[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

说明书

本发明公开了一种基于深度学习的加权网络社区发现方法及装置。所述方法包括：对给定的加权网络图进行预处理，得到二阶邻相似度矩阵；通过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。本发明能够综合考虑节点与邻居节点，及与邻居节点的邻居节点之间的联系，提高社区发现的准确度。

技术领域

本发明涉及社区发现技术领域，尤其涉及一种基于深度学习的加权网络社区发现方法及装置。

背景技术

复杂网络是由大量节点以及节点之间错综复杂的关系共同构成的网络结构，除了小世界和无标度等特性外，复杂网络还呈现出明显的社区结构。给定一个网络，社区发现根据网络中节点间的相互关系，将所有节点聚合成一系列子结构，即社区。与不同社区间节点之间的连接关系相比，同一社区内的节点之问通常具有较强的连接关系。目前，主流的社区发现方法大都是针对无权网络，可分为基于图分割的方法(Kernighan-Liu算法)，基于层次聚类的算法(GN，FN)，基于标签传播的方法(LPA)，基于相似度聚类的算法(K-Means)。由于无权网络尚不足以反映现实世界中大量对象之间的联系，且现有的社区发现方法仅考虑节点与邻居节点之间的联系，忽略节点与邻居节点的邻居节点之间的联系，难以提高社区发现的准确度。

发明内容

本发明提供一种基于深度学习的加权网络社区发现方法及装置，以克服现有技术的缺陷，本发明能够综合考虑节点与邻居节点，及与邻居节点的邻居节点之间的联系，提高社区发现的准确度。

为了解决上述技术问题，本发明一实施例提供一种基于深度学习的加权网络社区发现方法，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；

通过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。

进一步地，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，得到所述二阶邻相似度矩阵。

进一步地，在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之后，在所述通过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，得到低维特征矩阵之前，还包括：

训练所述深度稀疏自编码器。

进一步地，所述训练所述深层稀疏自编码器，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。

进一步地，所述聚类算法包括K-means聚类算法。

本发明另一实施例提供一种基于深度学习的加权网络社区发现装置，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；

特征提取模块，用于通过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。

进一步地，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：