罚因子项，更新所述重构误差计算公式为：

其中，为编码层输出的平均值，ρ为稀疏值，h_j(x_i)表示对于隐藏层第j个神经元h_j，当输入为x_i时的输出值，