一种基于图神经网络编码的多目标属性社区发现方法

本发明涉及社交网络分析，具体涉及一种基于图神经网络编码的多目标属性社区发现方法。

背景技术：

1、随着信息技术的飞速发展，现实世界中的复杂系统正以前所未有的速度产生海量数据。社交媒体中的用户关注网络、生物信息学中的蛋白质相互作用网络、学术论文引用网络以及金融交易网络等，普遍呈现出规模庞大、结构复杂的特点。在这些复杂数据中，实体之间的交互关系往往占据核心地位。为了有效建模和分析这种关联性，复杂网络作为一种高度抽象且表达能力强的数据结构被广泛应用。在复杂网络分析任务中，社区发现是一个具有重要理论价值和现实意义的经典问题，通常将社区定义为内部节点连接稠密、外部节点连接稀疏的子图结构。识别这些潜在社区，不仅有助于在宏观层面理解复杂系统的组织架构与演化规律，也能在微观层面支持个性化推荐、舆情监控和异常检测等关键应用。

2、早期社区发现研究主要聚焦于纯拓扑结构网络，即仅利用节点之间的连边信息进行划分，代表性方法包括基于模块度优化的louvain算法和基于谱图理论的聚类算法。然而，现实网络中的节点往往承载着丰富的辅助信息。例如，社交网络中用户不仅有好友关系，还包含个人资料、兴趣标签和文本内容；学术网络中论文除了引用关系外，还包含摘要、关键词和作者信息。这种同时包含拓扑结构和节点特征信息的网络被称为属性网络。大量研究表明，网络结构与节点属性之间存在显著的同质性特征：属性相似的节点更倾向于建立连接，而同一拓扑社区的节点往往共享相似的属性分布。因此，如何突破仅依赖结构信息的局限，实现结构信息与属性信息的有效融合，已成为当前社区发现领域的重要问题。

技术实现思路

1、本发明实施例提供一种基于图神经网络编码的多目标属性社区发现方法，以解决现有属性社区发现方法在处理复杂网络时存在的离散优化困难、网络拓扑结构与节点属性信息利用不充分以及多目标搜索易陷入局部最优等问题。

2、本发明提供一种基于图神经网络编码的多目标属性社区发现方法，方法包括：

3、获取待分析的属性网络，属性网络包括多个节点、多个节点之间的连接关系以及各节点的节点属性信息；

4、根据连接关系确定各节点的拓扑中心系数和聚类系数，并对拓扑中心系数和聚类系数进行融合，获得各节点的连续特征，利用各节点的连续特征生成初始种群；

5、针对初始种群中的各个个体，对各节点的连续特征进行非线性映射，并对非线性映射结果进行概率归一化，获得用于表征各节点与对应邻居节点属于同一社区的社区归属概率分布；

6、根据连接关系和节点属性信息，分别确定社区划分的结构目标函数和属性目标函数；

7、基于所述社区归属概率分布，并利用海洋捕食者优化算法，对结构目标函数和属性目标函数进行多目标优化，并从求得的最优解中获取社区划分结果。

8、在本发明的一些实施例中，基于所述社区归属概率分布，并利用海洋捕食者优化算法，对结构目标函数和属性目标函数进行多目标优化，并从求得的最优解中获取社区划分结果，包括：

9、根据当前迭代进度，从包括全局探索策略和局部开发策略的多个搜索策略中确定目标搜索策略，采用目标搜索策略对种群中的个体进行位置更新，并基于结构目标函数和属性目标函数，从位置更新前后的个体中筛选获得下一代种群；

10、迭代执行位置更新和下一代种群的筛选，直至满足预设终止条件，获得最优解；

11、根据社区归属概率分布对最优解进行离散解码，获得属性网络的社区划分结果。

12、在本发明的一些实施例中，根据连接关系确定各节点的拓扑中心系数和聚类系数，包括：

13、根据连接关系确定属性网络中各节点的节点度数，并利用局部搜索策略从属性网络中识别获得局部中心节点，利用广度优先搜索算法计算局部中心节点到高等级中心节点之间的最短路径距离，高等级中心节点为节点度数大于局部中心节点的节点度数的其他中心节点；

14、根据节点度数和最短路径距离，确定节点中心系数，并对节点邻域中的节点中心系数进行归一化，获得拓扑中心系数；

15、根据节点的邻域节点之间实际存在的边数量和节点度数，确定聚类系数。

16、在本发明的一些实施例中，对各节点的连续特征进行非线性映射，并对非线性映射结果进行概率归一化，包括：

17、采用sigmoid函数对各节点的连续特征进行非线性映射；

18、基于各节点的非线性映射结果，并利用softmax函数构建节点与邻居节点之间的社区归属概率分布。

19、在本发明的一些实施例中，根据连接关系和节点属性信息，分别确定社区划分的结构目标函数和属性目标函数，包括：

20、根据各社区内部的实际边数量、各社区内节点的节点度数之和以及属性网络的边数量，确定结构目标函数；

21、在属性网络为单属性网络的情况下，根据同一社区内不同节点的属性值之间的差异，确定属性目标函数；

22、在属性网络为多属性网络的情况下，根据同一社区内不同节点的属性向量之间的余弦相似度，确定属性目标函数。

23、在本发明的一些实施例中，根据当前迭代进度，从包括全局探索策略和局部开发策略的多个搜索策略中确定目标搜索策略，包括：

24、根据当前迭代次数与最大迭代次数之间的比例，确定当前迭代阶段；

25、从当前种群对应的帕累托最优解中确定精英个体，并根据精英个体构建精英矩阵；

26、在当前迭代阶段为迭代前期的情况下，将基于布朗运动的搜索策略确定为目标搜索策略；

27、在当前迭代阶段为迭代中期的情况下，将基于布朗运动和lévy飞行的混合搜索策略确定为目标搜索策略；

28、在当前迭代阶段为迭代后期的情况下，将基于精英矩阵进行细粒度搜索的策略确定为目标搜索策略。

29、在本发明的一些实施例中，采用目标搜索策略对种群中的个体进行位置更新，包括：

30、在迭代前期，根据布朗随机向量、对应精英个体和待更新个体之间的位置关系确定移动步长，并根据移动步长更新待更新个体的位置；

31、在迭代中期，将当前种群划分为第一子种群和第二子种群，采用lévy飞行更新第一子种群中的个体位置，并采用布朗运动更新第二子种群中的个体位置；

32、在迭代后期，根据随迭代次数增加而减小的动态步长控制因子，在对应精英个体的邻域内更新待更新个体的位置。

33、在本发明的一些实施例中，在采用目标搜索策略对种群中的个体进行位置更新之后，方法还包括：

34、按照预设扰动概率对位置更新后的至少部分个体执行涡流效应扰动，涡流效应扰动包括根据个体所在连续编码空间的取值范围对个体位置进行随机重构，或者根据随机选取的两个个体之间的位置差对待扰动个体的位置进行调整。

35、在本发明的一些实施例中，基于结构目标函数和属性目标函数，从位置更新前后的个体中筛选获得下一代种群，包括：

36、将位置更新前的父代种群与位置更新后形成的子代种群合并，获得混合种群，并确定混合种群中各个个体之间的帕累托支配关系；

37、根据帕累托支配关系对混合种群进行非支配排序，获得多个非支配层；

38、按照非支配层的层级顺序，将各非支配层中的个体依次加入下一代种群；

39、在当前非支配层中的个体数量大于下一代种群的剩余容量的情况下，确定当前非支配层中各个个体的拥挤距离，并优先选取拥挤距离较大的个体加入下一代种群，直至下一代种群达到预设种群规模。

40、在本发明的一些实施例中，根据社区归属概率分布对最优解进行离散解码，获得属性网络的社区划分结果，包括：

41、针对最优解中的每一节点，从节点的邻域节点中确定与节点之间的社区归属概率最大的目标邻居节点；

42、根据各节点及其对应的目标邻居节点之间的指向关系，确定各节点的离散编码值；

43、将基于指向关系相互关联的节点划分至同一社区，获得多个社区节点集合并作为社区划分结果。

44、在本发明所提供的基于图神经网络编码的多目标属性社区发现方法中，对各所述节点的连续特征进行非线性映射，并对非线性映射结果进行概率归一化，实现引入图神经网络启发的连续编码机制，将离散组合优化转化为平滑连续空间优化，使连续优化算子能够在平滑解空间中高效搜索，提升寻优质量。另外，根据连接关系确定各节点的拓扑中心系数和聚类系数，并对拓扑中心系数和聚类系数进行融合，获得各节点的连续特征，利用各节点的连续特征生成初始种群，从而提升初始种群的质量，提高了初始种群的合理性与多样性。基于所述社区归属概率分布，并利用海洋捕食者优化算法，对结构目标函数和属性目标函数进行多目标优化，增强了跳出局部最优的能力。