CN114020999A - 一种电影社交网络的社区结构检测方法及*** - Google Patents

一种电影社交网络的社区结构检测方法及*** Download PDF

Info

Publication number
CN114020999A
CN114020999A CN202111221461.8A CN202111221461A CN114020999A CN 114020999 A CN114020999 A CN 114020999A CN 202111221461 A CN202111221461 A CN 202111221461A CN 114020999 A CN114020999 A CN 114020999A
Authority
CN
China
Prior art keywords
movie
social network
community
network
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111221461.8A
Other languages
English (en)
Inventor
杜航原
姚倩
白亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanxi University
Original Assignee
Shanxi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanxi University filed Critical Shanxi University
Priority to CN202111221461.8A priority Critical patent/CN114020999A/zh
Publication of CN114020999A publication Critical patent/CN114020999A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明公开了一种电影社交网络的社区结构检测方法及***，所述方法包括：获取用户数据集，根据用户之间的关注关系构建电影社交网络结构，将用户的观影数据作为用户节点属性，基于所述电影社交网络结构和所述用户节点属性建立邻接矩阵和属性矩阵；基于建立的邻接矩阵和属性矩阵，利用图自动编码器构建电影社交网络社区结构检测模型；对于构建的电影社交网络社区结构检测模型，设计一个联合优化目标函数，通过最小化所述联合优化目标函数进行模型训练；利用训练好的电影社交网络社区结构检测模型，实现对电影社交网络的社区结构检测，并将电影社交网络社区结构检测结果进行输出。本发明能够对电影社交网络中的社区结构进行有效可靠的划分。

Description

一种电影社交网络的社区结构检测方法及***
技术领域
本发明涉及数据挖掘技术领域，特别涉及一种电影社交网络的社区结构检测方法及***。
背景技术
随着计算机网络技术的快速发展和广泛应用，互联网领域中出现了越来越多的网络社交平台，如Facebook、抖音、微博等，这些社交平台迅猛发展并崛起，逐渐成为人们社交生活中不可或缺的一部分。基于不同社交平台产生了规模庞大且形式多样的社交网络，这种社交网络反映了社会个体之间的互动关系，大大提高了人们建立联系和交流信息的便捷性。电影社交网络作为一种常见的虚拟社交网络，已成为数千万热爱电影的网友使用最多的社交平台。例如，豆瓣是一个社区网站，提供关于书籍、电影、音乐等作品的信息，是Web2.0网站中具有特色的一个网站。豆瓣电影作为豆瓣旗下的一款产品，是中国最大的电影分享与评论社区，汇聚了数千万热爱电影的用户，这些用户之间通过互相关注来建立联系，从而实现信息传递。具有相同或相似兴趣的用户之间往往会存在关联关系，从而聚集在一起形成社区。同一社区的用户联系紧密且互动频繁，有利于信息的传播，便于用户进行兴趣交流。对电影社交网络中的社区结构进行检测，有利于研究人员进行用户兴趣分析、兴趣社区分析、用户观影行为预测等相关任务的研究，能够帮助网站为用户及时推送感兴趣的影片，同时，对于院线定位用户需求进行精准营销具有重要的商业价值。
现实世界中的社交网络蕴含着丰富的节点属性信息，这些属性信息在社区结构的形成中也产生着积极的影响。早期的社区发现方法主要包括：图分割方法、层次聚类方法、模块度优化方法、标签传播方法，这些方法通常是基于网络的拓扑结构来发现社区，而忽略了节点属性在社区结构形成中的重要作用。为此，本发明提出一种能够有效融合空间结构信息和节点属性信息，实现对电影社交网络中社区结构进行可靠划分的方法及***。
发明内容
本发明的目的在于提供一种电影社交网络的社区结构检测方法及***，能够对电影社交网络中的社区结构进行有效可靠的划分。
为解决上述技术问题，本发明的实施例提供如下方案：
一方面，提供了一种电影社交网络的社区结构检测方法，包括以下步骤：
S10、获取用户数据集，根据用户之间的关注关系构建电影社交网络结构，将用户的观影数据作为用户节点属性，基于所述电影社交网络结构和所述用户节点属性建立邻接矩阵和属性矩阵；所述观影数据包括：电影名称、电影类型、主要演员、地区；
S20、基于建立的邻接矩阵和属性矩阵，利用图自动编码器构建电影社交网络社区结构检测模型；
S30、对于构建的电影社交网络社区结构检测模型，设计一个联合优化目标函数，通过最小化所述联合优化目标函数进行模型训练；
S40、利用训练好的电影社交网络社区结构检测模型，实现对电影社交网络的社区结构检测，并将电影社交网络社区结构检测结果进行输出。
优选地，所述步骤S10具体包括以下步骤：
S11、从电影社交平台中获取用户数据集，根据用户之间的关注关系构建电影社交网络结构，将社交网络用户表示为网络中的用户节点，将用户之间的关注关系表示为用户节点间的边，将用户的观影数据作为用户节点的属性；将网络记为G＝(V,E,X)，V＝{v1,v2,…,vN}表示网络中N个用户节点的集合，其中第n个用户记为用户节点vn，1≤n≤N；E＝{e1,e2,…,eM}表示用户节点之间存在的M条边，其中第m条边记为em，1≤m≤M；X是N×D维的用户节点属性矩阵，其第n行xn＝[xn1,xn2,…,xnD]表示网络中用户节点vn的D个属性，其中元素xnd表示用户节点vn的第d个属性，1≤d≤D；
S12、构建网络G＝(V,E,X)的N×N维邻接矩阵，将该邻接矩阵记为A，令A中每个元素的值表示网络G＝(V,E,X)中两个相应用户节点间的邻接关系，即A中第i行第j列的元素Aij代表网络中第i个用户节点vi和第j个用户节点vj之间的邻接关系，1≤i≤N,1≤j≤N，如果vi和vj之间存在边，则Aij＝1，否则Aij＝0。
优选地，所述步骤S20中构建的电影社交网络社区结构检测模型包含编码器、结构解码器、属性解码器、模块度优化器四个部分；所述步骤S20具体包括以下步骤：
S21、所述编码器将电影社交网络G＝(V,E,X)编码为低维空间中的嵌入向量，使用2层结构相同的图注意力网络作为编码器，将
Figure BDA0003312778600000031
作为输入，其编码过程的形式化表示如下所示：
Figure BDA0003312778600000032
Figure BDA0003312778600000033
Figure BDA0003312778600000034
其中，
Figure BDA0003312778600000035
和
Figure BDA0003312778600000036
分别为用户节点vi在经过第一层图注意力网络和第二层图注意力网络后得到的低维嵌入向量；s是非线性激活函数；Ni表示用户节点vi的邻居节点；αij称为标准化的注意力系数，由式(4)定义；W(0)和W(1)分别为第一层图注意力网络和第二层图注意力网络中的连接权重矩阵，是待定参数，在后续步骤中通过输入电影社交网络进行确定；Z为编码后的嵌入向量构成的集合，zt表示由用户节点vt编码得到的低维空间中的嵌入向量，且
Figure BDA0003312778600000037
Figure BDA0003312778600000038
式中，LeakyReLU()是非线性激活函数，由式(5)定义；a是权重向量；W是权重矩阵；xi代表用户节点vi的属性；||是连接操作；
Figure BDA0003312778600000039
式中，λ是负输入斜率，取值为0.2；
S22、所述结构解码器将嵌入向量集合Z重构为网络关系
Figure BDA00033127786000000310
即
Figure BDA00033127786000000311
结构解码器定义如式(6)所示：
Figure BDA00033127786000000312
其中δ()为狄拉克函数；
使用交叉熵函数作为结构重构的损失函数，由式(7)定义：
Figure BDA00033127786000000313
S23、所述属性解码器使用与所述编码器中对称的2层图注意力网络来重构用户节点属性信息，每一层利用其邻居用户节点的表示来重构节点的属性，解码过程可以形式化的表示为：
Figure BDA0003312778600000041
Figure BDA0003312778600000042
其中，
Figure BDA0003312778600000043
和
Figure BDA0003312778600000044
分别为经过所述属性解码器中第一层图注意力网络和第二层图注意力网络后得到的低维嵌入向量；s是非线性激活函数；Ni表示用户节点vi的邻居节点；
Figure BDA0003312778600000045
称为标准化的注意力系数；
Figure BDA0003312778600000046
和
Figure BDA0003312778600000047
分别为第一层图注意力网络和第二层图注意力网络中的连接权重矩阵；
所述属性解码器最后一层的输出作为用户节点vi的重构属性
Figure BDA0003312778600000048
即：
Figure BDA0003312778600000049
属性重构的损失函数如式(11)定义：
Figure BDA00033127786000000410
S24、结合所述模块度优化器对社交网络社区结构进行检测；使用softmax函数对节点的低维嵌入向量Z进行分类得到社区分配矩阵P：
P＝softmax(Z) (12)
为了使获得的社区内部更紧密，结合模块度对社区结构进行优化；模块度函数被定义为社区内边的数量与所有用户节点对上期望的边数之间的差值，表示为：
Figure BDA00033127786000000411
其中，ci表示用户节点vi被分配到的社区，如果ci＝cj，则δ(ci,cj)的值为1，否则为0，
Figure BDA00033127786000000412
是用户节点vi和用户节点vj之间期望的边数，ki是用户节点vi的度，
Figure BDA00033127786000000413
是社交网络中边的总数；
模块度的矩阵形式可以表示为：
Figure BDA00033127786000000414
其中，P是社区分配矩阵，B是模块度矩阵，B＝bij，
Figure BDA0003312778600000051
为了优化式(14)，定义了模块度损失：
Figure BDA0003312778600000052
其中，Tr()是矩阵的迹，Tr(PTP)＝N。
优选地，所述步骤S30具体包括以下步骤：
S31、将所述编码器、所述结构解码器、所述属性解码器、所述模块度优化器四个部分联合训练，定义一个联合优化目标函数如式(16)所示：
L＝La+Lx-βLmod (16)
其中，La是结构重构损失，Lx是属性重构损失，Lmod是模块度损失，β是超参数，用来衡量模块度损失的重要性；
S32、利用梯度方法进行反向传播，对电影社交网络社区结构检测模型中的连接权重矩阵进行更新。
优选地，所述步骤S40具体包括以下步骤：
S41、将电影社交网络中兴趣相似的用户划分到同一社区中；用户节点vi的社区标签t通过式(17)得到：
Figure BDA0003312778600000053
其中，piu是社区分配矩阵P中的元素，代表用户节点vi属于社区u的概率；
S42、将电影社交网络社区结构检测结果发送至相关分析人员或科研人员，用于进行包括用户兴趣分析、兴趣社区分析、用户观影行为预测、多样化影片推荐在内的相关任务。
一方面，提供了一种电影社交网络的社区结构检测***，包括连接计算机处理器和内存的电影社交网络结构构建以及邻接矩阵和属性矩阵构建单元、电影社交网络社区结构检测模型训练单元、电影社交网络社区结构检测结果输出单元；
所述电影社交网络结构构建以及邻接矩阵和属性矩阵构建单元用于执行步骤S10：获取用户数据集，根据用户之间的关注关系构建电影社交网络结构，将用户的观影数据作为用户节点属性，基于所述电影社交网络结构和所述用户节点属性建立邻接矩阵和属性矩阵，并加载到计算机内存中；所述观影数据包括：电影名称、电影类型、主要演员、地区；
所述电影社交网络社区结构检测模型训练单元用于执行步骤S20和步骤S30：基于建立的邻接矩阵和属性矩阵，利用图自动编码器构建电影社交网络社区结构检测模型；对于构建的电影社交网络社区结构检测模型，设计一个联合优化目标函数，通过最小化所述联合优化目标函数进行模型训练；
所述电影社交网络社区结构检测结果输出单元用于执行步骤S40：利用训练好的电影社交网络社区结构检测模型，实现对电影社交网络的社区结构检测，并将电影社交网络社区结构检测结果进行输出。
优选地，所述电影社交网络结构构建以及邻接矩阵和属性矩阵构建单元具体用于执行以下步骤：
S11、从电影社交平台中获取用户数据集，根据用户之间的关注关系构建电影社交网络结构，将社交网络用户表示为网络中的用户节点，将用户之间的关注关系表示为用户节点间的边，将用户的观影数据作为用户节点的属性；将网络记为G＝(V,E,X)，V＝{v1,v2,…,vN}表示网络中N个用户节点的集合，其中第n个用户记为用户节点vn，1≤n≤N；E＝{e1,e2,…,eM}表示用户节点之间存在的M条边，其中第m条边记为em，1≤m≤M；X是N×D维的用户节点属性矩阵，其第n行xn＝[xn1,xn2,…,xnD]表示网络中用户节点vn的D个属性，其中元素xnd表示用户节点vn的第d个属性，1≤d≤D；
S12、构建网络G＝(V,E,X)的N×N维邻接矩阵，将该邻接矩阵记为A，令A中每个元素的值表示网络G＝(V,E,X)中两个相应用户节点间的邻接关系，即A中第i行第j列的元素Aij代表网络中第i个用户节点vi和第j个用户节点vj之间的邻接关系，1≤i≤N,1≤j≤N，如果vi和vj之间存在边，则Aij＝1，否则Aij＝0。
优选地，构建的电影社交网络社区结构检测模型包含编码器、结构解码器、属性解码器、模块度优化器四个部分，所述电影社交网络社区结构检测模型训练单元具体用于执行以下步骤：
S21、所述编码器将电影社交网络G＝(V,E,X)编码为低维空间中的嵌入向量，使用2层结构相同的图注意力网络作为编码器，将
Figure BDA0003312778600000061
作为输入，其编码过程的形式化表示如下所示：
Figure BDA0003312778600000062
Figure BDA0003312778600000063
Figure BDA0003312778600000071
其中，
Figure BDA0003312778600000072
和
Figure BDA0003312778600000073
分别为用户节点vi在经过第一层图注意力网络和第二层图注意力网络后得到的低维嵌入向量；s是非线性激活函数；Ni表示用户节点vi的邻居节点；αij称为标准化的注意力系数，由式(4)定义；W(0)和W(1)分别为第一层图注意力网络和第二层图注意力网络中的连接权重矩阵，是待定参数，在后续步骤中通过输入电影社交网络进行确定；Z为编码后的嵌入向量构成的集合，zt表示由用户节点vt编码得到的低维空间中的嵌入向量，且
Figure BDA0003312778600000074
Figure BDA0003312778600000075
式中，LeakyReLU()是非线性激活函数，由式(5)定义；a是权重向量；W是权重矩阵；xi代表用户节点vi的属性；||是连接操作；
Figure BDA0003312778600000076
式中，λ是负输入斜率，取值为0.2；
S22、所述结构解码器将嵌入向量集合Z重构为网络关系
Figure BDA0003312778600000077
即
Figure BDA0003312778600000078
结构解码器定义如式(6)所示：
Figure BDA0003312778600000079
其中δ()为狄拉克函数；
使用交叉熵函数作为结构重构的损失函数，由式(7)定义：
Figure BDA00033127786000000710
S23、所述属性解码器使用与所述编码器中对称的2层图注意力网络来重构用户节点属性信息，每一层利用其邻居用户节点的表示来重构节点的属性，解码过程可以形式化的表示为：
Figure BDA00033127786000000711
Figure BDA00033127786000000712
其中，
Figure BDA00033127786000000713
和
Figure BDA00033127786000000714
分别为经过所述属性解码器中第一层图注意力网络和第二层图注意力网络后得到的低维嵌入向量；s是非线性激活函数；Ni表示用户节点vi的邻居节点；
Figure BDA0003312778600000081
称为标准化的注意力系数；
Figure BDA0003312778600000082
和
Figure BDA0003312778600000083
分别为第一层图注意力网络和第二层图注意力网络中的连接权重矩阵；
所述属性解码器最后一层的输出作为用户节点vi的重构属性
Figure BDA0003312778600000084
即：
Figure BDA0003312778600000085
属性重构的损失函数如式(11)定义：
Figure BDA0003312778600000086
S24、结合所述模块度优化器对社交网络社区结构进行检测；使用softmax函数对节点的低维嵌入向量Z进行分类得到社区分配矩阵P：
P＝softmax(Z)(12)
为了使获得的社区内部更紧密，结合模块度对社区结构进行优化；模块度函数被定义为社区内边的数量与所有用户节点对上期望的边数之间的差值，表示为：
Figure BDA0003312778600000087
其中，ci表示用户节点vi被分配到的社区，如果ci＝cj，则δ(ci,cj)的值为1，否则为0，
Figure BDA0003312778600000088
是用户节点vi和用户节点vj之间期望的边数，ki是用户节点vi的度，
Figure BDA0003312778600000089
是社交网络中边的总数；
模块度的矩阵形式可以表示为：
Figure BDA00033127786000000810
其中，P是社区分配矩阵，B是模块度矩阵，B＝bij，
Figure BDA00033127786000000811
为了优化式(14)，定义了模块度损失：
Figure BDA00033127786000000812
其中，Tr()是矩阵的迹，Tr(PTP)＝N。
优选地，所述电影社交网络社区结构检测模型训练单元还用于执行以下步骤：
S31、将所述编码器、所述结构解码器、所述属性解码器、所述模块度优化器四个部分联合训练，定义一个联合优化目标函数如式(16)所示：
L＝La+Lx-βLmod (16)
其中，La是结构重构损失，Lx是属性重构损失，Lmod是模块度损失，β是超参数，用来衡量模块度损失的重要性；
S32、利用梯度方法进行反向传播，对电影社交网络社区结构检测模型中的连接权重矩阵进行更新。
优选地，所述电影社交网络社区结构检测结果输出单元具体用于执行以下步骤：
S41、将电影社交网络中兴趣相似的用户划分到同一社区中；用户节点vi的社区标签t通过式(17)得到：
Figure BDA0003312778600000091
其中，piu是社区分配矩阵P中的元素，代表用户节点vi属于社区u的概率；
S42、将电影社交网络社区结构检测结果发送至相关分析人员或科研人员，用于进行包括用户兴趣分析、兴趣社区分析、用户观影行为预测、多样化影片推荐在内的相关任务。
本发明实施例提供的技术方案带来的有益效果至少包括：
(1)本发明提供的电影社交网络的社区结构检测方法及***，构建电影社交网络的邻接矩阵和属性矩阵，不但可以记录用户之间的关联信息，还有效利用了用户的属性信息，有助于获得鲁棒性和可解释性更强的电影社交网络社区结构检测结果。
(2)本发明提供的电影社交网络的社区结构检测方法及***，利用图自动编码器结构建立电影社交网络社区结构检测模型，使模型具有一定的生成能力，从而使电影社交网络社区结构检测过程具有更强的泛化能力。
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电影社交网络的社区结构检测方法的流程图；
图2是本发明实施例提供的电影社交网络社区结构检测模型的结构图；
图3是本发明实施例提供的电影社交网络的社区结构检测***的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明的实施例首先提供了一种电影社交网络的社区结构检测方法，如图1所示，所述方法包括以下步骤：
S10、获取用户数据集，根据用户之间的关注关系构建电影社交网络结构，将用户的观影数据(包括电影名称、电影类型、主要演员、地区等)作为用户节点属性，基于所述电影社交网络结构和所述用户节点属性建立邻接矩阵和属性矩阵。
本步骤具体包括以下步骤：
S11、从电影社交平台中获取用户数据集，根据用户之间的关注关系构建电影社交网络结构，将社交网络用户表示为网络中的用户节点，将用户之间的关注关系表示为用户节点间的边，将用户的观影数据作为用户节点的属性；将网络记为G＝(V,E,X)，V＝{v1,v2,…,vN}表示网络中N个用户节点的集合，其中第n个用户记为用户节点vn，1≤n≤N；E＝{e1,e2,…,eM}表示用户节点之间存在的M条边，其中第m条边记为em，1≤m≤M；X是N×D维的用户节点属性矩阵，其第n行xn＝[xn1,xn2,…,xnD]表示网络中用户节点vn的D个属性，其中元素xnd表示用户节点vn的第d个属性，1≤d≤D；
S12、构建网络G＝(V,E,X)的N×N维邻接矩阵，将该邻接矩阵记为A，令A中每个元素的值表示网络G＝(V,E,X)中两个相应用户节点间的邻接关系，即A中第i行第j列的元素Aij代表网络中第i个用户节点vi和第j个用户节点vj之间的邻接关系，1≤i≤N,1≤j≤N，如果vi和vj之间存在边，则Aij＝1，否则Aij＝0。
S20、基于建立的邻接矩阵和属性矩阵，利用图自动编码器构建电影社交网络社区结构检测模型。
本步骤构建的电影社交网络社区结构检测模型包含编码器、结构解码器、属性解码器、模块度优化器四个部分，如图2所示，本步骤具体包括以下步骤：
S21、所述编码器将电影社交网络G＝(V,E,X)编码为低维空间中的嵌入向量，使用2层结构相同的图注意力网络作为编码器，将
Figure BDA0003312778600000111
作为输入，其编码过程的形式化表示如下所示：
Figure BDA0003312778600000112
Figure BDA0003312778600000113
Figure BDA0003312778600000114
其中，
Figure BDA0003312778600000115
和
Figure BDA0003312778600000116
分别为用户节点vi在经过第一层图注意力网络和第二层图注意力网络后得到的低维嵌入向量；s是非线性激活函数；Ni表示用户节点vi的邻居节点；αij称为标准化的注意力系数，由式(4)定义；W(0)和W(1)分别为第一层图注意力网络和第二层图注意力网络中的连接权重矩阵，是待定参数，在后续步骤中通过输入电影社交网络进行确定；Z为编码后的嵌入向量构成的集合，zt表示由用户节点vt编码得到的低维空间中的嵌入向量，且
Figure BDA0003312778600000117
Figure BDA0003312778600000118
式中，LeakyReLU()是非线性激活函数，由式(5)定义；a是权重向量；W是权重矩阵；xi代表用户节点vi的属性；||是连接操作；
Figure BDA0003312778600000119
式中，λ是负输入斜率，取值为0.2；
S22、所述结构解码器将嵌入向量集合Z重构为网络关系
Figure BDA00033127786000001110
即
Figure BDA00033127786000001111
结构解码器定义如式(6)所示：
Figure BDA00033127786000001112
其中δ()为狄拉克函数；
使用交叉熵函数作为结构重构的损失函数，由式(7)定义：
Figure BDA00033127786000001113
S23、所述属性解码器使用与所述编码器中对称的2层图注意力网络来重构用户节点属性信息，每一层利用其邻居用户节点的表示来重构节点的属性，解码过程可以形式化的表示为：
Figure BDA0003312778600000121
Figure BDA0003312778600000122
其中，
Figure BDA0003312778600000123
和
Figure BDA0003312778600000124
分别为经过所述属性解码器中第一层图注意力网络和第二层图注意力网络后得到的低维嵌入向量；s是非线性激活函数；Ni表示用户节点vi的邻居节点；
Figure BDA0003312778600000125
称为标准化的注意力系数；
Figure BDA0003312778600000126
和
Figure BDA0003312778600000127
分别为第一层图注意力网络和第二层图注意力网络中的连接权重矩阵；
所述属性解码器最后一层的输出作为用户节点vi的重构属性
Figure BDA0003312778600000128
即：
Figure BDA0003312778600000129
属性重构的损失函数如式(11)定义：
Figure BDA00033127786000001210
S24、结合所述模块度优化器对社交网络社区结构进行检测；使用softmax函数对节点的低维嵌入向量Z进行分类得到社区分配矩阵P：
P＝softmax(Z) (12)
为了使获得的社区内部更紧密，结合模块度对社区结构进行优化；模块度函数被定义为社区内边的数量与所有用户节点对上期望的边数之间的差值，表示为：
Figure BDA00033127786000001211
其中，ci表示用户节点vi被分配到的社区，如果ci＝cj，则δ(ci,cj)的值为1，否则为0，
Figure BDA00033127786000001212
是用户节点vi和用户节点vj之间期望的边数，ki是用户节点vi的度，
Figure BDA00033127786000001213
是社交网络中边的总数；
模块度的矩阵形式可以表示为：
Figure BDA00033127786000001214
其中，P是社区分配矩阵，B是模块度矩阵，B＝bij，
Figure BDA00033127786000001215
为了优化式(14)，定义了模块度损失：
Figure BDA0003312778600000131
其中，Tr()是矩阵的迹，Tr(PTP)＝N。
S30、对于构建的电影社交网络社区结构检测模型，设计一个联合优化目标函数，通过最小化所述联合优化目标函数进行模型训练。
本步骤具体包括以下步骤：
S31、将所述编码器、所述结构解码器、所述属性解码器、所述模块度优化器四个部分联合训练，定义一个联合优化目标函数如式(16)所示：
L＝La+Lx-βLmod (16)
其中，La是结构重构损失，Lx是属性重构损失，Lmod是模块度损失，β是超参数，用来衡量模块度损失的重要性；
S32、利用梯度方法进行反向传播，对电影社交网络社区结构检测模型中的连接权重矩阵进行更新。
S40、利用训练好的电影社交网络社区结构检测模型，实现对电影社交网络的社区结构检测，并将电影社交网络社区结构检测结果进行输出。
本步骤具体包括以下步骤：
S41、将电影社交网络中兴趣相似的用户划分到同一社区中；用户节点vi的社区标签t通过式(17)得到：
Figure BDA0003312778600000132
其中，piu是社区分配矩阵P中的元素，代表用户节点vi属于社区u的概率；
S42、将电影社交网络社区结构检测结果发送至相关分析人员或科研人员，用于进行包括用户兴趣分析、兴趣社区分析、用户观影行为预测、多样化影片推荐在内的相关任务。
为验证本发明所述方法的有效性和先进性，将本发明与几种经典的社区检测方法进行比较，对比方法包括基于信息论的Infomap方法、标签传播(LPA)方法、图自编码器(GAE)方法，以及基于GCN的无监督社区发现(JGE-CD)方法，以20次实验的平均准确率和归一化互信息为评价指标，将上述匹配结果进行对比分析，比较结果如表1所示：
表1结果对比
Figure BDA0003312778600000133
Figure BDA0003312778600000141
由表中结果可以看出，本发明方法在对电影社交网络进行社区结构检测时，能获得更优的准确率和归一化互信息。
相应地，本发明的实施例还提供了一种电影社交网络的社区结构检测***，如图3所示，所述***包括：连接计算机处理器和内存的电影社交网络结构构建以及邻接矩阵和属性矩阵构建单元、电影社交网络社区结构检测模型训练单元、电影社交网络社区结构检测结果输出单元；
所述电影社交网络结构构建以及邻接矩阵和属性矩阵构建单元用于执行步骤S10：获取用户数据集，根据用户之间的关注关系构建电影社交网络结构，将用户的观影数据作为用户节点属性，基于所述电影社交网络结构和所述用户节点属性建立邻接矩阵和属性矩阵，并加载到计算机内存中；所述观影数据包括：电影名称、电影类型、主要演员、地区；
所述电影社交网络社区结构检测模型训练单元用于执行步骤S20和步骤S30：基于建立的邻接矩阵和属性矩阵，利用图自动编码器构建电影社交网络社区结构检测模型；对于构建的电影社交网络社区结构检测模型，设计一个联合优化目标函数，通过最小化所述联合优化目标函数进行模型训练；
所述电影社交网络社区结构检测结果输出单元用于执行步骤S40：利用训练好的电影社交网络社区结构检测模型，实现对电影社交网络的社区结构检测，并将电影社交网络社区结构检测结果进行输出。
进一步地，所述电影社交网络结构构建以及邻接矩阵和属性矩阵构建单元具体用于执行以下步骤：
S11、从电影社交平台中获取用户数据集，根据用户之间的关注关系构建电影社交网络结构，将社交网络用户表示为网络中的用户节点，将用户之间的关注关系表示为用户节点间的边，将用户的观影数据作为用户节点的属性；将网络记为G＝(V,E,X)，V＝{v1,v2,…,vN}表示网络中N个用户节点的集合，其中第n个用户记为用户节点vn，1≤n≤N；E＝{e1,e2,…,eM}表示用户节点之间存在的M条边，其中第m条边记为em，1≤m≤M；X是N×D维的用户节点属性矩阵，其第n行xn＝[xn1,xn2,…,xnD]表示网络中用户节点vn的D个属性，其中元素xnd表示用户节点vn的第d个属性，1≤d≤D；
S12、构建网络G＝(V,E,X)的N×N维邻接矩阵，将该邻接矩阵记为A，令A中每个元素的值表示网络G＝(V,E,X)中两个相应用户节点间的邻接关系，即A中第i行第j列的元素Aij代表网络中第i个用户节点vi和第j个用户节点vj之间的邻接关系，1≤i≤N,1≤j≤N，如果vi和vj之间存在边，则Aij＝1，否则Aij＝0。
进一步地，构建的电影社交网络社区结构检测模型包含编码器、结构解码器、属性解码器、模块度优化器四个部分，所述电影社交网络社区结构检测模型训练单元具体用于执行以下步骤：
S21、所述编码器将电影社交网络G＝(V,E,X)编码为低维空间中的嵌入向量，使用2层结构相同的图注意力网络作为编码器，将xi＝hi (0)作为输入，其编码过程的形式化表示如下所示：
Figure BDA0003312778600000151
Figure BDA0003312778600000152
Figure BDA0003312778600000153
其中，
Figure BDA0003312778600000154
和
Figure BDA0003312778600000155
分别为用户节点vi在经过第一层图注意力网络和第二层图注意力网络后得到的低维嵌入向量；s是非线性激活函数；Ni表示用户节点vi的邻居节点；αij称为标准化的注意力系数，由式(4)定义；W(0)和W(1)分别为第一层图注意力网络和第二层图注意力网络中的连接权重矩阵，是待定参数，在后续步骤中通过输入电影社交网络进行确定；Z为编码后的嵌入向量构成的集合，zt表示由用户节点vt编码得到的低维空间中的嵌入向量，且
Figure BDA0003312778600000156
Figure BDA0003312778600000157
式中，LeakyReLU()是非线性激活函数，由式(5)定义；a是权重向量；W是权重矩阵；xi代表用户节点vi的属性；||是连接操作；
Figure BDA0003312778600000158
式中，λ是负输入斜率，取值为0.2；
S22、所述结构解码器将嵌入向量集合Z重构为网络关系
Figure BDA0003312778600000161
即
Figure BDA0003312778600000162
结构解码器定义如式(6)所示：
Figure BDA0003312778600000163
其中δ()为狄拉克函数；
使用交叉熵函数作为结构重构的损失函数，由式(7)定义：
Figure BDA0003312778600000164
S23、所述属性解码器使用与所述编码器中对称的2层图注意力网络来重构用户节点属性信息，每一层利用其邻居用户节点的表示来重构节点的属性，解码过程可以形式化的表示为：
Figure BDA0003312778600000165
Figure BDA0003312778600000166
其中，
Figure BDA0003312778600000167
和
Figure BDA0003312778600000168
分别为经过所述属性解码器中第一层图注意力网络和第二层图注意力网络后得到的低维嵌入向量；s是非线性激活函数；Ni表示用户节点vi的邻居节点；
Figure BDA0003312778600000169
称为标准化的注意力系数；
Figure BDA00033127786000001610
和
Figure BDA00033127786000001611
分别为第一层图注意力网络和第二层图注意力网络中的连接权重矩阵；
所述属性解码器最后一层的输出作为用户节点vi的重构属性
Figure BDA00033127786000001612
即：
Figure BDA00033127786000001613
属性重构的损失函数如式(11)定义：
Figure BDA00033127786000001614
S24、结合所述模块度优化器对社交网络社区结构进行检测；使用softmax函数对节点的低维嵌入向量Z进行分类得到社区分配矩阵P：
P＝softmax(Z) (12)
为了使获得的社区内部更紧密，结合模块度对社区结构进行优化；模块度函数被定义为社区内边的数量与所有用户节点对上期望的边数之间的差值，表示为：
Figure BDA00033127786000001615
其中，ci表示用户节点vi被分配到的社区，如果ci＝cj，则δ(ci,cj)的值为1，否则为0，
Figure BDA0003312778600000171
是用户节点vi和用户节点vj之间期望的边数，ki是用户节点vi的度，
Figure BDA0003312778600000172
是社交网络中边的总数；
模块度的矩阵形式可以表示为：
Figure BDA0003312778600000173
其中，P是社区分配矩阵，B是模块度矩阵，B＝bij，
Figure BDA0003312778600000174
为了优化式(14)，定义了模块度损失：
Figure BDA0003312778600000175
其中，Tr()是矩阵的迹，Tr(PTP)＝N。
进一步地，所述电影社交网络社区结构检测模型训练单元还用于执行以下步骤：
S31、将所述编码器、所述结构解码器、所述属性解码器、所述模块度优化器四个部分联合训练，定义一个联合优化目标函数如式(16)所示：
L＝La+Lx-βLmod (16)
其中，La是结构重构损失，Lx是属性重构损失，Lmod是模块度损失，β是超参数，用来衡量模块度损失的重要性；
S32、利用梯度方法进行反向传播，对电影社交网络社区结构检测模型中的连接权重矩阵进行更新。
进一步地，所述电影社交网络社区结构检测结果输出单元具体用于执行以下步骤：
S41、将电影社交网络中兴趣相似的用户划分到同一社区中；用户节点vi的社区标签t通过式(17)得到：
Figure BDA0003312778600000176
其中，piu是社区分配矩阵P中的元素，代表用户节点vi属于社区u的概率；
S42、将电影社交网络社区结构检测结果发送至相关分析人员或科研人员，用于进行包括用户兴趣分析、兴趣社区分析、用户观影行为预测、多样化影片推荐在内的相关任务。
与现有技术相比，本发明提供的电影社交网络的社区结构检测方法及***，构建电影社交网络的邻接矩阵和属性矩阵，不但可以记录用户之间的关联信息，还有效利用了用户的属性信息，有助于获得鲁棒性和可解释性更强的电影社交网络社区结构检测结果。并且，本发明利用图自动编码器结构建立电影社交网络社区结构检测模型，使模型具有一定的生成能力，从而使电影社交网络社区结构检测过程具有更强的泛化能力。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电影社交网络的社区结构检测方法，其特征在于，包括以下步骤：
S10、获取用户数据集，根据用户之间的关注关系构建电影社交网络结构，将用户的观影数据作为用户节点属性，基于所述电影社交网络结构和所述用户节点属性建立邻接矩阵和属性矩阵；所述观影数据包括：电影名称、电影类型、主要演员、地区；
S20、基于建立的邻接矩阵和属性矩阵，利用图自动编码器构建电影社交网络社区结构检测模型；
S30、对于构建的电影社交网络社区结构检测模型，设计一个联合优化目标函数，通过最小化所述联合优化目标函数进行模型训练；
S40、利用训练好的电影社交网络社区结构检测模型，实现对电影社交网络的社区结构检测，并将电影社交网络社区结构检测结果进行输出。
2.根据权利要求1所述的电影社交网络的社区结构检测方法，其特征在于，所述步骤S10具体包括以下步骤：
S11、从电影社交平台中获取用户数据集，根据用户之间的关注关系构建电影社交网络结构，将社交网络用户表示为网络中的用户节点，将用户之间的关注关系表示为用户节点间的边，将用户的观影数据作为用户节点的属性；将网络记为G＝(V,E,X)，V＝{v1,v2,…,vN}表示网络中N个用户节点的集合，其中第n个用户记为用户节点vn，1≤n≤N；E＝{e1,e2,…,eM}表示用户节点之间存在的M条边，其中第m条边记为em，1≤m≤M；X是N×D维的用户节点属性矩阵，其第n行xn＝[xn1,xn2,…,xnD]表示网络中用户节点vn的D个属性，其中元素xnd表示用户节点vn的第d个属性，1≤d≤D；
S12、构建网络G＝(V,E,X)的N×N维邻接矩阵，将该邻接矩阵记为A，令A中每个元素的值表示网络G＝(V,E,X)中两个相应用户节点间的邻接关系，即A中第i行第j列的元素Aij代表网络中第i个用户节点vi和第j个用户节点vj之间的邻接关系，1≤i≤N,1≤j≤N，如果vi和vj之间存在边，则Aij＝1，否则Aij＝0。
3.根据权利要求2所述的电影社交网络的社区结构检测方法，其特征在于，所述步骤S20中构建的电影社交网络社区结构检测模型包含编码器、结构解码器、属性解码器、模块度优化器四个部分；所述步骤S20具体包括以下步骤：
S21、所述编码器将电影社交网络G＝(V,E,X)编码为低维空间中的嵌入向量，使用2层结构相同的图注意力网络作为编码器，将
Figure FDA00033127785900000213
作为输入，其编码过程的形式化表示如下所示：
Figure FDA0003312778590000021
Figure FDA0003312778590000022
Figure FDA0003312778590000023
其中，
Figure FDA0003312778590000024
和
Figure FDA0003312778590000025
分别为用户节点vi在经过第一层图注意力网络和第二层图注意力网络后得到的低维嵌入向量；s是非线性激活函数；Ni表示用户节点vi的邻居节点；αij称为标准化的注意力系数，由式(4)定义；W(0)和W(1)分别为第一层图注意力网络和第二层图注意力网络中的连接权重矩阵，是待定参数，在后续步骤中通过输入电影社交网络进行确定；Z为编码后的嵌入向量构成的集合，zt表示由用户节点vt编码得到的低维空间中的嵌入向量，且
Figure FDA0003312778590000026
Figure FDA0003312778590000027
式中，LeakyReLU()是非线性激活函数，由式(5)定义；a是权重向量；W是权重矩阵；xi代表用户节点vi的属性；||是连接操作；
Figure FDA0003312778590000028
式中，λ是负输入斜率，取值为0.2；
S22、所述结构解码器将嵌入向量集合Z重构为网络关系
Figure FDA00033127785900000211
即
Figure FDA00033127785900000212
结构解码器定义如式(6)所示：
Figure FDA0003312778590000029
其中δ()为狄拉克函数；
使用交叉熵函数作为结构重构的损失函数，由式(7)定义：
Figure FDA00033127785900000210
S23、所述属性解码器使用与所述编码器中对称的2层图注意力网络来重构用户节点属性信息，每一层利用其邻居用户节点的表示来重构节点的属性，解码过程可以形式化的表示为：
Figure FDA0003312778590000031
Figure FDA0003312778590000032
其中，
Figure FDA0003312778590000033
和
Figure FDA0003312778590000034
分别为经过所述属性解码器中第一层图注意力网络和第二层图注意力网络后得到的低维嵌入向量；s是非线性激活函数；Ni表示用户节点vi的邻居节点；
Figure FDA0003312778590000035
称为标准化的注意力系数；
Figure FDA0003312778590000036
和
Figure FDA0003312778590000037
分别为第一层图注意力网络和第二层图注意力网络中的连接权重矩阵；
所述属性解码器最后一层的输出作为用户节点vi的重构属性
Figure FDA0003312778590000038
即：
Figure FDA0003312778590000039
属性重构的损失函数如式(11)定义：
Figure FDA00033127785900000310
S24、结合所述模块度优化器对社交网络社区结构进行检测；使用softmax函数对节点的低维嵌入向量Z进行分类得到社区分配矩阵P：
P＝softmax(Z) (12)
为了使获得的社区内部更紧密，结合模块度对社区结构进行优化；模块度函数被定义为社区内边的数量与所有用户节点对上期望的边数之间的差值，表示为：
Figure FDA00033127785900000311
其中，ci表示用户节点vi被分配到的社区，如果ci＝cj，则δ(ci,cj)的值为1，否则为0，
Figure FDA00033127785900000312
是用户节点vi和用户节点vj之间期望的边数，ki是用户节点vi的度，
Figure FDA00033127785900000313
是社交网络中边的总数；
模块度的矩阵形式可以表示为：
Figure FDA00033127785900000314
其中，P是社区分配矩阵，B是模块度矩阵，B＝bij，
Figure FDA00033127785900000315
为了优化式(14)，定义了模块度损失：
Figure FDA0003312778590000041
其中，Tr()是矩阵的迹，Tr(PTP)＝N。
4.根据权利要求3所述的电影社交网络的社区结构检测方法，其特征在于，所述步骤S30具体包括以下步骤：
S31、将所述编码器、所述结构解码器、所述属性解码器、所述模块度优化器四个部分联合训练，定义一个联合优化目标函数如式(16)所示：
L＝La+Lx-βLmod (16)
其中，La是结构重构损失，Lx是属性重构损失，Lmod是模块度损失，β是超参数，用来衡量模块度损失的重要性；
S32、利用梯度方法进行反向传播，对电影社交网络社区结构检测模型中的连接权重矩阵进行更新。
5.根据权利要求1所述的电影社交网络的社区结构检测方法，其特征在于，所述步骤S40具体包括以下步骤：
S41、将电影社交网络中兴趣相似的用户划分到同一社区中；用户节点vi的社区标签t通过式(17)得到：
Figure FDA0003312778590000042
其中，piu是社区分配矩阵P中的元素，代表用户节点vi属于社区u的概率；
S42、将电影社交网络社区结构检测结果发送至相关分析人员或科研人员，用于进行包括用户兴趣分析、兴趣社区分析、用户观影行为预测、多样化影片推荐在内的相关任务。
6.一种电影社交网络的社区结构检测***，其特征在于，包括连接计算机处理器和内存的电影社交网络结构构建以及邻接矩阵和属性矩阵构建单元、电影社交网络社区结构检测模型训练单元、电影社交网络社区结构检测结果输出单元；
所述电影社交网络结构构建以及邻接矩阵和属性矩阵构建单元用于执行步骤S10：获取用户数据集，根据用户之间的关注关系构建电影社交网络结构，将用户的观影数据作为用户节点属性，基于所述电影社交网络结构和所述用户节点属性建立邻接矩阵和属性矩阵，并加载到计算机内存中；所述观影数据包括：电影名称、电影类型、主要演员、地区；
所述电影社交网络社区结构检测模型训练单元用于执行步骤S20和步骤S30：基于建立的邻接矩阵和属性矩阵，利用图自动编码器构建电影社交网络社区结构检测模型；对于构建的电影社交网络社区结构检测模型，设计一个联合优化目标函数，通过最小化所述联合优化目标函数进行模型训练；
所述电影社交网络社区结构检测结果输出单元用于执行步骤S40：利用训练好的电影社交网络社区结构检测模型，实现对电影社交网络的社区结构检测，并将电影社交网络社区结构检测结果进行输出。
7.根据权利要求6所述的电影社交网络的社区结构检测***，其特征在于，所述电影社交网络结构构建以及邻接矩阵和属性矩阵构建单元具体用于执行以下步骤：
S11、从电影社交平台中获取用户数据集，根据用户之间的关注关系构建电影社交网络结构，将社交网络用户表示为网络中的用户节点，将用户之间的关注关系表示为用户节点间的边，将用户的观影数据作为用户节点的属性；将网络记为G＝(V,E,X)，V＝{v1,v2,…,vN}表示网络中N个用户节点的集合，其中第n个用户记为用户节点vn，1≤n≤N；E＝{e1,e2,…,eM}表示用户节点之间存在的M条边，其中第m条边记为em，1≤m≤M；X是N×D维的用户节点属性矩阵，其第n行xn＝[xn1,xn2,…,xnD]表示网络中用户节点vn的D个属性，其中元素xnd表示用户节点vn的第d个属性，1≤d≤D；
S12、构建网络G＝(V,E,X)的N×N维邻接矩阵，将该邻接矩阵记为A，令A中每个元素的值表示网络G＝(V,E,X)中两个相应用户节点间的邻接关系，即A中第i行第j列的元素Aij代表网络中第i个用户节点vi和第j个用户节点vj之间的邻接关系，1≤i≤N,1≤j≤N，如果vi和vj之间存在边，则Aij＝1，否则Aij＝0。
8.根据权利要求7所述的电影社交网络的社区结构检测***，其特征在于，构建的电影社交网络社区结构检测模型包含编码器、结构解码器、属性解码器、模块度优化器四个部分，所述电影社交网络社区结构检测模型训练单元具体用于执行以下步骤：
S21、所述编码器将电影社交网络G＝(V,E,X)编码为低维空间中的嵌入向量，使用2层结构相同的图注意力网络作为编码器，将
Figure FDA0003312778590000051
作为输入，其编码过程的形式化表示如下所示：
Figure FDA0003312778590000052
Figure FDA0003312778590000061
Figure FDA0003312778590000062
其中，
Figure FDA0003312778590000063
和
Figure FDA0003312778590000064
分别为用户节点vi在经过第一层图注意力网络和第二层图注意力网络后得到的低维嵌入向量；s是非线性激活函数；Ni表示用户节点vi的邻居节点；αij称为标准化的注意力系数，由式(4)定义；W(0)和W(1)分别为第一层图注意力网络和第二层图注意力网络中的连接权重矩阵，是待定参数，在后续步骤中通过输入电影社交网络进行确定；Z为编码后的嵌入向量构成的集合，zt表示由用户节点vt编码得到的低维空间中的嵌入向量，且
Figure FDA0003312778590000065
Figure FDA0003312778590000066
式中，LeakyReLU()是非线性激活函数，由式(5)定义；a是权重向量；W是权重矩阵；xi代表用户节点vi的属性；||是连接操作；
Figure FDA0003312778590000067
式中，λ是负输入斜率，取值为0.2；
S22、所述结构解码器将嵌入向量集合Z重构为网络关系
Figure FDA0003312778590000068
即
Figure FDA0003312778590000069
结构解码器定义如式(6)所示：
Figure FDA00033127785900000610
其中δ()为狄拉克函数；
使用交叉熵函数作为结构重构的损失函数，由式(7)定义：
Figure FDA00033127785900000611
S23、所述属性解码器使用与所述编码器中对称的2层图注意力网络来重构用户节点属性信息，每一层利用其邻居用户节点的表示来重构节点的属性，解码过程可以形式化的表示为：
Figure FDA00033127785900000612
Figure FDA00033127785900000613
其中，
Figure FDA00033127785900000614
和
Figure FDA00033127785900000615
分别为经过所述属性解码器中第一层图注意力网络和第二层图注意力网络后得到的低维嵌入向量；s是非线性激活函数；Ni表示用户节点vi的邻居节点；
Figure FDA0003312778590000071
称为标准化的注意力系数；
Figure FDA0003312778590000072
和
Figure FDA0003312778590000073
分别为第一层图注意力网络和第二层图注意力网络中的连接权重矩阵；
所述属性解码器最后一层的输出作为用户节点vi的重构属性
Figure FDA0003312778590000074
即：
Figure FDA0003312778590000075
属性重构的损失函数如式(11)定义：
Figure FDA0003312778590000076
S24、结合所述模块度优化器对社交网络社区结构进行检测；使用softmax函数对节点的低维嵌入向量Z进行分类得到社区分配矩阵P：
P＝softmax(Z) (12)
为了使获得的社区内部更紧密，结合模块度对社区结构进行优化；模块度函数被定义为社区内边的数量与所有用户节点对上期望的边数之间的差值，表示为：
Figure FDA0003312778590000077
其中，ci表示用户节点vi被分配到的社区，如果ci＝cj，则δ(ci,cj)的值为1，否则为0，
Figure FDA0003312778590000078
是用户节点vi和用户节点vj之间期望的边数，ki是用户节点vi的度，
Figure FDA0003312778590000079
是社交网络中边的总数；
模块度的矩阵形式可以表示为：
Figure FDA00033127785900000710
其中，P是社区分配矩阵，B是模块度矩阵，B＝bij，
Figure FDA00033127785900000711
为了优化式(14)，定义了模块度损失：
Figure FDA00033127785900000712
其中，Tr()是矩阵的迹，Tr(PTP)＝N。
9.根据权利要求8所述的电影社交网络的社区结构检测***，其特征在于，所述电影社交网络社区结构检测模型训练单元还用于执行以下步骤：
S31、将所述编码器、所述结构解码器、所述属性解码器、所述模块度优化器四个部分联合训练，定义一个联合优化目标函数如式(16)所示：
L＝La+Lx-βLmod (16)
其中，La是结构重构损失，Lx是属性重构损失，Lmod是模块度损失，β是超参数，用来衡量模块度损失的重要性；
S32、利用梯度方法进行反向传播，对电影社交网络社区结构检测模型中的连接权重矩阵进行更新。
10.根据权利要求6所述的电影社交网络的社区结构检测***，其特征在于，所述电影社交网络社区结构检测结果输出单元具体用于执行以下步骤：
S41、将电影社交网络中兴趣相似的用户划分到同一社区中；用户节点vi的社区标签t通过式(17)得到：
Figure FDA0003312778590000081
其中，piu是社区分配矩阵P中的元素，代表用户节点vi属于社区u的概率；
S42、将电影社交网络社区结构检测结果发送至相关分析人员或科研人员，用于进行包括用户兴趣分析、兴趣社区分析、用户观影行为预测、多样化影片推荐在内的相关任务。
CN202111221461.8A 2021-10-20 2021-10-20 一种电影社交网络的社区结构检测方法及*** Pending CN114020999A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111221461.8A CN114020999A (zh) 2021-10-20 2021-10-20 一种电影社交网络的社区结构检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111221461.8A CN114020999A (zh) 2021-10-20 2021-10-20 一种电影社交网络的社区结构检测方法及***

Publications (1)

Publication Number Publication Date
CN114020999A true CN114020999A (zh) 2022-02-08

Family

ID=80056817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111221461.8A Pending CN114020999A (zh) 2021-10-20 2021-10-20 一种电影社交网络的社区结构检测方法及***

Country Status (1)

Country Link
CN (1) CN114020999A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115964626A (zh) * 2022-10-27 2023-04-14 河南大学 一种基于动态多尺度特征融合网络的社区检测方法
CN116563049A (zh) * 2023-04-24 2023-08-08 华南师范大学 一种有向带权符号社交网络社区发现方法
CN117113240A (zh) * 2023-10-23 2023-11-24 华南理工大学 动态网络社区发现方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115964626A (zh) * 2022-10-27 2023-04-14 河南大学 一种基于动态多尺度特征融合网络的社区检测方法
CN116563049A (zh) * 2023-04-24 2023-08-08 华南师范大学 一种有向带权符号社交网络社区发现方法
CN117113240A (zh) * 2023-10-23 2023-11-24 华南理工大学 动态网络社区发现方法、装置、设备及存储介质
CN117113240B (zh) * 2023-10-23 2024-03-26 华南理工大学 动态网络社区发现方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110162700B (zh) 信息推荐及模型的训练方法、装置、设备以及存储介质
Darban et al. GHRS: Graph-based hybrid recommendation system with application to movie recommendation
CN114020999A (zh) 一种电影社交网络的社区结构检测方法及***
CN114048350A (zh) 一种基于细粒度跨模态对齐模型的文本-视频检索方法
CN112507246B (zh) 一种融合全局和局部社会兴趣影响的社会推荐方法
CN110069713B (zh) 一种基于用户上下文感知的个性化推荐方法
CN112417313A (zh) 一种基于知识图卷积网络的模型混合推荐方法
CN112948625B (zh) 一种基于属性异质信息网络嵌入的电影推荐方法
Huang et al. Neural embedding collaborative filtering for recommender systems
CN114461907B (zh) 一种基于知识图谱的多元环境感知推荐方法及***
CN114065048A (zh) 基于多异构图图神经网络的物品推荐方法
Hazrati et al. Addressing the New Item problem in video recommender systems by incorporation of visual features with restricted Boltzmann machines
CN114357201B (zh) 基于信息感知的视听推荐方法、***
CN115600017A (zh) 特征编码模型训练方法及装置、媒体对象推荐方法及装置
Yin et al. An efficient recommendation algorithm based on heterogeneous information network
CN113590965B (zh) 一种融合知识图谱与情感分析的视频推荐方法
Wang et al. Research on BP neural network recommendation model fusing user reviews and ratings
CN113918711B (zh) 一种基于多视图多层注意力的面向学术论文的分类方法
Khan et al. Cross‐modal retrieval based on deep regularized hashing constraints
Nazari et al. Scalable and data-independent multi-agent recommender system using social networks analysis
CN111930926B (zh) 结合评论文本挖掘的个性化推荐算法
CN113342994A (zh) 一种基于无采样协作知识图网络的推荐***
CN112765490A (zh) 一种基于知识图谱和图卷积网络的信息推荐方法及***
Ntalianis et al. Social relevance feedback based on multimedia content power
Deng et al. A Trust-aware Neural Collaborative Filtering for Elearning Recommendation.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination