基于对比学习的动态时序网络聚类方法及装置

本发明属于计算机，具体涉及一种基于对比学习的动态时序网络聚类方法、装置、电子设备及存储介质。

背景技术：

1、网络在自然界和人类社会中无处不在，特别是在当今迅速发展的技术中。网络可以类比为图，其中网络中的个体及其关系可以与图中的顶点和边相比。在过去的十年中，随着大数据和云计算的兴起，时序聚类领域发生了重大变化和发展。提高时序聚类方法的效率、质量和复杂性已成为一种主要趋势。在时序网络中，由于高维度和大量数据，对时序网络进行降维表示是至关重要的。对嵌入网络进行聚类，以实现对原始数据的最佳表示，是一个重要的目标。解决这些问题可以有效应对金融、医学、天气等各种新兴时序网络应用领域所带来的挑战。在时序网络聚类方法中，一个重要的问题是社区检测，它将顶点分类为内部边更多、外部边更少的紧密群组。社区检测问题对应于图聚类问题。

2、然而，大多数算法是在静态网络中进行社区检测，忽略了网络的时间性质。与静态网络相比，动态时序网络的分析要复杂得多，现有技术中传统的深度特征提取方法通常应用于静态网络，而不考虑动态时序网络中的变化，这导致无法有效提取动态时间网络的主要特征，影响聚类分析的效果。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种基于对比学习的动态时序网络聚类方法、装置、电子设备及存储介质。

2、根据本发明实施例的第一方面，提供一种基于对比学习的动态时序网络聚类方法，所述方法包括：

3、获取待处理数据；

4、将所述待处理数据输入预先训练的变分自编码器，得到所述待处理数据对应的降维特征；其中，所述预先训练的变分自编码器根据基于对比学习的训练方法得到；所述基于对比学习的训练方法利用基于对比学习设定的损失函数对变分自编码器的参数进行调整；

5、利用聚类方法对所述待处理数据对应的降维特征进行聚类分析。

6、可选地，在所述将所述待处理数据输入预先训练的变分自编码器，得到所述待处理数据对应的降维特征之前，所述方法还包括：

7、获取样本数据集；

8、根据所述样本数据集对初始变分自编码器进行训练；

9、根据所述样本数据集和设定的损失函数，确定所述当前训练轮次训练后的初始变分自编码器是否达到收敛条件。

10、可选地，所述方法还包括：

11、在未达到所述收敛条件时，调整所述初始变分自编码器中的参数，并再次根据所述样本数据集进行训练；

12、在达到所述收敛条件时，将所述当前训练轮次训练后的初始变分自编码器作为所述预先训练的变分自编码器；或，

13、在训练轮次达到训练轮次上限时，将所述当前训练轮次训练后的初始变分自编码器作为所述预先训练的变分自编码器。

14、可选地，所述设定的损失函数lall如下所示：

15、

16、其中，wt表示原始数据，表示所述原始数据wt经过变分自编码器后得到的重构数据，表示所述原始数据wt与重构数据之间的重构误差，qφ(z|x(i))表示所述变分自编码器基于输入数据x输出的潜在变量z的概率分布，i表示时刻，dkl(qφ(z|x(i))||p(z))表示所述变分自编码输出的qφ(z|x(i))与预设的p(z)之间的差异，lq为基于对比学习设定的损失函数。

17、可选地，所述基于对比学习设定的损失函数lq如下所示：

18、

19、其中，q为预设的查询向量，k+表示与所述查询向量q匹配的正样本，τ为温度参数，k为样本向量集，kn为键向量，所述键向量kn包含一个正样本k+和多个与所述查询向量q不匹配的负样本。

20、可选地，动态时序网络中包括多个节点；所述正样本表征当前时刻与上一时刻的动态时序网络中静态节点相同簇的节点；所述负样本表征所述当前时刻与所述上一时刻的动态时序网络中静态节点不同簇的节点。

21、可选地，所述方法还包括：

22、利用预先训练的变分自编码器获取所述原始数据对应的重构数据；

23、计算所述当前时刻的原始数据和所述上一时刻的重构数据之间节点的多个相似度；

24、将所述多个相似度按照一定顺序排序，选取一定数量的多个相似度对应的节点作为静态节点；或，

25、将所述多个相似度中大于设定阈值的多个相似度对应的节点作为所述静态节点。

26、根据本发明实施例的第二方面，提供一种基于对比学习的动态时序网络聚类装置，所述装置包括：

27、数据获取模块，用于获取待处理数据；

28、特征获取模块，用于将所述待处理数据输入预先训练的变分自编码器，得到所述待处理数据对应的降维特征；其中，所述预先训练的变分自编码器根据基于对比学习的训练方法得到；所述基于对比学习的训练方法利用基于对比学习设定的损失函数对变分自编码器的参数进行调整；

29、聚类分析模块，用于利用聚类方法对所述待处理数据对应的降维特征进行聚类分析。

30、根据本公开实施例的第三方面，提供一种基于对比学习的动态时序网络聚类装置，包括：处理器；用于存储处理器可执行指令的存储器；

31、其中，所述处理器被配置为：执行所述可执行指令以实现上述第一方面中的任一实施方式所述的基于对比学习的动态时序网络聚类方法的步骤。

32、根据本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述程序指令被处理器执行时实现本发明第一方面所述的基于对比学习的动态时序网络聚类方法的步骤。

33、本发明的实施例提供的技术方案可以包括以下有益效果：

34、在上述技术方案中，获取待处理数据；将该待处理数据输入预先训练的变分自编码器，得到该待处理数据对应的降维特征；其中，该预先训练的变分自编码器根据基于对比学习的训练方法得到；该基于对比学习的训练方法利用基于对比学习设定的损失函数对变分自编码器的参数进行调整；利用聚类方法对该待处理数据对应的降维特征进行聚类分析。通过上述技术方案，利用预先训练的变分自编码器，对待处理数据进行降维处理，然后再进行聚类分析，提出了一种能够考虑动态时序网络中的变化的变分自编码器，能够对数据进行降维处理，并有效提取动态时序网络的主要特征，以进行聚类分析。

技术特征：

1.一种基于对比学习的动态时序网络聚类方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于对比学习的动态时序网络聚类方法，其特征在于，所述基于对比学习的训练方法包括：

3.根据权利要求2所述的基于对比学习的动态时序网络聚类方法，其特征在于，所述基于对比学习的训练方法还包括：

4.根据权利要求2所述的基于对比学习的动态时序网络聚类方法，其特征在于，所述设定的损失函数lall如下所示：

5.根据权利要求4所述的基于对比学习的动态时序网络聚类方法，其特征在于，所述基于对比学习设定的损失函数lq如下所示：

6.根据权利要求5所述的基于对比学习的动态时序网络聚类方法，其特征在于，动态时序网络中包括多个节点；所述正样本表征当前时刻与上一时刻的动态时序网络中静态节点相同簇的节点；所述负样本表征所述当前时刻与所述上一时刻的动态时序网络中静态节点不同簇的节点。

7.根据权利要求4所述的基于对比学习的动态时序网络聚类方法，其特征在于，所述方法还包括：

8.一种基于对比学习的动态时序网络聚类装置，其特征在于，所述装置包括：

9.一种电子设备，其特征在于，包括：

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1～7中任一项所述的基于对比学习的动态时序网络聚类方法的步骤。

技术总结
本发明涉及一种基于对比学习的动态时序网络聚类方法、装置、电子设备及存储介质，属于计算机技术领域，该方法包括：获取待处理数据；将该待处理数据输入预先训练的变分自编码器，得到该待处理数据对应的降维特征；其中，该预先训练的变分自编码器根据基于对比学习的训练方法得到；该基于对比学习的训练方法利用基于对比学习设定的损失函数对变分自编码器的参数进行调整；利用聚类方法对该待处理数据对应的降维特征进行聚类分析。利用预先训练的变分自编码器，对待处理数据进行降维处理，然后再进行聚类分析，提出了一种能够考虑动态时序网络中的变化的变分自编码器，能够对数据进行降维处理，并有效提取动态时序网络的主要特征，以进行聚类分析。

技术研发人员：马小科,李金锋,豆增发,王艳
受保护的技术使用者：西安电子科技大学
技术研发日：
技术公布日：2024/3/27