[发明专利]一种融合多粒度社区信息的网络嵌入方法

说明书

本发明属于复杂网络分析技术，特别涉及一种融合多粒度社区信息的网络嵌入方法，包括：构建无向网络；使用Louvain算法获得不同粒度下的网络以及相应的社区划分；使用DeepWalk学习初始节点嵌入；将社区内的所有节点的嵌入进行加权平均，得到相应社区的嵌入；利用社区嵌入来调整节点嵌入，即通过最大化节点属于所属社区的条件概率，使得节点嵌入与节点所属社区的社区嵌入相似，将社区信息融合进节点嵌入当中；将所有社区粒度下节点嵌入进行拼接，得到最终网络嵌入，并应用于下游任务。本发明通过联合多粒度社区下的节点嵌入，可以捕获不同粒度下的社区信息，提高下游任务的准确率。

技术领域

本发明属于复杂网络分析技术，特别涉及一种融合多粒度社区信息的网络嵌入方法。

背景技术

由于网络规模的飞速增长，网络中蕴含的信息也越来越丰富，网络表示学习受到越来越多的关注，同时也产生了许多领域相关的方法。这些方法一般可以分为三种，分别为基于矩阵分解的网络表示方法，基于神经网络的网络表示方法，以及基于Skip-Gram模型的网络表示方法。上述方法通常只考虑了网络的局部信息，忽视了全局信息，比如社区信息。

由于网络中社区的重要性，近些年一些学者在网络嵌入时开始考虑对社区信息进行保留。一般的保留社区信息的嵌入方法都是在节点嵌入上进行聚类，根据聚类结果(社区划分)来重新调整原本的节点嵌入结果，其思想如图1所示。但这些方法都只关注网络最终的社区结构，没有考虑到社区的多粒度特性。为此，本发明利用社区发现算法得到多粒度社区结构，提出可以融合多粒度社区信息的网络嵌入方法。

发明内容

为了解决现有网络嵌入方法无法有效利用网络潜在的多粒度社区信息，本发明提出一种融合多粒度社区信息的网络嵌入方法，该方法具体包括以下步骤：

S1、构建无向网络G(V，E)，V为网络G的节点集合，E为网络G的边集；

S2、使用Louvain算法获得不同粒度下的网络以及相应的社区划分，表示为(G¹，C¹)，...，(G^T，C^T)；

S3、使用DeepWalk最大化通过中心节点预测上下文节点的条件概率，来学习初始节点嵌入；

S4、将社区内的所有节点的嵌入进行加权平均，得到相应的社区嵌入；

S5、利用社区嵌入来调整节点嵌入，即通过计算节点属于所属社区的条件概率，使得节点嵌入与节点所属社区的社区嵌入相似，将社区信息融合进节点嵌入；

S6、将所有社区粒度下节点嵌入进行拼接，得到最终网络嵌入，并应用于下游任务。

进一步的，使用Louvain算法获得不同粒度下的网络以及相应的社区划分，过程包括：

遍历网络中所有节点，计算将节点划分到其邻居节点的所在社区的模块度增益，并将其划分到最大正向增益的对应社区；

重新构造网络，将所有同一社区内的节点合并为新网络中的节点；

将新网络中节点内部权重更新为合并节点集合内部权重的总和、新网络中节点之间的边权重更新为两个节点对应社区间连接边上的权重总和；

重复以上步骤，直到模块度不再发生改变，将不同粒度下构建的网络与社区划分输出。

进一步的，最大化通过中心节点预测上下文节点的条件概率包括：

使用截断随机游走来捕获网络结构信息，得到游走路径集合S＝{s₁，s₂，...，s_n}，其中s_i＝{v_i，...}表示以节点v_i为起始节点的节点序列；