[发明专利]基于元胞自动学习机的复杂网络社团挖掘方法

摘要

一种基于元胞自动学习机的复杂网络社团挖掘方法，包括以下六个步骤初始化元胞自动学习机；生成元胞自动学习机的状态向量；对元胞自动学习机的状态向量进行解码，获得对应的社团；计算响应信号；更新元胞自动学习机；社团结构比较。本发明将整个网络建模成一个元胞自动学习机，将网络中的社团映射为元胞自动学习机的状态向量，利用元胞自动学习机的迭代更新寻找出网络中最优的社团结构。本发明的时间复杂度很低，适用于大规模的复杂网络。此外，本发明拥有良好的寻找全局最优解的性能，并且能够保证局部社团的紧密性，所以对于社团检测的精确度很高。

主权项

一种基于元胞自动学习机的网络社团挖掘方法，其特点在于：该方法包括以下步骤：S1、构建待测复杂网络G的邻接矩阵A，并为复杂网络中的每个节点i分配一个自动学习机Li＝{αi,βi,pi}，其中，αi、βi、pi分别表示自动学习机Li的状态集合、响应集合和状态概率向量，i＝1,2,...,N；将所有的自动学习机通过复杂网络中的边进行连接，构成元胞自动学习机U＝{G,L,S}，其中，G为待测复杂网络，用来表示元胞自动学习机的底层拓扑结构，L表示网络中所有自动学习机的集合，S表示网络中所有自动学习机的状态所组成的状态向量；初始化网络中每个自动学习机Li的状态概率向量选择向量奖励向量令pij＝1/ri，Zij＝0，Wij＝0，j＝1,2,...,ri，i＝1,2,...,N，其中，pij表示自动学习机Li选择第j个状态的概率，Zij表示自动学习机Li目前选择第j个状态的次数，Wij表示自动学习机Li目前奖励第j个状态的次数，ri表示自动学习机Li的状态集合αi的基数；初始化迭代次数t，令t＝1；S2、生成元胞自动学习机的状态向量S(t)＝(α1(t),α2(t),...,αi(t),...,αN(t))：在第t次迭代时，对于网络中的每个自动学习机Li，根据其状态概率向量pi，从状态集合αi中随机选择一个状态αi(t)，将网络中所有的自动学习机的状态组成元胞自动学习机在第t次迭代的状态向量S(t)＝(α1(t),α2(t),...,αi(t),...,αN(t))；S3.对元胞自动学习机的状态向量进行解码，获得对应的社团C(t)＝(c1(t),c2(t),...,ci(t),...,cN(t))：在第t次迭代时，对元胞自动学习机的状态向量S(t)＝(α1(t),α2(t),...,αi(t),...,αN(t))进行解码，获得对应的社团C(t)＝(c1(t),c2(t),...,ci(t),...,cN(t))，其中ci(t)表示节点i属于社团ci(t)；所述的解码，是指在网络中根据元胞自动学习机的状态向量S(t)，遍历网络G中的所有节点，将每个节点i与状态αi(t)合并为一个社团，最终得到对应的社团；S4.计算响应信号βi(t)：在第t次迭代时，计算所获得的社团C(t)＝(c1(t),c2(t),...,ci(t),...,cN(t))的模块度Q(t)，公式如下：Q(t)=12mΣi,j=1N(Aij-kikj2m)δ(ci(t),cj(t))---(1)]]>其中，m是网络中边的总数，N是网络中节点的总数，A是网络的邻接矩阵，ki是网络中节点i的度，δ(·)是克罗内克函数，ci(t)是网络中节点i所隶属的社团的编号；对于每个自动学习机Li，根据其选择的状态αi(t)＝αiq和获得的社团结构的模块度Q(t)，计算自动学习机Li获得的响应信号βi(t)，公式如下：其中，Qbest是目前所有迭代中获得的社团结构的最大模块度，ki(c)是节点i与属于社团c的节点之间连边的数目，βi(t)＝0表示响应信号是奖励，βi(t)＝1表示响应信号是惩罚；S5.更新元胞自动学习机：在第t次迭代时，对于每个自动学习机Li，根据其选择的状态αi(t)和获得的响应信号βi(t)，按照自动学习机更新规则更新自动学习机Li的状态概率向量pi、选择向量Zi和奖励向量Wi；所述的自动学习机更新规则分为三个阶段：第一阶段，假定自动学习机Li在t次迭代时选择的是第q个状态，即αi(t)＝αiq，按照(4)式对选择向量Zi和奖励向量Wi进行更新：Wiq=Wiq+(1-βi(t))Ziq=Ziq+1---(4)]]>第二阶段，按照(5)式计算自动学习机Li的每一个状态在目前被奖励的概率：Dij=Wij/Zij,Zij>00,Zij=0---(5)]]>其中，Dij表示表示自动学习机Li的第j个状态在目前被奖励的概率；第三阶段，按照(6)式更新自动学习机Li的状态概率向量pi：pij′=pij+a(1-pij),j=argmaxq(Diq)(1-a)pij,j≠argmaxq(Diq)---(6)]]>其中，pij表示向量pi的第j个元素；p′i表示更新后的状态概率向量，其第j个元素表示为p′ij；表示自动学习机Li目前被奖励的概率最高的状态，a是人工设定的奖励系数；S6.社团结构比较：将第t次迭代得到的社团C(t)分别与之前T次迭代得到的社团C(t‑T)、C(t‑T+1),…,C(t‑1)进行比较，其中，T是人工设定的比较范围：当C(t)＝C(t‑T)＝C(t‑T+1)＝…＝C(t‑1)，则终止迭代并输出社团C(t)，否则，t＝t+1并返回步骤S2。