[发明专利]一种智慧社区大数据知识图谱网络社团检测方法

权利要求书

1.一种智慧社区大数据知识图谱网络社团检测方法，其特征在于：其包括以下步骤：

S1)构建智慧社区大数据知识图谱；

S2)对智慧社区大数据知识图谱进行重构，得到智慧社区知识图谱网络的低维编码；

S3)使用深度学习方法构建深层次的模型进行训练，最终得到社团检测结果。

2.如权利要求1所述的智慧社区大数据知识图谱网络社团检测方法，其特征在于：所述步骤S1)中，构建智慧社区大数据知识图谱包括从原始的社区数据出发，通过知识抽取和知识表示从原始数据和第三方数据库中抽取出来社区知识，然后将提取的所述社区知识存入知识库的数据层和模式层中，通过知识融合，解决已有社区知识存在冗余、缺乏逻辑性的问题，对社区知识形成的知识图谱中由于数据源或不同构建方法产生的冲突，根据数据源可靠性或机器学习的方法进行冲突解决，形成所述智慧社区大数据知识图谱。

3.如权利要求1所述的智慧社区大数据知识图谱网络社团检测方法，其特征在于：所述智慧社区大数据知识图谱包括：

人员层：包含不同年龄段的社区人员；

行为层：包含相应社区人员的行为特征，所述行为特征包括经济状况、工作情况、加班情况以及出入社区时间；

语义层：包括对应社区人员的一些公开言论。

4.如权利要求1所述的智慧社区大数据知识图谱网络社团检测方法，其特征在于：所述步骤S2)中的智慧社区大数据知识图谱进行重构具体包括：

S21)社团检测谱方法的矩阵表示；

S22)基于自动编码器的社团检测谱方法的矩阵重构；

S23)结合连接信息和节点内容的社团检测。

5.如权利要求4所述的智慧社区大数据知识图谱网络社团检测方法，其特征在于：所述步骤S21)社团检测谱方法的矩阵表示包括：

S211)将智慧社区知识图谱网络的拓扑结构用G＝(V,E)表示，其中，V是包含N个节点的顶点集合{V₁,V₂,L,V_N}，代表社区中的人员等实体，E是连接V中两个顶点的边的集合，表示社区内实体间的联系；

S212)将G的邻接矩阵用一非负对称的二进制矩阵表示，若实体间存在联系，即在顶点v_i和v_j之间有边，则设置a_ij＝1，否则a_ij＝0；

S213)定义模块化矩阵为B＝{b_ij}∈R_N×NR，其中b_ij＝a_ij-k_ik_j/2m为模块化矩阵B第i行第j列元素，k_i为顶点v_i的度，m为边的个数。

S214)假设知识图谱网络具有C个社团，将模块最大化转化为以下优化问题：

s.t.tr(X^TX)＝N

其中tr(·)表示矩阵的迹，X＝(x_ij)∈R^N×C为指标矩阵，x_ij表示矩阵X第i行第j列元素；基于Rayleigh商，通过提取模块化矩阵B的C个最大特征向量可求解上述优化问题；

S215)对于智慧社区知识图谱网络的内容信息，使用S＝{s_ij}∈R^N×N表示图G的相似矩阵，利用顶点v_i和v_j的词向量之间的余弦相似度来度量s_ij；同时，考虑节点内容空间的流型结构，利用k-近邻一致性方法对原始相似矩阵进行处理，保留顶点v_i和它的每个k-近邻顶点之间的相似值s_ij，否则为0；

S216)使用来度量图G的子集g中顶点的度；将图G归一化切割成C组，将归一化切割问题转化成：

s.t.Y^TDY＝I

其中，s_i＝∑_js_ij为对角矩阵D的对角元素，将该图Laplacian矩阵设为D^-1L；通过放宽优化问题，通过拉普拉斯矩阵D^-1L的特征值分解得到表示矩阵Y＝{y_ij}∈R^N×C。