买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:中国人民解放军国防科技大学
摘要:本申请涉及一种基于多阶邻居信息传递融合聚类网络的图聚类方法和装置。所述方法包括:对原始图数据样本进行随机游走,得到优化邻接矩阵;构建深度融合聚类网络;对节点特征编码信息和结构编码信息进行融合,得到融合编码信息;对融合编码信息进行软分配矩阵计算;并通过软分配矩阵生成目标分配矩阵;根据预先设置的损失函数,对深度融合聚类网络进行训练,利用训练好的深度融合聚类网络输出图数据对应的节点表示进行K‑means聚类。采用本方法能够提高聚类效果。
主权项:1.一种基于多阶邻居信息传递融合聚类网络的图聚类方法,其特征在于,所述方法包括:对原始图数据样本进行随机游走,得到优化邻接矩阵;构建深度融合聚类网络;所述深度融合聚类网络包括第一图编码器和第二图编码器,通过所述第一图编码器,获取所述原始图数据样本的节点特征编码信息;通过所述第二图编码器,获取所述原始图数据样本的全局拓扑结构信息,将所述优化邻接矩阵作为权重,对所述全局拓扑结构信息进行加权,得到所述原始图数据样本的结构编码信息;对所述节点特征编码信息和所述结构编码信息进行融合,得到融合编码信息,该融合编码信息即为聚类表示,也是两个解码器的输入;对所述融合编码信息进行软分配矩阵和目标分布矩阵构建;所述软分配矩阵用于表示所述原始图数据样本的样本分布,并通过所述软分别矩阵生成目标分布矩阵;根据预先设置的损失函数,对所述深度融合聚类网络进行训练,利用训练好的深度融合聚类网络输出图数据对应的节点表示,再进行K-means聚类;通过所述第二图编码器,获取所述原始图数据样本的全局拓扑结构信息,包括:将所述原始图数据样本中节点特征进行不同映射,得到询问矩阵Q和键矩阵K为: 其中,l表示网络层数,表示第l层网络参数,Zl-1表示上一层网络输出,Z0为节点特征矩阵X,σ为非线性激活函数Tanh;根据所述询问矩阵Q和所述键矩阵K,得到全局结构拓扑信息为: 其中,dl表示第l层隐层表示的维度;将所述优化邻接矩阵作为权重,对所述全局拓扑结构信息进行加权,得到所述原始图数据样本的结构编码信息,包括:将所述优化邻接矩阵作为权重,对所述全局拓扑结构信息进行加权为: 其中,⊙表示哈达玛积,表示优化邻接矩阵,Gl表示全局拓扑结构信息,表示加权全局拓扑结构信息;根据所述键矩阵K,得到值矩阵V为: 其中,表示第l层的网络参数,σ为非线性激活函数Tanh;对所述加权全局拓扑结构信息和所述值矩阵V引入自注意力机制,得到结构编码信息为: 其中,Zl表示结构编码信息;对所述融合编码信息进行软分配矩阵计算;所述软分配矩阵用于表示所述原始图数据样本的样本分布,并通过所述软分别矩阵生成目标分布矩阵,包括:对所述融合编码信息进行软分配矩阵计算,得到软分配矩阵为: 其中,qij表示软分配矩阵中第i个节点属于第j个预计算聚类中心uj的概率,v表示分布的自由度;对所述融合编码信息进行目标分布生成,得到目标分配矩阵为: 其中,0≤pij≤1是生成的目标分布P∈RN×K中的一个元素,表示第i个样本属于第j个聚类中心的概率。
全文数据:
权利要求:
百度查询: 中国人民解放军国防科技大学 基于多阶邻居信息传递融合聚类网络的图聚类方法和装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。