[发明专利]一种基于深度学习的加权网络社区发现方法及装置有效
| 申请号： | 202010133626.5 | 申请日： | 2020-02-28 |
| 公开（公告）号： | CN111371611B | 公开（公告）日： | 2021-06-25 |
| 发明（设计）人： | 蒋来源;李树栋;吴晓波;韩伟红;方滨兴;田志宏;殷丽华;顾钊铨;仇晶;王乐;李默涵;唐可可 | 申请（专利权）人： | 广州大学 |
| 主分类号： | H04L12/24 | 分类号： | H04L12/24;G06K9/62;G06N3/08;G06N3/04 |
| 代理公司： | 广州三环专利商标代理有限公司 44202 | 代理人： | 郭浩辉;麦小婵 |
| 地址： | 510006 广东省广*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 深度 学习 加权 网络 社区 发现 方法 装置 | ||
1.一种基于深度学习的加权网络社区发现方法，其特征在于，包括：
对给定的加权网络图进行预处理，得到二阶邻相似度矩阵；所述对给定的加权网络图进行预处理，得到二阶邻相似度矩阵，具体为：分析所述加权网络图中节点间的联系，获取加权邻接矩阵和无权邻接矩阵；根据所述加权邻接矩阵和所述无权邻接矩阵的平方，得到二阶邻居权重矩阵；根据所述加权邻接矩阵和所述二阶邻居权重矩阵，得到所述二阶邻相似度矩阵；
训练深度稀疏自编码器；所述训练深度稀疏自编码器，具体为：分析所述加权网络图中节点间的联系，获取加权邻接矩阵和无权邻接矩阵；根据所述加权邻接矩阵和所述无权邻接矩阵，得到模块度矩阵和无权二阶邻邻接矩阵；使用所述二阶邻相似度矩阵、所述模块度矩阵和所述无权二阶邻邻接矩阵训练所述深度稀疏自编码器；
通过所述深度稀疏自编码器提取所述二阶邻相似度矩阵的低维特征，得到低维特征矩阵；
根据聚类算法对所述低维特征矩阵进行聚类，得到社区发现结果。
2.如权利要求1所述的基于深度学习的加权网络社区发现方法，其特征在于，所述聚类算法包括K-means聚类算法。
3.一种基于深度学习的加权网络社区发现装置，其特征在于，包括：
预处理模块，用于对给定的加权网络图进行预处理，得到二阶邻相似度矩阵；所述对给定的加权网络图进行预处理，得到二阶邻相似度矩阵，具体为：分析所述加权网络图中节点间的联系，获取加权邻接矩阵和无权邻接矩阵；根据所述加权邻接矩阵和所述无权邻接矩阵的平方，得到二阶邻居权重矩阵；根据所述加权邻接矩阵和所述二阶邻居权重矩阵，得到所述二阶邻相似度矩阵；
训练模块，用于训练深度稀疏自编码器；所述训练深度稀疏自编码器，具体为：分析所述加权网络图中节点间的联系，获取加权邻接矩阵和无权邻接矩阵；根据所述加权邻接矩阵和所述无权邻接矩阵，得到模块度矩阵和无权二阶邻邻接矩阵；使用所述二阶邻相似度矩阵、所述模块度矩阵和所述无权二阶邻邻接矩阵训练所述深度稀疏自编码器；
特征提取模块，用于通过所述深度稀疏自编码器提取所述二阶邻相似度矩阵的低维特征，得到低维特征矩阵；
聚类模块，用于根据聚类算法对所述低维特征矩阵进行聚类，得到社区发现结果。
4.如权利要求3所述的基于深度学习的加权网络社区发现装置，其特征在于，所述聚类算法包括K-means聚类算法。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于广州大学，未经广州大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202010133626.5/1.html，转载请声明来源钻瓜专利网。
