买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:华南师范大学
摘要:本发明公开了一种有向带权符号社交网络社区发现方法,包括:根据节点集合以及节点间的社交关系构建有向带权图;有向带权图的每个节点对应一个用户,节点间通过有向边连接;根据节点间的有向边确定邻居节点集合;将邻居节点集合输入到经过训练的加权符号图卷积网络,得到邻居节点间与社交关系对应且保留社区结构的节点表征。本发明通过加权符号图卷积网络充分利用符号社交网络的深层语义信息和结构信息获得高质量的节点表征,并且节点表征可以保留社区结构信息,从而能以一种端到端的方式更加简单有效地发现高质量社区。本发明可广泛应用于社交网络数据分析领域。
主权项:1.一种有向带权符号社交网络社区发现方法,其特征在于,包括:根据节点集合以及节点间的社交关系构建有向带权图;所述有向带权图的每个节点对应一个用户,节点间通过有向边连接;根据节点间的有向边确定邻居节点集合;将所述邻居节点集合输入到经过训练的加权符号图卷积网络,得到邻居节点间与社交关系对应且保留社区结构的节点表征;所述节点间通过有向边连接,包括:存在正向社交关系用户对应的节点通过第一有向边连接,存在负向社交关系用户对应的节点通过第二有向边连接;其中,所述第一有向边作为正边,所述第二有向边作为负边;所述加权符号图卷积网络的损失函数包括符号图结构损失函数和模块度最大化损失函数;其中,所述符号图结构损失函数用于使通过正边连接的节点对在表征空间中相互靠近,使通过负边连接的节点对相互远离;所述模块度最大化损失函数,用于使所述加权符号图卷积网络输出的节点表征保留社区结构;所述符号图结构损失函数如下: 其中表示所述符号图结构损失函数,表示源节点、目标节点和结点间正边(+)和没有边(?)关系的集合,表示源节点、目标节点和结点间负边(-)和没有边(?)关系的集合;所述模块度最大化损失函数如下: 其中表示所述模块度最大化损失函数,矩阵,,表示以节点为源节点的正边权重之和,表示以节点为源节点的负边权重之和,表示以节点为目的节点的正边权重之和,表示以节点为目的节点的负边权重之和,由各节点的最终表征向量组成;联合所述符号图结构损失函数和所述模块度最大化损失函数得到最终损失函数,所述最终损失函数作为所述经过训练的加权符号图卷积网络的目标函数;所述最终损失函数如下: 其中表示所述最终损失函数;所述根据节点间的有向边确定邻居节点集合,包括:根据节点间有向边的方向以及数量确定邻居节点集合;所述根据节点间有向边的方向以及数量确定邻居节点集合,包括:将被正边指向的节点作为第一正节点,确定通过正边与所述第一正节点连接的第一正关系邻居节点集合;将被负边指向的节点作为第一负节点,确定通过负边与所述第一负节点连接的第一负关系邻居节点集合;对于任意三角型结构连接的三个节点,确定不存在负边连接的三个节点并组合为第二正关系邻居节点集合;确定存在偶数条负边连接的三个节点并组合为第二负关系邻居节点集合;计算节点的距离为的正关系邻居集合与负关系邻居集合的规则包括:当时: 当: 其中,为节点的motifm1节点集合,为节点的motifm2节点集合;所述加权符号图卷积网络的训练过程,包括:将所述符号图结构损失函数与所述模块度最大化损失函数的差作为目标函数;根据所述目标函数、预先设定的训练迭代次数、加权符号图卷积网络的网络层数及各层网络的维度,训练所述加权符号图卷积网络;其中,最后一层网络的维度设置为社区数;所述将所述邻居节点集合输入到经过训练的加权符号图卷积网络,得到邻居节点间与社交关系对应且保留社区结构的节点表征,包括:当所述加权符号图卷积网络的存在一层网络时,根据正边的连接权重通过所述加权符号图卷积网络获取所述邻居节点集合的正表征;根据负边的连接权重通过所述加权符号图卷积网络获取所述邻居节点集合的负表征;所述正表征和所述负表征作为所述节点表征;当所述加权符号图卷积网络的存在两层及以上网络时,根据正边的连接权重通过所述加权符号图卷积网络获取所述邻居节点集合的正表征;根据负边的连接权重通过所述加权符号图卷积网络获取所述邻居节点集合的负表征;将所述正表征和所述负表征相连接并通过所述加权符号图卷积网络最后一层的多层感知机网络,得到的最终表征作为所述节点表征;当所述加权符号图卷积网络迭代收敛后,通过确定节点所在的社区编号。
全文数据:
权利要求:
百度查询: 华南师范大学 一种有向带权符号社交网络社区发现方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。