本发明属于网络技术技术领域，尤其涉及随机块模型的训练方法、装置、终端设备及计算机可读存储介质。
背景技术：
在机器学习、社会网络分析和网络数据挖掘等领域，必不可少的是对网络进行分析处理的模型，而随机块模型(stochasticblockmodel，sbm)自1981年提出以来，便因为其特有的准确性和优越性，成为一类重要的网络分析模型，一直属于热门研究方向。由于随机块模型的特性，其作为网络生成模型可产生具有不同拓扑结构的人工网络，而将其作为预测模型，可利用通过随机块模型学习得到的参数值对不具有先验结构知识的网络进行结构分析。
随机块模型虽然在网络分析方面性能优秀，但当利用随机块模型分析没有任何先验结构知识的社交网络时，需要随机块模型具备模型选择能力。现有的模型选择方法主要有交叉验证法、基于贝叶斯的模型选择方法和基于信息编码理论的最小描述长度准则等方法，但上述的方法都属于串行方法，应用在随机块模型中进行训练时，需要从候选模型空间中依次选择模型进行训练，直到所有候选模型都训练完毕，才能根据所有候选模型的评价结果挑选出最优模型，故现有的随机块模型的训练方法训练效率低，时间复杂度高，并且无法处理大规模网络。
技术实现要素：
有鉴于此，本发明实施例提供了随机块模型的训练方法、装置、终端设备及计算机可读存储介质，以解决现有技术中，通过现有的模型选择方法进行训练时，随机块模型的训练效率低，时间复杂度高且只能处理小规模网络的问题。
本发明实施例的第一方面提供了一种随机块模型的训练方法，包括：
获取网络的邻接矩阵，并根据所述网络中节点的总数初始化随机块模型；
将所述随机块模型与所述邻接矩阵拟合，并对所述随机块模型进行参数估计；
根据参数估计的结果对所述随机块模型进行优化，并计算优化后的所述随机块模型的模型成本值；
若所述模型成本值小于预设的模型成本阈值，则将优化后的所述随机块模型作为最优模型进行输出；
若所述模型成本值大于或等于所述模型成本阈值，则执行所述将所述随机块模型与所述邻接矩阵拟合，并对所述随机块模型进行参数估计的操作。
本发明实施例的第二方面提供了一种随机块模型的训练装置，包括：
初始化单元，用于获取网络的邻接矩阵，并根据所述网络中节点的总数初始化随机块模型；
参数估计单元，用于将所述随机块模型与所述邻接矩阵拟合，并对所述随机块模型进行参数估计；
优化单元，用于根据参数估计的结果对所述随机块模型进行优化，并计算优化后的所述随机块模型的模型成本值；
输出单元，用于若所述模型成本值小于预设的模型成本阈值，则将优化后的所述随机块模型作为最优模型进行输出；
执行单元，用于若所述模型成本值大于或等于所述模型成本阈值，则执行所述将所述随机块模型与所述邻接矩阵拟合，并对所述随机块模型进行参数估计的操作。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述训练方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述训练方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明通过获取待分析的网络，计算出网络的邻接矩阵，并根据网络中节点的总数初始化随机块模型，接着将初始化完毕的随机块模型与邻接矩阵拟合，基于邻接矩阵对随机块模型进行参数估计，然后根据参数估计的结果优化随机块模型，并计算出优化后的随机块模型的模型成本值，将其与预设的模型成本阈值进行比较，若模型成本值小于模型成本阈值，则将该优化后的随机块模型作为最优模型进行输出，若模型成本值大于或等于模型成本阈值，则证明该优化后的随机块模型还未达到有效分析该网络的要求，重新执行与邻接矩阵拟合，进行参数估计及后续的操作，本发明实现了随机块模型的参数估计和模型选择的并行计算，有效地降低了训练的时间复杂度，并且提升了利用随机块模型分析网络的能力。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的随机块模型的训练方法的实现流程图；
图2是本发明另一实施例提供的随机块模型的训练方法的实现流程图；
图3是本发明另一实施例提供的随机块模型的训练方法的实现流程图；
图4是本发明另一实施例提供的随机块模型的训练方法的实现流程图；
图5是本发明另一实施例提供的随机块模型的训练装置的结构框图；
图6是本发明另一实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1示出了本发明实施例提供的随机块模型的训练方法的实现流程，详述如下：
在s101中，获取网络的邻接矩阵，并根据所述网络中节点的总数初始化随机块模型。
先验知识指先于经验的知识，在对真实世界的网络进行分析时，往往不了解网络的结构，即可能对真实世界的网络不具有任何先验结构知识。本发明实施例中的网络表示不具有先验结构知识的网络，如社交网络等，当然，这并不构成对本发明实施例的限定，比如本文中的网络还可表示更多类型的网络，只是以不具有先验结构知识的网络为对象更能对本发明实施例做出清楚的说明。在获取到网络后，计算出网络的邻接矩阵，邻接矩阵中的元素可体现网络中节点的链接关系，后续基于邻接矩阵进行学习计算，即可变换为对网络进行网络分析的过程。
随机块模型作为一种热门的网络分析模型，其块内节点具有连接模式上的同构性，分属同一个块的节点与网络其他节点的连接方式相似，而分属不同块的节点在连接方式上具有异构性，通过块连接矩阵可以描述网络节点连接模式的同构和异构特性，故可应用在本发明实施例中，以进行网络分析。由于网络不具有先验结构知识，对利用随机块模型对其进行分析时，还需要随机块模型具备模型选择能力，故首先对随机块模型的格式和参数进行初始化，再进行后续的参数估计和模型选择。
优选地，步骤s101具有一种优选实现流程，如图2所示，细化后的步骤如下：
在s201中，获取用于表示所述网络的邻接矩阵a，所述邻接矩阵a的元素aij用于表示所述网络中节点i和节点j之间的链接关系，其中，元素aij中的i和j分别表示所述节点i和所述节点j。
获取网络中节点的总数作为参数n，并计算出网络的邻接矩阵a，邻接矩阵a中的元素aij可表示网络中节点i和节点j之间的链接关系，其中0＜i≤n，0＜j≤n。举例来说，如果网络是无符号网络，则可设置当元素aij＝1时，代表节点i与节点j之间有链接，当元素aij＝0时，代表节点i与节点j间无链接；如果网络是符号网络，则可设置当元素aij＝1时，代表节点i与节点j之间存在正链接，当元素aij＝0时，代表节点i与节点j间无链接，当元素aij＝-1时，代表节点i与节点j间存在负链接。当然，这只是优选的一种设置方式，在实际应用中可通过更改邻接矩阵a的生成方式，从而更改元素aij的值以及每种值所代表的含义，为了便于说明，在本发明实施例中仅以上述无符号网络对应的示例进行后续计算。
在s202中，初始化随机块模型sbm＝(n,k,z,π,ω)，其中，所述n表示所述网络中节点的总数，所述k表示所述随机块模型中块的总数，并且k＝n，所述z为n×k维矩阵，用于表示节点和块的从属关系，所述π为k×k维矩阵，用于表示块与块之间的连接概率，所述ω为k维向量，用于表示所述网络中的节点在不同块内的比例关系。
定义随机块模型sbm＝(n,k,z,π,ω)，其中，参数n为网络中节点的总数；参数k表示模型的块数，在初始化时，赋予参数k与参数n同样的值，在后续随机块模型进行更新时再对参数k进行更新；z是n×k维矩阵，其内的zi是k维的指示向量，举例来说，若节点i属于块k，则参数zik＝1，否则参数zik＝0；π为k×k维矩阵，其内的元素πlq表示块l与块q间的连接概率，其中0＜l≤k，0＜q≤k；ω为k维向量，ωk表示网络的节点分布在块k内的比例，且满足
接下来，在s102中，将所述随机块模型与所述邻接矩阵拟合，并对所述随机块模型进行参数估计。
获取到网络对应的邻接矩阵，并初始化完毕随机块模型后，将随机块模型与邻接矩阵拟合，基于邻接矩阵训练随机块模型，即对随机块模型的多个参数进行参数估计。
优选地，步骤s102具有一种优选实现流程，如图3所示，细化步骤如下：
在s301中，将所述随机块模型sbm与所述邻接矩阵a拟合，并利用变分近似计算所述随机块模型sbm中所述z和所述π的后验近似分布。
在本发明实施例中，利用变分近似原理对随机块模型sbm中的z和π进行参数估计，以得到接近于网络实际结构的结果。在利用变分近似进行计算之前，先要通过常识或经验提前设定z和π的分布情况，便于进行计算以及后期的迭代更新。
优选地，设置所述z的指示向量zi的近似分布服从参数为τi＝{τi10,...,τik0}的多项式分布，其中0＜i≤n，并且设置所述π的元素πlq的先验分布为参数为μlq0，ηlq0的伯努利分布，其中0＜l≤k，0＜q≤k。在对随机块模型sbm进行初始化时，对参数τ、参数μlq0和参数ηlq0也采用随机方式进行初始化，当然，上述的随机方式要合乎一般规则和本发明实施例的计算过程。例如，由于πlq的先验分布为参数为μlq0，ηlq0的伯努利分布，故在采用随机方式进行初始化时，要使μlq0+ηlq0＝1。通过上述的设置方法可以使参数的分布尽量贴合于实际，防止计算出现过大差错。
在确定z和π的分布情况后，基于变分近似原理，推导出矩阵z，具体为指示向量zi的后验近似分布，其中：
其中，符号“∝”表示正比于，ψ(·)表示digamma函数。由于对随机块模型sbm进行初始化时，大部分参数都是由随机方式随机生成，故在首次计算时，以随机生成的参数代替上述公式的参数，例如在首次计算时，以已知的参数μlq0代替公式中的参数μlq，以已知的参数ηlq0代替ηlq等。在后续计算时，就可用更新的参数代替公式中的参数，使得计算结果逼近实际值。
优选地，计算出参数τil后，对其进行标准化，公式如下：
其中，等式右边的sum(τi)指的是从参数τi1开始至参数τik结束进行求和的结果，在参数τil的值因计算而改变后，sum(τi)不再等于1，故通过此等式标准化后，可使得再求和的结果重新等于1。对参数τil进行标准化，即对参数τ进行标准化，有利于提高计算过程的准确性，使求和的结果重新满足
同样，可基于变分近似原理，推导出矩阵π，具体为元素πlq的后验近似分布服从参数为μlq，ηlq的beta分布，其中：
当l≠q时，
当l＝q时，
在s302中，根据所述z和所述π的后验近似分布，利用点估计计算所述ω。
在计算出z和π的后验近似分布后，对参数ω基于点估计求解最大化似然低边界，公式如下：
计算出参数ω的值后，进行后续的优化过程。
即在s103中，根据参数估计的结果对所述随机块模型进行优化，并计算优化后的所述随机块模型的模型成本值。
根据参数估计的结果，对随机块模型进行优化，以取得适应网络的实际结构的更优模型。
优选地，步骤s103具有一种优选实现流程，如图4所示，细化步骤如下：
在s401中，消去所述随机块模型sbm中ωk＝0对应的块k，其中，0＜k≤k，并对所述随机块模型sbm的所述k、所述z、所述π和所述ω进行更新。
计算出向量ω后，查找向量ω中所有等于0的元素及元素对应的标号k(k和上述等式中ωl的l一致，只起表示作用，表示块k)，并删除ωk＝0的分量。对向量ω进行更新后，对应地，对随机块模型sbm的其他参数也进行对应的更新操作，如删除参数τ中对应标号为k的列向量，得到更新后的参数τ；更新参数k的值为更新后的向量ω包含的元素总数等。
在s402中，基于优化后的所述随机块模型sbm和本次优化前的所述随机块模型sbm计算出所述模型成本值。
在对随机块模型sbm进行优化以及参数更新后，获取更新后的参数τ和上一次更新，即本次更新前的参数τ，通过||τ-τold||2计算出模型成本值。在上述公式中，τ表示本次更新后的参数τ，τold表示上一次更新的参数τ，||·||2表示二阶范数。上述方法将随机块模型sbm中不包含网络中节点的块消去，并对应进行参数更新，计算出模型成本值进行后续判断，使得随机块模型sbm得到优化，实现了参数估计和模型选择的并行计算，有效地降低了利用随机块模型sbm进行模型选择时的时间复杂度。
在s104中，若所述模型成本值小于预设的模型成本阈值，则将优化后的所述随机块模型作为最优模型进行输出。
在对随机块模型进行优化后，为了判断优化的效果是否能达到对网络进行网络分析的模型要求，故获取优化后的随机块模型的模型成本值，与预设的模型成本阈值ε进行比较，其中，模型成本阈值ε可在对随机块模型进行初始化时进行设置，具体值由实际情况和需要决定。如果模型成本值小于模型成本阈值ε，则证明该优化后的随机块模型已符合网络的模型要求，可将该优化后的随机块模型作为最优模型进行输出。此外，还可将基于该最优模型进行的参数估计作为对网络的网络分析结果。
在s105中，若所述模型成本值大于或等于所述模型成本阈值，则执行所述将所述随机块模型与所述邻接矩阵拟合，并对所述随机块模型进行参数估计的操作。
相反的，如果模型成本值大于或等于模型成本阈值ε，则证明该优化后的随机块模型还未符合网络的模型要求，需要进行将优化后的随机块模型再次与邻接矩阵拟合，进行参数估计以及后续的操作，即不断进行迭代更新，直到计算出的模型成本值小于模型成本阈值ε为止。当然，由于计算过程涉及的参数较多的缘故，模型成本值等于模型成本阈值ε的可能性较小。
通过图1所示实施例可知，在本发明实施例中，通过计算网络的邻接矩阵，构建随机块模型，并根据网络中节点的总数初始化随机块模型，接着将随机块模型和邻接矩阵拟合，基于邻接矩阵对随机块模型进行参数估计，根据参数估计的结果对随机块模型进行优化，并计算优化后的随机块模型的模型成本值，将其与预设的模型成本阈值比较，如果模型成本值小于模型成本阈值，则将优化后的随机块模型作为最优模型进行输出，如果模型成本值大于或等于模型成本阈值，则将优化后的随机块模型继续和邻接矩阵拟合，进行下一次的迭代更新，提升了基于网络的随机块模型的训练效率，有效地降低训练时间，使其可以处理更大规模的网络。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的随机块模型的训练方法，图5示出了本发明实施例提供的随机块模型的训练装置的结构框图，参照图5，该装置包括：
初始化单元51，用于获取网络的邻接矩阵，并根据所述网络中节点的总数初始化随机块模型；
参数估计单元52，用于将所述随机块模型与所述邻接矩阵拟合，并对所述随机块模型进行参数估计；
优化单元53，用于根据参数估计的结果对所述随机块模型进行优化，并计算优化后的所述随机块模型的模型成本值；
输出单元54，用于若所述模型成本值小于预设的模型成本阈值，则将优化后的所述随机块模型作为最优模型进行输出；
执行单元55，用于若所述模型成本值大于或等于所述模型成本阈值，则执行所述将所述随机块模型与所述邻接矩阵拟合，并对所述随机块模型进行参数估计的操作。
可选地，所述初始化单元51，包括：
获取单元，用于获取用于表示所述网络的邻接矩阵a，所述邻接矩阵a的元素aij用于表示所述网络中节点i和节点j之间的链接关系，其中，元素aij中的i和j分别表示所述节点i和所述节点j；
初始化子单元，用于初始化随机块模型sbm＝(n,k,z,π,ω)，其中，所述n表示所述网络中节点的总数，所述k表示所述随机块模型中块的总数，并且k＝n，所述z为n×k维矩阵，用于表示节点和块的从属关系，所述π为k×k维矩阵，用于表示块与块之间的连接概率，所述ω为k维向量，用于表示所述网络中的节点在不同块内的比例关系。
可选地，所述参数估计单元52，包括：
第一计算单元，用于将所述随机块模型sbm与所述邻接矩阵a拟合，并利用变分近似计算所述随机块模型sbm中所述z和所述π的后验近似分布；
第二计算单元，用于根据所述z和所述π的后验近似分布，利用点估计计算所述ω。
图6是本发明实施例提供的终端设备的示意图。如图6所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个随机块模型的训练方法实施例中的步骤，例如图1所示的步骤s101至s105。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示单元51至55的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。例如，所述计算机程序62可以被分割成初始化单元、参数估计单元、优化单元、输出单元和执行单元，各单元具体功能如下：
初始化单元，用于获取网络的邻接矩阵，并根据所述网络中节点的总数初始化随机块模型；
参数估计单元，用于将所述随机块模型与所述邻接矩阵拟合，并对所述随机块模型进行参数估计；
优化单元，用于根据参数估计的结果对所述随机块模型进行优化，并计算优化后的所述随机块模型的模型成本值；
输出单元，用于若所述模型成本值小于预设的模型成本阈值，则将优化后的所述随机块模型作为最优模型进行输出；
执行单元，用于若所述模型成本值大于或等于所述模型成本阈值，则执行所述将所述随机块模型与所述邻接矩阵拟合，并对所述随机块模型进行参数估计的操作。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备6可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备6还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备6所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。