[发明专利]一种基于差分隐私的局部高阶图聚类方法在审
| 申请号： | 201910490628.7 | 申请日： | 2019-06-06 |
| 公开（公告）号： | CN110263831A | 公开（公告）日： | 2019-09-20 |
| 发明（设计）人： | 李蜀瑜;边锦;曹菡 | 申请（专利权）人： | 陕西师范大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62 |
| 代理公司： | 西安睿通知识产权代理事务所(特殊普通合伙) 61218 | 代理人： | 惠文轩 |
| 地址： | 710119 陕西省西*** | 国省代码： | 陕西;61 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于差分隐私的局部高阶图聚类方法，该方法的具体步骤为：利用局部高阶网络子图Motif的结构，将原始社交网络转化成基于Motif的邻接矩阵，基于Motif网络子图结构的多样性，对生成的Motif邻接矩阵中的权重设置一定的阈值，并对在阈值范围内的权重进行拉普拉斯噪声扰动，实现对社交网络子图的隐私保护；为了提升随机游走算法运行的效率，采用近似热核页面排名种子算法，对扰动后的Motif矩阵进行随机游走，根据游走后的热核向量计算划分集合的切割比，并输出聚类集合。 | ||
| 搜索关键词： | 高阶 邻接矩阵 社交网络 网络子图 扰动 聚类 隐私 矩阵 随机游走算法 聚类集合 权重设置 随机游走 向量计算 隐私保护 种子算法 权重 页面 噪声 近似 切割 集合 多样性 输出 转化 | ||
【主权项】：
1.一种基于差分隐私的局部高阶图聚类方法，其特征在于，包括以下步骤：步骤1，获取社交网络数据集，即有向图G(V,E)，选取三角Motif模型中的M7连接结构，作为有向图G(V,E)的高阶网络子图Motif结构；构建Motif邻接矩阵，权重矩阵WM；采用差分隐私算法，对有向图的Motif权重矩阵中Motif结构个数进行干扰，得到具有隐私保护的有向图Gλ'；其中，V为节点集，E为边集；步骤2，采用近似热核页面排名种子节点算法对具有隐私保护的有向图Gλ'进行基于热核页面的随机游走，得到节点的近似热核向量![]()
步骤3，采用局部聚类算法对每个近似热核向量![]()
进行切割，得到近似热核向量![]()
的局部聚类，即得到有向图G(V,E)的局部聚类集合，完成有向图G(V,E)的局部聚类。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于陕西师范大学，未经陕西师范大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910490628.7/，转载请声明来源钻瓜专利网。
