CN116308856A

CN116308856A - 一种面向多层学习者关系网络的社区发现方法及装置

Info

Publication number: CN116308856A
Application number: CN202310110178.0A
Authority: CN
Inventors: 贺超波; 程俊伟; 汤庸; 陈国华
Original assignee: Guangdong Provincial Laboratory Of Artificial Intelligence And Digital Economy Guangzhou; South China Normal University
Current assignee: Guangdong Provincial Laboratory Of Artificial Intelligence And Digital Economy Guangzhou; South China Normal University
Priority date: 2023-02-10
Filing date: 2023-02-10
Publication date: 2023-06-23

Abstract

本发明公开了一种面向多层学习者关系网络的社区发现方法及装置，方法包括：构建学习者多层关系网络；对所述学习者多层关系网络中各层网络的拓扑结构进行增强处理；根据增强后的各层网络，构建基于图对比学习的社区发现模型；构建所述社区发现模型的损失函数；根据所述损失函数，对所述社区发现模型进行训练，得到目标模型；通过所述目标模型获得社区发现结果。本发明能通过多层网络模型集成多种学习者关系网络，利用图对比学习集成多层网络信息进行更为准确的社区发现，此外，本发明可以直接从网络表示矩阵提取社区划分结果，在实际应用中更为快捷有效，可广泛应用于数据处理技术领域。

Description

一种面向多层学习者关系网络的社区发现方法及装置

技术领域

本发明涉及数据处理技术领域，尤其是一种面向多层学习者关系网络的社区发现方法及装置。

背景技术

目前，在线学习服务日益流行且积累了大量学习者数据，其中包括学习者之间的各种关系网络数据，如好友关系网络、交互网络、群组网络以及选课网络等。这些关系网络都具有社区结构特征，即相同社区的学习者之间链接紧密，而不同社区的学习者之间链接稀疏。有效地发现这些社区具有重要的应用价值，例如可以识别学习兴趣小组、分析群体协作行为以及为学习者精准推送学习资源提供决策支持。

目前学习者社区发现已成为在线学习数据分析领域的重要研究问题之一，并已提出了一些解决方法，其中包括基于模块度优化的方法、基于矩阵分解的方法以及基于标签传播的方法等。总的来说，已有方法都具有一定的有效性，但普遍都主要使用一种关系网络进行社区发现，往往由于数据过于稀疏、噪声数据过多而导致社区发现准确性不高。在另外一方面，学习者之间普遍存在多种关系网络且可以构成一个多层网络(如好友关系层、互动交互层、群组层等)，且每一层关系网络都蕴含独特的语义信息及彼此之间具有很好的信息互补性，有效集成利用可以更好地进行社区发现。为此，有必要设计一种面向多层学习者关系网络的社区发现方法。

发明内容

有鉴于此，本发明实施例提供一种准确性高且快捷有效的，面向多层学习者关系网络的社区发现方法及装置。

本发明实施例的一方面提供了一种面向多层学习者关系网络的社区发现方法，包括：

构建学习者多层关系网络；

对所述学习者多层关系网络中各层网络的拓扑结构进行增强处理；

根据增强后的各层网络，构建基于图对比学习的社区发现模型；

构建所述社区发现模型的损失函数；

根据所述损失函数，对所述社区发现模型进行训练，得到目标模型；

通过所述目标模型获得社区发现结果。

可选地，所述构建学习者多层关系网络，包括：

将多层学习者关系网络形式化表示为无向图集合；

根据不同学习者在各层网络中的关联情况，对所述无向图集合中的邻接矩阵进行赋值；

根据不同学习者拥有的属性信息，对所述无向图集合中的属性矩阵进行赋值。

可选地，所述对所述学习者多层关系网络中各层网络的拓扑结构进行增强处理，包括：

对于所述学习者多层关系网络中的任一层网络，获取该层网络中各个节点的相邻节点集合；

计算任意两个节点的相邻节点集合的并集，当所述并集的个数大于预设阈值且在该层网络的邻接矩阵对应元素为0时，将该两个节点用于构建该层网络的增强图；

提取所述增强图中的极大连通子图，并按照极大连通子图的节点个数进行降序排列，通过合并多个子图的邻接矩阵来增强该层网络的拓扑结构。

可选地，所述根据增强后的各层网络，构建基于图对比学习的社区发现模型，包括：

将邻接矩阵和属性矩阵作为图卷积网络的输入，确定各层关系网络中学习者节点与社区的第一隶属强度表示矩阵；

将邻接矩阵和随机交换行向量的属性矩阵作为图卷积网络的输入，确定各层关系网络对应的负样本网络的社区的第二隶属强度表示矩阵；

通过对所述各层关系网络中学习者节点与社区的第一隶属强度表示矩阵进行均值聚合处理，得到各层关系网络的全局社区的第三隶属强度表示概要矩阵；

根据构建得到的第一隶属强度表示矩阵、第二隶属强度表示矩阵和第三隶属强度表示概要矩阵，计算全局社区隶属强度表示概要矩阵、多层关系网络共享的社区隶属强度表示矩阵以及多层关系网络对应的负样本网络共享的社区隶属强度表示矩阵，完成所述社区发现模型的构建。

可选地，所述构建所述社区发现模型的损失函数，包括：

对所述第一隶属强度表示矩阵、所述第二隶属强度表示矩阵和所述第三隶属强度表示概要矩阵进行双线性插值计算得到第一对比矩阵；

对全局社区隶属强度表示概要矩阵、多层关系网络共享的社区隶属强度表示矩阵以及多层关系网络对应的负样本网络共享的社区隶属强度表示矩阵进行双线性插值计算，得到整个多层网络的第二对比矩阵；

根据所述第一对比矩阵和所述第二对比矩阵，通过二元交叉熵公式计算对比学习的第一损失；

构建模块度最大化损失；

将所述第一损失和所述模块度最大化损失结合，得到社区发现模型的最终损失函数。

可选地，所述根据所述损失函数，对所述社区发现模型进行训练，得到目标模型，包括：

把最小化损失函数作为目标函数，利用反向传播算法更新社区发现模型中可训练的参数，直至迭代损失收敛或达到迭代次数，完成对所述社区发现模型的训练，得到目标模型。

本发明实施例的另一方面还提供了一种面向多层学习者关系网络的社区发现装置，包括：

第一模块，用于构建学习者多层关系网络；

第二模块，用于对所述学习者多层关系网络中各层网络的拓扑结构进行增强处理；

第三模块，用于根据增强后的各层网络，构建基于图对比学习的社区发现模型；

第四模块，用于构建所述社区发现模型的损失函数；

第五模块，用于根据所述损失函数，对所述社区发现模型进行训练，得到目标模型；

第六模块，用于通过所述目标模型获得社区发现结果。

本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；

所述存储器用于存储程序；

所述处理器执行所述程序实现如前面所述的方法。

本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。

本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。

本发明的实施例构建学习者多层关系网络；对所述学习者多层关系网络中各层网络的拓扑结构进行增强处理；根据增强后的各层网络，构建基于图对比学习的社区发现模型；构建所述社区发现模型的损失函数；根据所述损失函数，对所述社区发现模型进行训练，得到目标模型；通过所述目标模型获得社区发现结果。本发明能通过多层网络模型集成多种学习者关系网络，利用图对比学习集成多层网络信息进行更为准确的社区发现，此外，本发明可以直接从网络表示矩阵提取社区划分结果，在实际应用中更为快捷有效。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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为本发明实施例提供的整体步骤流程图；

图2为一个多层学习者关系网络示例，其中每一个学习者都具有属性；

图3是对多层学习者关系网络示例进行社区划分的结果示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

针对现有技术存在的问题，本发明实施例的一方面提供了一种面向多层学习者关系网络的社区发现方法，包括：

构建学习者多层关系网络；

构建所述社区发现模型的损失函数；

通过所述目标模型获得社区发现结果。

可选地，所述构建学习者多层关系网络，包括：

将多层学习者关系网络形式化表示为无向图集合；

可选地，所述构建所述社区发现模型的损失函数，包括：

构建模块度最大化损失；

第一模块，用于构建学习者多层关系网络；

第四模块，用于构建所述社区发现模型的损失函数；

第六模块，用于通过所述目标模型获得社区发现结果。

所述存储器用于存储程序；

所述处理器执行所述程序实现如前面所述的方法。

下面结合说明书附图，对本发明的具体实施过程进行详细描述：

本发明针对多层学习者关系网络的社区发现问题，提出一种基于图对比学习的方法，该方法首先通过共同邻居阈值法增强各层网络的拓扑结构，然后通过图对比学习损失和模块度最大化损失驱动的图卷积网络学习各层网络的社区表示，最后引入注意力机制集成各层网络的社区表示获得多层网络的最终社区发现结果。如图1所示，具体操作步骤如下：

步骤1：建模学习者多层关系网络

将多层学习者关系网络形式化表示为无向图集合G＝{G¹,G²,…,G^l}，其中Gⁱ＝{Aⁱ,X}表示第i层网络，Aⁱ＝[Aⁱ _uv]^n×n为第i层网络对应的邻接矩阵，如果学习者u和学习者v在第第i层网络有关联，则Aⁱ _uv＝1，反之为0；X＝[X_pq]^n×d为学习者的属性矩阵，如果学习者具有属性y_q，则X_pq＝1，反之X_pq＝0；n和d分别表示学习者数量和属性数量。

步骤2：增强各层网络的拓扑结构

对于第i层网络Gⁱ，假设学习者节点u的相邻节点集合为Neighbor(u)，学习者节点v的相邻节点集合为Neighbor(v)，如果Neighbor(u)∩Neighbor(v)的个数大于阈值ε且Aⁱ _uv＝0，则u和v可以用于构建第i层网络的增强图

其中：

提取

中的极大连通子图并按照子图的节点个数进行降序排列，通过合并其前r个子图

的邻接矩阵来增强第i层网络的拓扑结构：

其中

表示第j个子图的邻接矩阵。

步骤3：构建基于图对比学习的社区发现模型

设社区数量为k，令

表示第i层关系网络中学习者节点与社区的隶属强度表示矩阵，将相应邻接矩阵Aⁱ和属性矩阵X作为图卷积网络的输入以获得Hⁱ：

其中σ(·)为激活函数Tanh，φ(·)为激活函数ReLU，W⁽⁰⁾和W⁽¹⁾分别为图卷积网络第一层和第二层的可训练参数，

可以由以下公式获得：

其中

为

的度矩阵，I为单位矩阵。

为进行对比学习，设第i层关系网络对应的负样本网络的社区隶属强度表示矩阵为Mⁱ，可以将邻接矩阵Aⁱ和随机交换行向量的属性矩阵

作为图卷积网络的输入获得：

设第i层关系网络的全局社区隶属强度表示概要矩阵为Sⁱ＝[s_uv]^1×k，其可以通过对Hⁱ进行均值聚合获得：

其中h_n表示Hⁱ中的第n行向量。

l层关系网络共享的社区隶属强度表示矩阵Z＝[Z_uv]^n×k为：

同理，l层关系网络对应的负样本网络共享的社区隶属强度表示矩阵P＝[P_uv]^n×k为：

l层关系网络的全局社区隶属强度表示概要矩阵为E＝[E_uv]^1×k为：

其中z_i表示Z的第i行向量。

步骤4：构建社区发现模型的损失函数

对第i层关系网络的Hⁱ、Mⁱ及Sⁱ进行双线性插值计算得到对比矩阵

其中Qⁱ和Fⁱ均为可训练的参数，CONCAT为连接函数。同理，对Z、P及E进行双线性插值计算可得到整个多层网络的对比矩阵C：

C＝CONCAT(ρ(ZμE),ρ(PδE))

其中μ和δ均为可训练参数。基于

和C，可以通过二元交叉熵公式计算对比学习的损失

其中

进一步地，为令Hⁱ能更好地表示社区结构，引入模块度最大化损失：

其中，

Dⁱ为Aⁱ的度矩阵，

结合

和

可得到社区发现模型的最终损失函数：

步骤5：训练社区发现模型并获得社区发现结果

把最小化损失函数

作为目标函数，利用反向传播算法更新社区发现模型中可训练的参数，此过程可以反复迭代，当迭代损失收敛或达到迭代次数时，社区发现模型训练结束，得到最终的社区归属关系矩阵H＝[H_uv]^n×k：

其中θ_i为经过注意力机制训练获得的第i层网络社区表示矩阵的权重，通过如下公式获得：

θ_i＝tanh(HⁱW^T+B)Q^T

其中W^T、Q^T和B为可训练的参数矩阵，tanh为非线性激活函数。

最后对于任一学习者节点u，其归属的社区编号r可以通过如下公式获得：

下面以图2所示的一个多层学习者关系网络为例，对本发明具体应用场景下的实施过程进行详细描述：

步骤1：建模学习者多层关系网络：

将多层关系网络形式化表示为无向图G＝{G¹,G²}。其中A¹，A²，X可以分别表示为：

其中，n＝9，d＝5，属性集合为{软件工程，计算机科学与技术，软件1班，软件2班，计科1班}。

步骤2：增强各层网络的拓扑结构：

对于第一层网络G¹，各学习者节点的邻居分别为：

Neighbor(0)＝{1,4}

Neighbor(1)＝{0}

Neighbor(2)＝{3}

Neighbor(3)＝{2,5}

Neighbor(4)＝{2,5}

Neighbor(5)＝{3,4,6}

Neighbor(6)＝{5,8,7}

Neighbor(7)＝{6}

Neighbor(8)＝{6}

令阈值ε为1，构建

获取到

中的极大连通子图为

按照子图内节点个数进行降序排列并选择前k＝1个子图以增强第1层网络的拓扑结构：

对于G²网络，各学习者节点的邻居分别为：

Neighbor(0)＝{1,2}

Neighbor(1)＝{0,2}

Neighbor(2)＝{1}

Neighbor(3)＝{5}

Neighbor(4)＝{5}

Neighbor(5)＝{3,4}

Neighbor(6)＝{8,7}

Neighbor(7)＝{6,8}

Neighbor(8)＝{6,7}

令阈值ε为1，构建

由于

不存在连通子图，则第二层网络的拓扑结构矩阵A²不发生改变。步骤3：构建基于图对比学习的社区发现模型：

设社区数量k＝3，对于G¹网络，通过社区发现模型可计算：

S¹＝(0.880 0.612 0.588)对于G²网络，同理根据社区发现模型可计算：

S²＝(0.552 0.569 0.576)基于H¹、H²、M¹、M²可计算Z、P及E分别为：

E＝(1.021 0.704 0.693)

步骤4：构建社区发现模型的损失函数：

对于G¹网络，根据H¹、M¹、D¹进行双线性插值计算得到第1层网络的对比矩阵

对于G²网络，根据H²、M²、S²进行双线性插值计算得到第2层网络的对比矩阵

对于全局多层网络，根据Z、P及E进行双线性插值计算得到其对比矩阵C：

基于

及C可计算局部网络与全局网络的对比学习损失：

基于H¹和H²，可计算模块度最大化损失为:

结合

和

可计算社区发现模型总的损失为：

步骤5：训练社区发现模型并获得社区发现结果：

通过损失值

利用反向传播算法更新社区发现模型中可训练的参数，此过程可以反复迭代，当迭代损失收敛或达到迭代次数时，社区发现模型训练结束，可输出最终的社区隶属强度表示矩阵：

根据H可通过取每一行最大元素值对应的列号作为相应学习者节点的社区编号。例如，对于学习者节点0对应的H第1行元素，最大值0.941对应的列号为1，那么节点0划分到社区1。以此类推，可以获得如图3所示的社区划分结果：社区1＝{0,1,2}、社区2＝{3,4,5}和社区3＝{6,7,8}。

综上所述，与现有学习者社区发现方法相比，本发明的有益效果在于：能通过多层网络模型集成多种学习者关系网络，利用图对比学习集成多层网络信息进行更为准确的社区发现。此外，通过模块度最大化驱动社区发现模型的训练，提供了一种端到端的社区发现解决方案，可以直接从网络表示矩阵提取社区划分结果，在实际应用中更为快捷有效。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-On ly Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims

1.一种面向多层学习者关系网络的社区发现方法，其特征在于，包括：

构建学习者多层关系网络；

构建所述社区发现模型的损失函数；

通过所述目标模型获得社区发现结果。

2.根据权利要求1所述的一种面向多层学习者关系网络的社区发现方法，其特征在于，所述构建学习者多层关系网络，包括：

将多层学习者关系网络形式化表示为无向图集合；

3.根据权利要求1所述的一种面向多层学习者关系网络的社区发现方法，其特征在于，所述对所述学习者多层关系网络中各层网络的拓扑结构进行增强处理，包括：

4.根据权利要求1所述的一种面向多层学习者关系网络的社区发现方法，其特征在于，所述根据增强后的各层网络，构建基于图对比学习的社区发现模型，包括：

5.根据权利要求4所述的一种面向多层学习者关系网络的社区发现方法，其特征在于，所述构建所述社区发现模型的损失函数，包括：

构建模块度最大化损失；

6.根据权利要求1所述的一种面向多层学习者关系网络的社区发现方法，其特征在于，所述根据所述损失函数，对所述社区发现模型进行训练，得到目标模型，包括：

7.一种面向多层学习者关系网络的社区发现装置，其特征在于，包括：

第一模块，用于构建学习者多层关系网络；

第四模块，用于构建所述社区发现模型的损失函数；

第六模块，用于通过所述目标模型获得社区发现结果。

8.一种电子设备，其特征在于，包括处理器以及存储器；

所述存储器用于存储程序；

所述处理器执行所述程序实现如权利要求1至6中任一项所述的方法。

9.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至6中任一项所述的方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。