动态网络社区发现方法、装置、设备及存储介质

本发明涉及网络信息，尤其涉及一种动态网络社区发现方法、装置、设备及存储介质。

背景技术：

1、社交网络的发展促进了人们的交流和信息的传播，同时也带来了网络的复杂性和动态性，社区结构是社交网络的一个重要特征，通过对社交网络进行社区发现，能够有效地对用户进行个性化推荐及对信息传播进行监控。

2、随着虚拟网络的不断发展，社交网络的网络结构也变得越来越复杂。为了处理更加复杂的网络结构，研究者提出了一些传统的社区发现方法。然而，在这些传统的社区发现方法的实施过程中，并未考虑到用户在社交网络中产生的各种特征之间的联系；同时传统的社区发现方法也忽略了网络的动态性，即真实世界的网络节点和边是会随着时间变化不断发生变化的，这导致网络拓扑结构和在固定拓扑上属性的变化从而引起社区结构的变化。基于上述原因，目前传统的社区发现方法无法准确、实时地发现动态网络中的社区结构。

3、上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本发明的主要目的在于提供了一种动态网络社区发现方法、装置、设备及存储介质，旨在解决现有技术方法无法准确、实时地发现动态网络中的社区结构的技术问题。

2、为实现上述目的，本发明提供了一种动态网络社区发现方法，所述方法包括以下步骤：

3、基于用户在网络交互过程中产生的动态社交网络数据得到图邻接矩阵和节点属性矩阵；

4、构建基于动态双重自编码器的动态网络社区发现模型，所述动态网络社区发现模型包括深度自编码器、图注意变分自编码器和时序特征建模层模块；

5、将所述图邻接矩阵、所述节点属性矩阵和上一时刻时序特征输入至所述动态网络社区发现模型中，得到目标损失函数；

6、基于所述目标损失函数对用户社区进行类别划分，得到动态网络社区。

7、可选地，所述构建基于动态双重自编码器的动态网络社区发现模型的步骤，包括：

8、基于属性编码器和属性解码器构建深度自编码器，所述属性编码器用于对所述节点属性矩阵进行编码，所述属性解码器用于对所述节点属性矩阵进行解码，所述属性编码器与所述属性解码器的结构为对称关系；

9、基于图编码器和图结构解码器构建图注意变分自编码器，所述图编码器用于提取所述动态社交网络数据中图数据的结构信息，所述图结构解码器用于对所述图数据的结构信息进行重构；

10、基于所述深度自编码器、所述图注意变分自编码器和时序特征建模层模块构建基于动态双重自编码器的动态网络社区发现模型。

11、可选地，所述将所述图邻接矩阵、所述节点属性矩阵和上一时刻时序特征输入至所述动态网络社区发现模型中，得到目标损失函数的步骤之前，还包括：

12、通过所述时序特征建模层模块中的图卷积网络对上一时刻的图邻接矩阵、上一时刻的节点属性矩阵和上一时刻的节点潜在向量进行融合，得到时序融合矩阵，所述节点潜在向量基于属性编码器和图编码器学习后得到；

13、通过门控循环单元对所述时序融合矩阵进行特征提取，得到上一时刻时序特征。

14、可选地，所述将所述图邻接矩阵、所述节点属性矩阵和上一时刻时序特征输入至所述动态网络社区发现模型中，得到目标损失函数的步骤，包括：

15、将所述图邻接矩阵、所述节点属性矩阵和上一时刻时序特征输入至所述图编码器中，得到正态分布的均值向量矩阵和正态分布的方差向量矩阵；

16、将所述节点属性矩阵输入至所述深度自编码器中，得到隐藏属性矩阵和重构节点属性矩阵；

17、基于所述正态分布的均值向量矩阵、所述正态分布的方差向量矩阵、所述隐藏属性矩阵和所述重构节点属性矩阵得到目标损失函数。

18、可选地，所述基于所述正态分布的均值向量矩阵、所述正态分布的方差向量矩阵、所述隐藏属性矩阵和所述重构节点属性矩阵得到目标损失函数的步骤，包括：

19、基于所述重构节点属性矩阵和所述节点属性矩阵得到节点属性损失；

20、基于所述图邻接矩阵和重构图邻接矩阵得到图邻接损失，所述重构图邻接矩阵通过将所述图邻接矩阵输入至所述图结构解码器进行重构后得到；

21、基于所述正态分布的均值向量矩阵和所述正态分布的方差向量矩阵得到kl散度损失；

22、根据所述节点属性损失、所述图邻接损失和所述kl散度损失得到目标损失函数。

23、可选地，所述基于所述目标损失函数对用户社区进行类别划分，得到动态网络社区的步骤，包括：

24、基于所述目标损失函数对所述动态网络社区发现模型进行优化，得到优化后的动态网络社区发现模型；

25、通过k-means聚类算法对用户社区进行类别划分，得到动态网络社区，所述用户社区基于所述优化后的动态网络社区发现模型对所述用户进行识别后获得。

26、可选地，所述基于所述目标损失函数对所述动态网络社区发现模型进行优化，得到优化后的动态网络社区发现模型的步骤，包括：

27、通过所述目标损失函数对所述动态网络社区发现模型进行训练学习，得到图结构信息、节点属性信息和社区潜在特征；

28、基于所述图结构信息、所述节点属性信息和所述社区潜在特征对所述动态网络社区发现模型进行模型优化，得到优化后的动态网络社区发现模型。

29、此外，为实现上述目的，本发明还提出一种动态网络社区发现装置，所述动态网络社区发现装置包括：

30、数据获取模块，用于基于用户在网络交互过程中产生的动态社交网络数据得到图邻接矩阵和节点属性矩阵；

31、模型构建模块，用于构建基于动态双重自编码器的动态网络社区发现模型，所述动态网络社区发现模型包括深度自编码器、图注意变分自编码器和时序特征建模层；

32、数据输入模块，用于将所述图邻接矩阵、所述节点属性矩阵和上一时刻时序特征输入至所述动态网络社区发现模型中，得到目标损失函数；

33、类别划分模块，用于基于所述目标损失函数对用户社区进行类别划分，得到动态网络社区。

34、此外，为实现上述目的，本发明还提出一种动态网络社区发现设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的动态网络社区发现程序，所述动态网络社区发现程序配置为实现如上文所述的动态网络社区发现方法的步骤。

35、此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有动态网络社区发现程序，所述动态网络社区发现程序被处理器执行时实现如上文所述的动态网络社区发现方法的步骤。

36、本发明基于用户在网络交互过程中产生的动态社交网络数据得到图邻接矩阵和节点属性矩阵；构建基于动态双重自编码器的动态网络社区发现模型，动态网络社区发现模型包括深度自编码器、图注意变分自编码器和时序特征建模层模块；将图邻接矩阵、节点属性矩阵和上一时刻时序特征输入至动态网络社区发现模型中，得到目标损失函数；基于目标损失函数对用户社区进行类别划分，得到动态网络社区。相比于传统的社区发现方法，由于本发明上述方法基于深度自编码器、图注意变分自编码器和时序特征建模层模块构建动态网络社区发现模型，然后将用户在网络交互过程中产生的动态社交网络数据输入至动态网络社区发现模型中得到目标损失函数，并基于目标损失函数对用户社区进行类别划分后得到动态网络社区，从而避免了传统的社区发现方法忽略了用户在社交网络中产生的各种特征之间的联系以及网络动态性的技术弊端，进而能够准确实时地发现动态网络中的社区结构。