申请/专利权人：西安理工大学

申请日：2020-07-24

公开（公告）日：2024-04-09

公开（公告）号：CN111985086B

主分类号：G06F30/20

分类号：G06F30/20;G06F17/16;G06F18/2413;G06F18/22;G06F111/04

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2020.12.11#实质审查的生效;2020.11.24#公开

摘要：本发明公开的一种融合先验信息和稀疏约束的社团检测方法，步骤包括：1获取相关的人工网络和实际网络数据集，求解网络相应的邻接矩阵Vij；2获取网络中相关节点的Must‑link先验信息，构建矩阵Mij作为节点间的Must‑link关系矩阵；3将Must‑link先验信息融合到非负矩阵分解NMF模型中，构建新的社团检测模型；4对迭代求解后的节点划分矩阵进行组稀疏约束；5最后根据类重表示矩阵进行网络社团结构检测，得到最终的社团划分结果。本发明提出的社团检测方法，不仅考虑到Must‑link这一先验信息，而且也考虑了节点划分矩阵的稀疏性，在人工网络和真实网络数据集上都取得了良好的表现效果。

主权项：1.一种融合先验信息和稀疏约束的社团检测方法，其特征在于，包括以下步骤：步骤1、获取相关的人工网络和实际网络数据集，求解网络相应的邻接矩阵Vij；具体步骤为：步骤1.1、求出网络数据集的最大值n，构建一个n×n的初始矩阵V；步骤1.2、根据以下公式1对初始矩阵V进行赋值，得到网络的邻接矩阵Vij； 式1中，E表示网络中的边，vi，vj表示节点i和j；步骤2、获取网络中相关节点的Must-link先验信息，构建矩阵Mij作为节点间的Must-link关系矩阵；具体构建过程为：如果网络中节点i和节点j具有Must-link这一关系，也表示节点i和节点j必须属于同一个社团，因此节点间的Must-link关系矩阵Mij可通过以下公式2进行定义： 步骤3、将Must-link先验信息融合到非负矩阵分解模型中，构建新的社团检测模型；具体为：步骤3.1、使用欧氏距离来衡量节点i和节点j之间的相似程度，表示如以下公式3所示： 式3中hi，hj分别代表节点i和节点j的相似向量，simhi,hj代表节点i和节点j的欧氏距离；步骤3.2、使用NMF模型对邻接矩阵Vij进行分解，得到基矩阵W和划分矩阵H；步骤3.3、根据步骤2求得的Must-link关系矩阵Mij和步骤3.2求得的划分矩阵H得到先验信息的计算公式，如以下公式4所示： 式4中，Tr代表矩阵的迹，矩阵D代表Must-link关系矩阵Mij的对角矩阵，其定义如下公式5： 矩阵L＝D-M，是矩阵M的拉普拉斯矩阵；步骤3.4、将步骤3.3得到的先验信息融合到NMF模型中，形成新的社团检测模型，如以下公式6所示： 式6中，λ是用来平衡先验信息和网络拓扑结构的参数，代表求解矩阵的F2范数，Tr代表求解矩阵的迹；步骤3.5、对公式6所示的模型进行求解，得到W和H的迭代公式，W的迭代公式如公式7所示，H的迭代公式如公式8所示； 步骤3.6、按照公式7和公式8对模型进行迭代求解，直到达到迭代终止条件，求出最终的节点划分矩阵H”；步骤4、对迭代求解后的节点划分矩阵进行组稀疏约束；步骤5、根据类重表示矩阵进行网络社团结构检测，得到最终的社团划分结果。

全文数据：

权利要求：

百度查询： 西安理工大学 一种融合先验信息和稀疏约束的社团检测方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD