一种基于潜在结构和属性的非负矩阵分解社区检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115935044A(43)申请公布日2023.04.07(21)申请号202211702317.0(22)申请日2022.12.29(71)申请人重庆邮电大学地址400065重庆市南岸区崇文路2号(72)发明人陈自刚肖琪张镇江潘鼎颜逸邵鑫牟覃宇(51)Int.Cl.G06F16/953(2019.01)G06F16/906(2019.01)G06F16/951(2019.01)G06F16/901(2019.01)权利要求书2页说明书7页附图2页(54)发明名称一种基于潜在结构和属性的非负矩阵分解社区检测方法(57)摘要本发明提供一种基于潜在结构和属性的非负矩阵分解社区检测方法，涉及社区网络检测领域。主要解决现有方法对社区网络信息利用不够充分的问题。该方法包括：先对社区网络数据进行预处理，将网络中的信息进行表示；计算邻接矩阵、属性矩阵和潜在结构矩阵；建立以直系拓扑结构和属性信息为主、潜在结构信息为辅的社区检测模型；计算迭代更新规则；设置迭代次数，初始化社区成员矩阵、两个社区‑社区矩阵和潜在结构矩阵，并且调节权重参数；进行迭代获得目标矩阵；最后根据迭代结果社区成员矩阵发现社区。CN115935044ACN115935044A权利要求书1/2页1.一种基于潜在结构和属性的非负矩阵分解社区检测方法，其特征在于，包括如下步骤：S1、对社区网络数据进行预处理；S2、计算社区网络的邻接矩阵A、属性矩阵T和潜在结构矩阵S；S3、建立以直系拓扑结构和属性信息为主、潜在结构为辅的社区检测模型；S4、计算迭代更新规则；S5、设置迭代次数iter，随机初始化社区成员矩阵Zn×k、社区‑社区矩阵社区‑社区矩阵和社区属性矩阵Mk×t，同时调节平衡参数α、β、γ；S6、经过迭代获得社区成员矩阵Zn×k、社区‑社区矩阵社区‑社区矩阵和社区属性矩阵Mk×t；S7、根据社区成员矩阵Z获得社区检测结果。2.根据权利要求1所述的一种基于潜在结构和属性的非负矩阵分解社区检测方法，其特征在于：步骤S2中，根据社区网络数据构建邻接矩阵An×n，其中n表示网络节点数，若对于任意节点vi与vj之间存在链接关系，则Aij＝Aji＝1，反之不存在链接关系Aij＝Aji＝0，邻接矩阵表示社区网络的直系拓扑结构；根据社区网络数据构建属性矩阵Tn×t，其中n表示网络节点数，t表示属性数量，标记属性1到t，若节点vi具有属性q(1≤q≤t),则Tiq＝1，反之不具有该属性则Tiq＝0；根据邻接矩阵构建社区网络的潜在结构矩阵Sn×n，基于杰卡德(Jaccard)相似性系数计算获得网络潜在结构信息。3.根据权利要求1所述的一种基于潜在结构和属性的非负矩阵分解社区检测方法，其特征在于：步骤S3中，以社区网络直系拓扑结构信息(节点与节点直接链接)邻接矩阵An×n和属性信息Tn×t(节点存在某个属性)为主，以社区网络潜在结构信息Sn×n(节点与节点不存在直接连接，但存在一定的关系)为辅，并对相关分解矩阵进行约束，以此建立社区检测模型。建立目标函数其中社区成员矩阵Zn×k表示最终社区发现的矩阵，n表示节点(成员)数量，k代表社区数量，该矩阵行代表节点成员，列代表社区，矩阵中的值Zij代表节点i属于社区j的概率；社区‑社区矩阵社区‑社区矩阵k代表社区数量，该矩阵每一行每一列均表示社区，矩阵中的值Cij表示社区i与社区j之间的关系；社区属性矩阵Mk×t，t代表属性数量，该矩阵行代表每个社区，列代表每个属性，矩阵中的值Mij代表社区i在属性j上的表现。4.根据权利要求1所述的一种基于潜在结构和属性的非负矩阵分解社区检测方法，其特征在于：步骤S4中，先化简目标函数为矩阵迹的形式，再使用乘法更新规则来获得局部最优解，最终获得乘法更新规则：2CN115935044A权利要求书2/2页5.根据权利要求1所述的一种基于潜在结构和属性的非负矩阵分解社区检测方法，其特征在于：步骤S5中，预设最大迭代次数iter＝100；其中α是调节潜在结构影响的权重参数，β是调节社区矩阵差异的平衡参数，γ是稀疏参数，用于平衡稀疏项和T与ZM的误差，针对平衡参数α、β、γ采用控制变量法，设置不同参数值对该模型进行测试，在{10‑3,10‑2,10‑1,100,101,102,103}范围内调试参数，使参数取该模型效果较好的值。6.根据权利要求1所述的一种基于潜在结构和属性的非负矩阵分解社区检测方法，其特征在于：步骤S6中，判断迭代次数是否达到预先设定的最大迭代次数，若还未达到预先设定的最大迭代次数iter则继续进行迭代更新；当迭代次数达到预先设定的最大迭代次数iter时，得到迭代更新后的最终社区成员矩阵Zn×k、社区‑社区矩阵社区‑社区矩阵和社区属性矩阵Mk×t，进一步