申请/专利权人：重庆邮电大学

申请日：2024-02-05

公开（公告）日：2024-04-12

公开（公告）号：CN117874563A

主分类号：G06F18/23213

分类号：G06F18/23213;G06F18/25;G06F18/213;G06N3/0455;G06N3/042

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明涉及一种多视图下融合信息的社区划分系统及方法，属于社区网络领域。其针对于深度聚类主要关注单视图下的网络属性信息和结构信息，但往往存在单一视图信息匮乏和多模块信息融合不充分的问题。为了得到更健壮的图信息并充分融合各个模块，该模型包括：选取公开数据集作为初始数据，利用数据增强技术获得多个视图；原始图下通过AE和GAE模块分别获取图的属性和结构信息；多视图下利用GAE编码获得图结构信息，全局领域自适应地选择信息，得到增强后的图结构信息，并与原始图结构信息相互学习；探索了各模块中相同数据的相似潜在信息，引导两个模块信息相互学习，从而产生更佳的聚类分布；最后直接从聚类分布输出聚类结果R。

主权项：1.多视图下融合信息的社区划分系统，其特征在于：该系统包括图增强模块、图属性信息模块、图结构信息模块、多视图增强信息模块和信息融合模块；所述图增强模块采用丢弃顶点的策略，对于特征矩阵采取如下操作：将部分顶点的部分特征或全部特征进行丢弃；利用伯努利分布进行随机删除顶点，相当于对图添加噪声，生成多个视图；所述图属性信息模块采用自动编码器AE对原始图进行编码和解码，获得图属性信息；所述图结构信息模块采用图形自动编码器GAE对原始图进行编码和解码，获得图结构信息；所述多视图增强信息模块采取全局捕获策略，在数据增强后的多个视图下，利用GAE获取各个视图下的图结构信息，然后采取全局捕获策略捕捉各视图最佳信息，生成更健壮的图结构信息；再与原始图结构信息在同一个框架下相互学习；所述信息融合模块采用动态信息融合策略，探究两个模块同一个数据的相似的潜在信息，指导两个模块的相互依赖学习，产生更加有指导性的聚类分布。

全文数据：

权利要求：

百度查询： 重庆邮电大学 多视图下融合信息的社区划分系统及方法

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