一种基于并行多通道机制的属性网络社区发现方法

本发明涉及信息检索处理，特别是涉及一种属性网络社区发现方法、装置、计算机存储介质及程序。

背景技术：

1、互联网的普及、移动终端设备和web2.0技术的迅猛发展，产生了大规模的论文引用网、客户关系网、电子邮件网等各种各样的复杂网络。社区发现是复杂网络分析中最重要的任务之一。

2、基于图划分、基于聚类、基于模块度优化、基于标签传播和基于神经网络等经典算法大多基于网络拓扑结构进行社区发现，然而现实世界中大多是附带丰富节点属性信息的复杂网络，网络中属性信息对社区划分结果有不可忽视的作用。

3、现有的基于图卷积网络的社区发现算法将网络的拓扑结构和节点的属性信息相结合，生成节点嵌入，进而采用聚类方法识别网络中社区结构，在处理复杂网络分析上有较为可观的效果。但是由于没有充分考虑节点关键特征信息，对生成的节点嵌入表达没有采用优化方案，社区划分质量往往欠佳。

技术实现思路

1、针对上述现有技术的缺陷，本发明提供了一种基于并行多通道机制的属性网络社区发现方法，解决节点关键信息的表达问题，提高社区划分质量。

2、本发明的技术方案如下：

3、一种基于并行多通道机制的属性网络社区发现方法，包括以下步骤：

4、由深度神经网络编码器对节点属性信息的特征矩阵x进行编码并由深度神经网络解码器解码得到重构特征矩阵

5、节点属性信息的特征矩阵x和邻接矩阵a输入图卷积网络编码器得到输出矩阵z；

6、对输出矩阵z进行解码得到重构邻接矩阵来监督图卷积自编码的过程，以及对输出矩阵z进行自监督训练直至收敛，得到最终的社区划分；

7、其中，所述图卷积网络编码器的每一层表达结果由图卷积网络编码器自身的每层结构表示与所述深度神经网络编码器的每层特征表示加权求和得到，所述图卷积网络编码器自身的每层结构表示对特征矩阵通过并行多通道操作取不同的维度，上一层每个通道输出定义为

8、

9、其中，σ是非线性激活函数，i是单位矩阵，是的度矩阵，是权重矩阵，i为通道数，通过拼接获得上一层矩阵z0

10、z0＝concat[z(0_i)]

11、本层的输出矩阵z1为

12、

13、进一步地，所述图卷积网络编码器除最后一层的其余层中σ为relu函数，最后一层中σ为softmax函数。

14、进一步地，重构邻接矩阵

15、进一步地，所述图卷积网络编码器的每一层表达结果由图卷积网络编码器自身的每层结构表示与所述深度神经网络编码器的每层特征表示加权求和得到具体为

16、

17、其中为图卷积网络编码器的每一层表达结果，zl-1为图卷积网络编码器自身的每层结构表示，hl-1为深度神经网络编码器的每层特征表示，θ为加权系数。

18、进一步地，深度神经网络编码器的每层特征表示hl-1为

19、

20、为深度神经网络编码器l-1层的权重矩阵，为深度神经网络编码器l-1层的偏差。

21、进一步地，对所述深度神经网络解码器解码重构过程进行监督的损失函数为

22、

23、n为节点数量，向量xi表示节点vi的特征表示。

24、进一步地，衡量重构邻接矩阵与原有邻接矩阵的交叉熵损失函数，定义为

25、

26、进一步地，图卷积网络编码器得到输出矩阵z借助目标分布p进行监督，训练损失函数定义为

27、

28、目标分布p＝[pij]，zij代表第i个节点归属于第j个社区的概率。

29、进一步地，所述自监督训练时目标函数为

30、l＝la+ls+αlm+βlp

31、α和β是平衡损失大小的超参数，lp是深度神经网络编码器和深度神经网络解码器的聚类损失函数。

32、进一步地，

33、

34、

35、

36、hi是第i个节点的嵌入向量，在训练前，对原始属性信息利用k均值方法得到初始的节点中心向量μj，r是t-分布的自由度。

37、本发明与现有技术相比较，具有如下优点：

38、充分利用图神经网络端到端的学习优势，利用编码-解码的思想，采用基本自编码模块(包括深度神经网络编码器和深度神经网络解码器)和图自编码模块(图卷积网络编码器及其解码器)学习节点特征表达。基本自编码模块学习优化节点属性表达；图自编码模块将节点属性信息与网络拓扑结构融合，并在图自编码模块中设计并行多通道机制，增强节点关键信息特征表示，生成用于最终聚类的节点嵌入。深度神经网络得到的节点属性信息结合到图卷积网络编码器，解决图卷积网络中存在的过平滑问题。模型在最终的嵌入表达中引入自监督机制，实现对嵌入表达的优化，提高社区划分质量。

技术特征：

1.一种基于并行多通道机制的属性网络社区发现方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于并行多通道机制的属性网络社区发现方法，其特征在于，所述图卷积网络编码器除最后一层的其余层中σ为relu函数，最后一层中σ为softmax函数。

3.根据权利要求1所述的基于并行多通道机制的属性网络社区发现方法，其特征在于，重构邻接矩阵

4.根据权利要求1所述的基于并行多通道机制的属性网络社区发现方法，其特征在于，所述图卷积网络编码器的每一层表达结果由图卷积网络编码器自身的每层结构表示与所述深度神经网络编码器的每层特征表示加权求和得到具体为

5.根据权利要求1所述的基于并行多通道机制的属性网络社区发现方法，其特征在于，深度神经网络编码器的每层特征表示hl-1为

6.根据权利要求1所述的基于并行多通道机制的属性网络社区发现方法，其特征在于，对所述深度神经网络解码器解码重构过程进行监督的损失函数为

7.根据权利要求6所述的基于并行多通道机制的属性网络社区发现方法，其特征在于，衡量重构邻接矩阵与原有邻接矩阵的交叉熵损失函数，定义为

8.根据权利要求7所述的基于并行多通道机制的属性网络社区发现方法，其特征在于，图卷积网络编码器得到输出矩阵z借助目标分布p进行监督，训练损失函数定义为

9.根据权利要求8所述的基于并行多通道机制的属性网络社区发现方法，其特征在于，所述自监督训练时目标函数为

10.根据权利要求9所述的基于并行多通道机制的属性网络社区发现方法，其特征在于，

技术总结本发明公开了一种基于并行多通道机制的属性网络社区发现方法，由深度神经网络编码器对节点属性信息的特征矩阵X进行编码并由深度神经网络解码器解码得到重构特征矩阵节点属性信息的特征矩阵X和邻接矩阵A输入图卷积网络编码器得到输出矩阵Z；对输出矩阵Z进行内积得到重构邻接矩阵来监督图卷积自编码的过程，以及对输出矩阵Z进行自监督训练直至收敛，得到最终的社区划分，其中图卷积网络编码器采用并行多通道机制，增强节点关键信息特征表示。本发明利用网络中节点的关键特征信息，利用自监督机制，优化节点的嵌入表达，实现更精确的社区划分结果。技术研发人员：刘井莲,刘国萍,赵卫绩受保护的技术使用者：常熟理工学院技术研发日：技术公布日：2024/9/9