[发明专利]一种基于深度图卷积网络的群体发现方法

说明书

本发明公共了一种基于深度图卷积网络的群体发现方法，用于解决现有方法对属性网络中的群体结构识别率低的问题。它具体包括：获取属性网络用户交互行为数据；通过对属性网络数据进行预处理以建模属性网络拓扑并确定少量节点标签；利用标签传播算法对现有的节点标签进行预训练以扩展标签集合；通过构建深度图卷积模型同时对结构信息和节点属性进行深度融合并自动识别完整的群体结构。采用本发明的技术方案，有利于挖掘大规模属性网络中群体特征，同时有效提高群体识别的准确性。

技术领域

本发明属于网络数据挖掘领域。具体地，涉及一种基于深度图卷积网络的群体发现方法。

背景技术

近年来，随着信息技术和互联网的快速发展，人与人之间以及人与环境之间的联系与交互变得普遍而又复杂，从而形成了各种各样的复杂系统。这些复杂系统通常可以用复杂网络来进行抽象描述，如在线社交网络、移动通信网络等。复杂网络涉及物理、生物、社会科学、系统科学、网络科学等众多交叉领域，逐渐成为解决复杂问题的一个强有力的工具，在如社交网络分析、生物工程、电力与交通、人类行为分析、大数据分析等众多领域有着广泛的应用。这些复杂网络系统中相互关联的个体形成的网络拓扑结构具有随机性和自组织性，并且表现出明显的群体聚集特征。近年来研究表明群体结构是复杂网络中普遍存在的一种重要中观结构特征，通常与网络中相应的功能模块及群体属性有着紧密联系。群体发现从中观视角揭示复杂网络的群体聚集特征和功能结构特性，对于分析复杂网络的节点特征、结构属性、群体交互模式等问题起着关键作用，并为研究复杂网络结构演化机制、信息传播规律、群体行为等提供重要支撑。

群体结构在复杂网络系统中对应不同的功能模块和结构单元，其内部节点相对于群体之间有着更紧密的连接。例如，在社交网络中，由于社会交互不断增强，基于不同兴趣、主题、职业、地域等特征形成的大量紧密群体，社区结构特征尤为明显；通信网络中的群体代表了通信群或个人关系网络。因此，挖掘网络中紧密联系的群体结构对理解和分析网络结构属性、信息传播规律、人类社会组织结构等有重要的应用价值。构建复杂关系网络的拓扑结构并将其划分为不同的紧密连接的群体或模块，是目前常用的方法。典型方法如通过模块度最大化将复杂网络尽可能地划分为不同的群体结构。然而，复杂网络结构在整体上呈现稀疏性，使得这类方法对于解决该优化问题存在一定的挑战(Fortunato S,HricD.Community detection in networks:A user guide.Phys Rep,2016,659:1-44)。实验表明，这类方法在较小规模的关系网络上表现较好，但在大规模的复杂网络无法获得最优的群体发现结果(Hoffmann T,Peel L,Lambiotte R et al.Community detection innetworks without observing edges.Science Advances,2020,6(4):eaav1478)。同时，随着大数据技术的发展，除了拓扑结构外，复杂网络中积累了大量多源属性信息，并且对群体结构的形成与演变产生重要影响，如金融交易网络中，可基于用户间的交互信息和属性特征挖掘出潜在的诈骗、洗钱等异常行为。而上述方法通常无法利用这些信息，导致了较低的群体发现精度和准确度。因此，属性网络中的群体发现是亟待解决且具有重要应用价值的问题。最近，一些基于深度学习的群体发现方法相继被提出(Su X,Xue S,Liu F et al.AComprehensive Survey on Community Detection with Deep Learning,2021.https://arxiv.org/pdf/2105.12584.pdf)，其中图卷积网络因能很好地融合网络结构和节点属性信息而被引入到网络群体发现任务中。然而，这类方法在模型结构和可扩展性方面存在不足。一方面，这类方法通常以有监督或半监督的方式来识别未知节点，在模型训练过程中需要大量的节点标签来进行模型优化，而在实际应用中难以获得大量的先验标记节点，或者仅存在少量的带标签节点。另一方面，由于图卷积容易导致过度平滑的问题，目前所采用的图卷积网络模型实际上包含2到3个卷积层的浅层结构，在节点标签推断过程中无法利用网络的全局信息。因此，如何利用少量标签并有效加深图卷积网络层次来实现群体划分是一个亟待解决的问题。

发明内容