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：河南大学

摘要：本发明涉及社区检测技术领域，具体涉及一种基于动态多尺度特征融合网络的社区检测方法，该方法包括：获取待社区检测数据集；对待社区检测数据集进行预处理，得到目标检测数据特征；根据目标检测数据特征和训练完成的社区检测网络模型，对待社区检测数据集中的待社区检测数据进行聚类，生成聚类结果信息。本发明采用动态多尺度特征融合网络，利用两个模块TDCN‑M和TDCNS能动态捕捉结点信息，可以应用于动态且复杂的社区检测领域中，可以提高社区检测的精准度。

主权项：1.一种基于动态多尺度特征融合网络的社区检测方法，其特征在于，包括以下步骤：获取待社区检测数据集；对所述待社区检测数据集进行预处理，得到目标检测数据特征；根据所述目标检测数据特征和训练完成的社区检测网络模型，对所述待社区检测数据集中的待社区检测数据进行聚类，生成聚类结果信息；所述社区检测网络模型的训练过程，包括：构建社区检测网络模型；获取样本社区检测数据集组，其中，所述样本社区检测数据集组中的样本社区检测数据集对应的数据特征为样本数据类集合；对所述样本社区检测数据集组中的每个样本社区检测数据集进行预处理，得到所述样本社区检测数据集对应的样本数据特征；利用所述样本社区检测数据集组中的各个样本社区检测数据集对应的样本数据特征和数据特征，对社区检测网络模型进行训练，得到训练完成的社区检测网络模型；所述社区检测网络模型包括多个同一尺度下混合网络模块和一个多尺度结点信息融合以及一个自监督网络；所述利用所述样本社区检测数据集组中的各个样本社区检测数据集对应的样本数据特征和数据特征，对社区检测网络模型进行训练，得到训练完成的社区检测网络模型，包括：利用所述样本社区检测数据集组中的各个样本社区检测数据集对应的样本数据特征和数据特征，对同一尺度下混合网络模块的结点特征进行学习和融合，并且进行多尺度结点信息融合，确定自监督网络训练损失函数，进一步得到训练完成的社区检测网络模型；所述对同一尺度下混合网络模块的结点特征进行学习和融合，包括：将样本数据特征分别输入两个深度学习网络，将这两个深度学习网络学习到的特征以动态注意力机制进行融合，最终与数据的结构信息做进一步特征提取；所述将样本数据特征分别输入两个深度学习网络，将这两个深度学习网络学习到的特征以动态注意力机制进行融合，最终与数据的结构信息做进一步特征提取，包括：利用自编码网络进行特征学习；利用Transformer网络，对数据特征表示学习，其中，Transformer网络包含三个模块：数据输入模块、编码模块和基于任务的多层感知机模块，数据输入模块包含一个线性层，编码模块包含自注意力层、前馈网络层和残差连接层，基于任务的多层感知机模块包含多个线性层和多个非线性层；利用自编码网络和Transformer网络进行动态混合学习表示数据信息，并且通过自注意力机制求解权重，将权重加权到对应网络，再融入数据的结构特征，最终学习到数据的信息；将样本数据特征输入第一预设数目层自编码网络，得到每一层自编码网络的特征对应的公式为： 其中，Hl是第l层自编码网络的特征；Hl-1是第l-1层自编码网络的特征；l的取值范围为{1，2，3，…，M}；M是第一预设数目；当l＝1时，H0为样本数据特征；σ是非线性激活函数；W1l和是自编码模型中第l层的学习参数；利用Transformer网络，对数据特征表示学习，其中，Transformer网络主要包含三个模块：数据输入模块、编码模块、基于任务的多层感知机模块；数据输入模块主要包含一个线性层；编码模块包含自注意力层、前馈网络层和残差连接层；基于任务的多层感知机模块包含多个线性层和多个非线性层，具体实现方式包括以下步骤：数据输入模块对输入数据表示学习包括：将第l-1个Transformer网络输入的结点特征记作其中，第一个Transformer网络输入的结点特征为样本数据特征；将传入神经网络线性层，其计算公式为： 其中，和是第l个Transformer网络的学习参数；编码模块对数据输入模块处理后的数据做进一步处理包括：传入的数据特征表示经过K个编码模块，产生新的数据表示以便输入到多层感知机模块；其中，K为第三预设数目；单个编码模块的公式为： 其中，p的取值范围为{1，2，3，…，K}；MLP对数据进行进一步处理包括：经编码模块处理后的数据特征输入到MLP中，获取新的数据表示；单个MLP的公式为： 其中，MLP是多层感知机；和是第p个MLP的学习参数；自编码网络和Transformer网络通过自注意力机制求解权重，将权重加权到对应网络，再融入数据的结构特征，最终学习到数据的信息，具体实现方式包括以下步骤：计算出两个网络各自所属的权重对应的公式为： 其中，a是训练过程中可学习的参数；l2是L2-Norm；L2是归一化；是第l个Transformer网络学习到的特征；Hl是第l个自编码网络AE的输出；是神经网络可学习的参数；Ψl是2d×2维度，其中，d是混合网络输出的维度；将计算出的权重Ψl，运用到对应网络的输出，其计算方式为： 其中，⊙是哈达玛积运算；ψl,1是矩阵Ψl的第一列；ψl,2是矩阵Ψl的第二列；混合网络模块的结点特征的最终计算包括：将数据的邻接矩阵融入学习到的特征，得到新的数据特征信息，作为下一个混合网络模块的输入，其计算公式为： 其中，是第l层学习到的特征；是归一化邻接矩阵；Transformer表示是以括号内的形式输入到Transformer网络中。

全文数据：

权利要求：

百度查询： 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