[发明专利]基于图卷积神经网络的电商网络平台用户社区发现方法

权利要求书

1.一种基于图卷积神经网络的电商网络平台用户社区发现方法，其特征在于：包括以下步骤：

步骤一：根据电商网络的用户数据，构建电商用户网络模型G(V,E)，V表示节点，E表示节点之间的连边，一个节点表示一个用户，电商网络共有N个用户，对应网络的N个节点，如果两个用户购买了同一类商品，则用户之间存在一条连边，A表示网络G的邻接矩阵；

步骤二：根据节点相似度指标计算网络G中有连边节点对的相似度，构成相似度矩阵Sim_N×N，其中Sim_ij表示节点i和节点j之间的相似度，

Γ(i)表示节点i的邻居节点，k(i)表示节点i的度大小，|Γ(i)∩Γ(j)|表示节点i和j的共同邻居个数；

步骤三：连接网络中任意节点和它的偏好节点，构建偏好网络G^P(V，E^p)，其中一个节点的偏好节点指的是和该节点相似度最大的节点，连边集E^P＝{e_i，j|i，j∈V}，其中e_i，j表示节点i的最大相似度节点为j；

步骤四：把偏好网络G^P(V，E^p)每个互相连通的节点群作为一个社区，得到初始社区划分结果C＝{c₁，c₂，c₃，…，c_k}，计算得到社区规模系数α＝{α₁，α₂，α₃，…，α_k}，其中|c_i|表示社区c_i中的节点数量，|V|表示网络中的节点数量；

步骤五：计算社区稀疏系数β＝{β₁，β₂，β₃，…，β_k}，其中表示社区c_i的内部边数量，表示社区c_i的外部边数量；

步骤六：计算社区规模系数阈值

和社区稀疏系数阈值

其中|C|表示社区总个数，当社区满足社区规模系数和社区稀疏系数均大于阈值时，标记该社区为强社区，并且选择强社区中的最大度点作为该社区的领导节点，给领导节点分配社区标签，

步骤七：建立图卷积神经网络模型GCN(I，A),其中，单位矩阵I表示网络的特征矩阵，网络的邻接矩阵和单位矩阵作为模型的输入，GCN的最后一层采用softmax层输出每个类别的概率，输出概率最大的标签作为节点的预测标签y^predict，根据领导节点真实标签y_L和预测标签y^predict计算交叉熵损失值Loss进行反向传播更新权重，当达到预设的最大迭代次数时停止训练，则Y_lf表示每个节点的输出标签，把标签相同的节点划分为一个社区，得到用户的社区划分结果，其中损失函数

其中，Z_lf表示softmax的输出概率，y_L表示领导节点的标签。