[发明专利]基于栈式自编码器的动态网络社团结构识别方法

摘要

发明涉及一种基于栈式自编码器的动态网络社团结构识别方法，属于人工智能与复杂网络领域。首先线性构建动态网络的时序矩阵考虑前后时刻两个快照网络结构的相关性，同时得到相应的模块度矩阵；将栈式自编码器应用到动态网络中进行特征提取，把模块度矩阵映射到低维空间中进行非线性表示学习；然后在栈中的隐含层向量中，利用k‑means算法进行聚类，并用标准互信息对结果进行评价，最后找到最优的聚类结果。本发明能够确保当前时刻网络上的社团质量。为了降低栈式自编码器过拟合的影响，增加了基于时间平滑约束的正则项。利用上一时刻网络的社团结构作为先验信息，进一步引导编码器中节点映射，从而提高网络社团识别的质量。

主权项

1.基于栈式自编码器的动态网络社团结构识别方法，其特征在于：该方法包括以下步骤：S1：输入动态网络G＝{G₁,G₂,...,G_T}的邻接矩阵A＝{A₁,A₂,...,A_T}；S2：初始化时间约束比例系数ratio和正则化系数λ；S3：基于输入的动态网络G和邻接矩阵A，构造t时刻的时序矩阵；初始化方式为：S4：构建的模块度矩阵，其定义为：B_t＝[b_ijt]∈R^n*n，其中n和m分别是t时刻网络中的节点数和边数，k_it是节点i的度数，如果节点i和节点j，则a_ijt＝1，否则为0；S5：将B_t作为自编码器的输入，实际上是t时刻网络有n个节点，作为n个样本的训练集输入到自编码器中，每个样本的特征维度是n，表示该点与其他各点的连接情况；S6：堆叠构造成3层栈式自编码器进行深度学习，具体来说，对于B_t输入而言，得到了第一层自编码器的表示隐含层继续训练第i^th层自编码器，把第i^th‑1的隐含层当作输入，得到表示隐含层其中l_i＜l_i‑1，d_i是第i^th层的神经元规模；S7：将时间平滑约束加入loss函数中的正则项中，解决自编码器容易过拟合的问题；记录历史时刻网络社团划分的结果，将上一时刻网络的社团划分当作先验信息，指引当前时刻网络中节点的嵌入学习；基于这样一个假设：如果节点i和节点j在t‑1时刻属于同一个社团，如果t时刻网络社团结果没有出现剧烈的偏差，那么t时刻的向量h_i和h_j之间的欧氏距离很近；通过定义正则化矩阵O＝[o_ij]∈R^n*n，如果节点i和节点j属于用同一个社团，则o_ij＝1，否则为0；D是对角矩阵，其中的元素值是O矩阵每行所有元素的和，L是O的拉普拉斯矩阵，L＝D‑O，时间约束项定义如下：通过加入时间约束的正则项，自编码器的完整loss函数表示如下：其中λ是正则项系数，权衡重构误差和社团一致性之间的重要程度；通过BP反向传播算法求解权重向量θ；S8：将每层得到的特征矩阵作为k‑means算法的输入，进行图聚类，最后用标准互信息(NMI)来评价聚类的结果，NMI的定义如下：S9：选出最高NMI值对应的聚类结果当作t时刻网络的社团划分，并保存划分结果；S10：判断是否到达最终时刻T，若判定结果为“是”，则执行步骤S11，否则执行t＝t+1，并回到步骤S3；S11：输出动态网络的社团划分C＝{C¹,C²,...,C^T}。