[发明专利]一种基于深度图卷积网络的群体发现方法

权利要求书

1.一种基于深度图卷积网络的群体发现方法，其特征在于，包括以下步骤：

S1：针对特定的属性网络，获取网络中所有用户间的复杂关系或交互行为数据；

S2：对所获取数据进行清洗及预处理，根据用户节点间复杂交互关系建模复杂网络，并提取各节点的属性信息；

S3：基于网络拓扑结构和属性信息，将网络邻接矩阵转换成权重矩阵，并将节点属性合成属性矩阵；

S4：将少量已知节点标签作为初始训练集，利用标签传播模型进行预训练以扩展训练集；

S5：基于权重矩阵及节点属性矩阵，以特定的规则构建深度图卷积网络模型以避免过平滑问题；

S6：利用扩展的标签集来训练该图卷积网络模型以预测未标记节点的群体标签，从而揭示属性网络中潜在的群体结构；

S7；采用两种度量指标对得到群体发现结果进行评价；

其中，所述步骤S3进一步包括：

S31：对于属性网络G＝(V，E，X)，其中V表示所有节点的集合，包括带标签节点和无标签节点，E为节点间连边的集合，X代表网络属性集合)，利用如下权重公式来计算各边的权重w_ij，得到网络各节点间的权重矩阵W；节点v_i和节点v_j之间的权重计算公式为：

其中，x_i和x_j分别表示节点v_i和节点v_j在X中对应的属性特征向量，α为超参数；

S32：将节点属性信息转换成属性矩阵形式X＝{x_i}，其中x_i为节点v_i对应的属性特征向量；

其中，所述步骤S4进一步包括：

S41：初始化节点标签，将少量具有先验标签的节点作为初始标签集，在标签传播过程中固定其标签不变；对于未标记节点，给每个节点分配一个唯一的标签；

S42：根据节点间的权重w_ij，计算节点v_i的标签向节点v_j传播的概率p_ij；

S43：构建标签矩阵Y_i，C指示节点v_i与群体C之间的隶属关系；

S44：每进行一次标签同步传播后，无标记节点以其接收到的邻居节点的标签中最多的标签来更新自身的标签；

S45：反复执行步骤S44，直到每个节点的标签都不再发生变化为止；

S46：针对每类群体标签，选取前k未标记节点的标签加入到初始标签集合中作为扩展的训练集；

其中，所述步骤S5进一步包括：

S51：基于网络邻接矩阵A和特征向量矩阵X，构建一个多层图卷积网络模型，其中第l层卷积操作定义为：

其中α_l为调节权重的超参数，σ(·)代表激活函数ReLU(·)(满足ReLU(x)＝max(0，x)，为增加了自环后的形式为对应的度对角矩阵H⁽⁰⁾表示深度图卷积网络输入层的属性特征矩阵(在此有H⁽⁰⁾＝X)，H^(l)表示第l层各节点的嵌入向量，W^(l)为该层可训练的权重矩阵，H^(l+1)为该层以H^(l)为输入经过卷积操作后的输出；

S52：基于深度图卷积网络的输出，采用softmax分类器将学习到的节点向量表示映射为节点对应的标签，该过程可以形式化为：

Z＝softmax(H^(l))

其中，H^(l)表示通过图卷积网络学习到的节点表示矩阵，softmax函数定义为各层的权重矩阵Θ在随机初始化后在训练过程获得自动更新；

其中，所述步骤S6进一步包括

S61；将由S4得到的扩展的标签集作为训练集，和属性矩阵同时输入上述模型进行训练；

S62；在模型参数不再更新后结束训练，根据模型softmax层的输出将未标记节点划分为不同群体，最终得到属性网络的群体识别结果。