1.一种基于非线性非负矩阵分解的社区发现方法,其特征在于,包括以下步骤:S1:进行社交网络的形式化,生成无向图;
S2:根据无向图,引入图卷积网络GCN与NMF模型构建统一损失函数;
S3:优化统一损失函数得到局部最优解;
S4:根据局部最优解提取社区发现结果。
2.根据权利要求1所述的一种基于非线性非负矩阵分解的社区发现方法,其特征在于,在步骤S1中,所述无向图为G=(V,E),其中V={v1,...,vn}为n个网络用户节点的集合,E={eij|vi∈V∧vj∈V}表示为用户节点之间连接边的集合。
3.根据权利要求2所述的一种基于非线性非负矩阵分解的社区发现方法,其特征在于,n×n
使用一个n×n的对称邻接矩阵A=[Aij] 表示用户节点之间的连接边信息,如果eij∈E,则Aij=Aji=1,否则Aij=Aji=0。
4.根据权利要求3所述的一种基于非线性非负矩阵分解的社区发现方法,其特征在于,采用一个n×n的单位矩阵I作为节点特征输入矩阵X,对矩阵X采用ReLU非线性激活函数和n×d
softmax函数归一化输出节点特征矩阵Z=[Zij] ,d为特征维度,图卷积网络GCN的输出结果表示如下:
0 1
Z=softmax(PReLU(PXW)W)(1)
0 1
其中 为矩阵A+I的度矩阵,W 和W 均为各层学习的参数矩阵;获得Z之后,通过函数sigmoid获得节点对之间的相似性矩阵可以视为G的重建结构特征矩阵, 与A之间的欧几里得距离定义为GCN的损失函数LGCN:
此外 为非负值矩阵且是对称矩阵,基于对称NMF模型获得节点的社区归属关系指示n×k
矩阵H=[Hij] ,k为预先指定的社区数量,其对应的损失函数为:其中H具有非负值约束,结合GCN和NMF的损失函数,可以构建两者的统一损失函数L为:其中α为权衡参数。
5.根据权利要求4所述的一种基于非线性非负矩阵分解的社区发现方法,其特征在于,图卷积网络GCN采用三层结构,包含输入层、隐藏层以及输出层;输入层采用一个n×n的单位矩阵I作为节点特征输入矩阵X,输入层到隐藏层采用ReLU非线性激活函数,隐藏层到输n×d
出层采用softmax函数归一化输出节点特征矩阵Z=[Zij] ,d为特征维度。
6.根据权利要求5所述的一种基于非线性非负矩阵分解的社区发现方法,其特征在于,图卷积网络GCN的目的是用来提取拓扑图的空间特征,主要有两类,分别为基于空间域或顶点域的图卷积网络和基于频域或谱域的图卷积网络。
7.根据权利要求6所述的一种基于非线性非负矩阵分解的社区发现方法,其特征在于,在步骤S3中,通过优化最小化统一损失函数L获得社区归属关系指示矩阵H的局部最优解。
8.根据权利要求7所述的一种基于非线性非负矩阵分解的社区发现方法,其特征在于,首先固定GCN的损失函数,在社区归属关系指示矩阵H具有非负值约束条件下,结合拉格朗日乘数法和Karush‑Kuhn‑Tucker优化条件推导获得社区归属关系指示矩阵H的迭代更新规则为:
然后将式(6)代入式(5)获得对GCN进行训练的损失函数,采用梯度下降优化方法对GCN进行训练;最后通过设置迭代次数t,重复执行式(6)和训练GCN获得社区归属关系指示矩阵H的局部最优解。
9.根据权利要求8所述的一种基于非线性非负矩阵分解的社区发现方法,其特征在于,在步骤S4中,待发现的k个社区为C={c1,...,ck},根据社区归属关系指示矩阵H获取社区划分结果。
10.根据权利要求9所述的一种基于非线性非负矩阵分解的社区发现方法,其特征在于,步骤S4的具体过程为:对于任意一个用户节点vi, 其中hil表示节点i与社区l的归属强度, 表示将节点i具有最大归属强度的社区编号赋值给q,即有cq=cq∪{vi};按照以上规则,通过依次扫描社区归属关系指示矩阵H的行向量获得最终的社区划分结果。