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

技术特征：
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。2.根据权利要求1所述的方法，其特征在于，所述对原始图数据样本进行随机游走，得到优化邻接矩阵，包括：针对原始图数据样本中的每个节点，以节点为起点进行k步随机游走，并且重复m次，得到随机游走矩阵；所述随机游走矩阵中的元素是根据游走时是否经过预设节点的信息确定的；根据所述随机游走矩阵，计算平均游走矩阵；所述平均游走矩阵表示随机游走时到达预设节点的平均次数；根据所述平均游走矩阵，得到优化邻接矩阵。3.根据权利要求1所述的方法，其特征在于，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：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，z
(l-1)
表示上一层网络输出，z
(0)
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，d
(l)
表示第l层隐层表示的维度。4.根据权利要求3所述的方法，其特征在于，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，g
(l)
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：为：其中，z
(l)
表示结构编码信息。5.根据权利要求1所述的方法，其特征在于，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，包括：对所述节点特征编码信息和所述结构编码信息进行融合，得到融合编码信息为：z
i
＝αz
ae
(1-α)z
tgae
，其中，α为可学习的参数，用于平衡两个表示的重要程度，表示融合编码信息，z
ae
表示节点特征编码信息，z
tgae
表示结构编码信息。6.根据权利要求1至5任一项所述的方法，其特征在于，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，q
ij
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u
j
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≤p
ij
≤1是生成的目标分布p∈r
n
×
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。7.根据权利要求1至5任一项所述的方法，其特征在于，所述损失函数包括：第一重构损失、第二重构损失以及聚类损失；所述第一重构损失为：其中，为重构节点特征矩阵；所述第二重构损失为：其中，γ为预定义超参数，表示重构的加权节点特征矩阵和表示重构的邻接矩阵；所述聚类损失为：其中，q’，q”分别表示所述节点特征编码信息z
ae
和所述结构编码信息z
tgae
对应的软分配矩阵。8.一种基于多阶邻居信息传递融合聚类网络的图聚类装置，其特征在于，所述装置包括：预处理模块，用于对原始图结构进行随机游走，得到优化邻接矩阵；网络构建模块，用于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；融合模块，用于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；软分配矩阵和目标分布矩阵构建模块，用于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；聚类模块，用于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进行k-means聚类。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
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。能够提高聚类效果。能够提高聚类效果。


技术研发人员：周思航 龚磊 涂文轩 刘新旺 熊玉朋 张伦 郭瑞斌
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：2022.05.10
技术公布日：2022/7/26