JP2019040285A - 情報処理装置およびプログラム - Google Patents
情報処理装置およびプログラム Download PDFInfo
- Publication number
- JP2019040285A JP2019040285A JP2017160048A JP2017160048A JP2019040285A JP 2019040285 A JP2019040285 A JP 2019040285A JP 2017160048 A JP2017160048 A JP 2017160048A JP 2017160048 A JP2017160048 A JP 2017160048A JP 2019040285 A JP2019040285 A JP 2019040285A
- Authority
- JP
- Japan
- Prior art keywords
- layer
- extraction
- community
- probability
- constraint
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
【課題】複数層のネットワークであり、一部または全部のノードが各層に共通して含まれるネットワークにおいて、ある層でコミュニティ抽出を行う際に他の層のコミュニティ構造を反映したコミュニティ抽出を行う。【解決手段】制御部10は、少なくとも一部のノードが各層に共通して含まれる多層ネットワークにおいて、制約層における共有ノードのコミュニティへの第1所属確率を算出する。制御部10は、抽出層の各ノードのコミュニティへの所属確率についての確率モデルの評価式であり、第1所属確率と抽出層における共有ノードのコミュニティへの所属確率を加えた評価式の値を最大化する第2所属確率の算出結果によりコミュニティ抽出を行う。【選択図】図1
Description
本発明は、情報処理装置およびプログラムに関する。
マルチレイヤー構造を有する要素集合グラフに対してクラスタリングを行う発明として、例えば特許文献1に開示された要素集団抽出システムがある。このシステムは、マルチレイヤー構造を有する要素集合グラフにおいて、ノードのクラスタリングを行う層の順位を決定し、クラスタリングを行う層に属するノードを対象としてクラスタを抽出する。そして、ある層におけるクラスタと、そのクラスタを構成するノードとの層間のエッジでリンクされる下位の層のノードから構成されるクラスタとを一つの集団として抽出する。
複数層のネットワークであり、一部または全部のノードが各層に共通して含まれるネットワークにおいて、ある層のコミュニティ構造に依存する特徴を持つ別の層のコミュニティを抽出する場合、ある層のコミュニティ構造を無視した構造でコミュニティ抽出が行われてしまうことがある。
本発明は、複数層のネットワークであり、一部または全部のノードが各層に共通して含まれるネットワークにおいて、ある層でコミュニティ抽出を行う際に他の層のコミュニティ構造を反映したコミュニティ抽出を行うことを目的とする。
本発明の請求項1に係る情報処理装置は、多層ネットワークにおいて、制約層における共有ノードのコミュニティへの第1所属確率を算出する算出手段と、抽出層の各ノードのコミュニティへの所属確率についての確率モデルの評価式であり、前記第1所属確率と前記抽出層における共有ノードのコミュニティへの第2所属確率を加えた評価式の値を最大化する前記第2所属確率の算出結果により前記抽出層のコミュニティ抽出を行う抽出手段とを備える。
本発明の請求項2に係る情報処理装置は、前記制約層が複数である。
本発明の請求項3に係る情報処理装置においては、複数の前記制約層の各々は、他の制約層に対して共有ノード以外のノードの属性が異なる。
本発明の請求項4に係る情報処理装置においては、前記抽出層は、時間の経過により変化した層であり、複数の前記制約層は、時間軸上で前記抽出層より過去または未来の時点の層である。
本発明の請求項5に係る情報処理装置においては、複数の前記制約層の各々が重みを有し、前記抽出手段は、前記重みを含めて前記第2所属確率を算出する。
本発明の請求項6に係る情報処理装置においては、前記共有ノードが複数であり、複数の前記共有ノードの各々が重みを有し、前記抽出手段は、前記重みを含めて前記第2所属確率を算出する。
本発明の請求項7に係る情報処理装置においては、前記多層ネットワークは、前記制約層に対する共有ノードと前記抽出層に対する共有ノードとが異なる中間層を有し、前記抽出手段は、当該中間層を介して前記第2所属確率を算出する。
本発明の請求項8に係る情報処理装置は、前記抽出手段の抽出結果から複数の前記制約層の各々と前記抽出層との関連性を算出する算出手段を有する。
本発明の請求項9に係る情報処理装置は、複数の前記制約層の各々が重みを有し、前記抽出手段は、前記重みを含めて前記第2所属確率を算出し、前記重みを前記算出手段の算出結果に応じて設定する。
本発明の請求項10に係るプログラムは、コンピュータを、多層ネットワークにおいて、制約層における共有ノードのコミュニティへの第1所属確率を算出する算出手段と、抽出層の各ノードのコミュニティへの所属確率についての確率モデルの評価式であり、前記第1所属確率と前記抽出層における共有ノードのコミュニティへの第2所属確率を加えた評価式の値を最大化する前記第2所属確率の算出結果により前記抽出層のコミュニティ抽出を行う抽出手段として機能させるためのプログラムである。
本発明の請求項1に係る情報処理装置によれば、複数層のネットワークであり、一部または全部のノードが各層に共通して含まれるネットワークにおいて、ある層でコミュニティ抽出を行う際に他の層のコミュニティ構造を反映したコミュニティ抽出を行うことができる。
本発明の請求項2に係る情報処理装置によれば、ある層でコミュニティ抽出を行う際に他の複数層のコミュニティ構造を反映したコミュニティ抽出を行うことができる。
本発明の請求項3に係る情報処理装置によれば、多様な複数の制約層を基に抽出層のコミュニティ抽出を行うことができる。
本発明の請求項4に係る情報処理装置によれば、時間の経過で変化したネットワークについて、抽出層から見て過去または未来のコミュニティの抽出結果を基にコミュニティの抽出を行うことができる。
本発明の請求項5に係る情報処理装置によれば、抽出層とより関連する制約層におけるコミュニティの抽出結果を反映して抽出層のコミュニティを抽出することができる。
本発明の請求項6に係る情報処理装置によれば、共有ノードの重みを反映して抽出層のコミュニティを抽出することができる。
本発明の請求項7に係る情報処理装置によれば、制約層と抽出層との間で共有ノードがなくとも、制約層におけるコミュニティの抽出結果を反映して抽出層でコミュニティを抽出することができる。
本発明の請求項8に係る情報処理装置によれば、制約層と抽出層の関連を知ることができる。
本発明の請求項9に係る情報処理装置によれば、抽出層により関連した制約層におけるコミュニティの抽出結果を反映して抽出層でコミュニティを抽出することができる。
本発明の請求項10に係るプログラムによれば、複数層のネットワークであり、一部または全部のノードが各層に共通して含まれるネットワークにおいて、ある層でコミュニティ抽出を行う際に他の層のコミュニティ構造を反映したコミュニティ抽出を行うことができる。
本発明の請求項2に係る情報処理装置によれば、ある層でコミュニティ抽出を行う際に他の複数層のコミュニティ構造を反映したコミュニティ抽出を行うことができる。
本発明の請求項3に係る情報処理装置によれば、多様な複数の制約層を基に抽出層のコミュニティ抽出を行うことができる。
本発明の請求項4に係る情報処理装置によれば、時間の経過で変化したネットワークについて、抽出層から見て過去または未来のコミュニティの抽出結果を基にコミュニティの抽出を行うことができる。
本発明の請求項5に係る情報処理装置によれば、抽出層とより関連する制約層におけるコミュニティの抽出結果を反映して抽出層のコミュニティを抽出することができる。
本発明の請求項6に係る情報処理装置によれば、共有ノードの重みを反映して抽出層のコミュニティを抽出することができる。
本発明の請求項7に係る情報処理装置によれば、制約層と抽出層との間で共有ノードがなくとも、制約層におけるコミュニティの抽出結果を反映して抽出層でコミュニティを抽出することができる。
本発明の請求項8に係る情報処理装置によれば、制約層と抽出層の関連を知ることができる。
本発明の請求項9に係る情報処理装置によれば、抽出層により関連した制約層におけるコミュニティの抽出結果を反映して抽出層でコミュニティを抽出することができる。
本発明の請求項10に係るプログラムによれば、複数層のネットワークであり、一部または全部のノードが各層に共通して含まれるネットワークにおいて、ある層でコミュニティ抽出を行う際に他の層のコミュニティ構造を反映したコミュニティ抽出を行うことができる。
[実施形態]
図1は、本発明に係る情報処理装置1の構成の一例を示した図である。情報処理装置1は、コンピュータ装置であり、制御部10、記憶部11、操作部12、表示部13および通信部14を備える。
図1は、本発明に係る情報処理装置1の構成の一例を示した図である。情報処理装置1は、コンピュータ装置であり、制御部10、記憶部11、操作部12、表示部13および通信部14を備える。
通信部14は、通信回線に接続されており、他のコンピュータ装置と通信を行う通信インターフェースの機能を有する。表示部13は、ディスプレイ装置であり、制御部10が行った処理の結果を表示する。操作部12は、例えば情報処理装置1を操作するためのキーボードやマウス等である。
記憶部11は、データを永続的に記憶する記憶装置を含み、ネットワークデータを記憶する。ネットワークデータは、一部または全部のノードが各層に共通して含まれる多層ネットワーク(図2)を表すデータである。ネットワークデータは、層の集合{l1,l2,・・・,ll,・・・,lL}を持ち、各層llはノードの集合{nl1,nl2,・・・,nln,・・・,nlN}とリンクの集合{el1,el2,・・・,ele,・・・,elE}で表され、各リンクeleは同じ層に含まれるノードペア{nlm,nln}で表される。
例えば、図2の層l1と層l2おいては、丸形のノードは人を表している。また、層l1においては、三角形のノードは映画のタイトルを表しており、層l2においては、四角形のノードはドラマのタイトルを表している。また、図2のリンクは、層l1においては、各人の映画の視聴履歴を表し、層l2においては、各人のドラマの視聴履歴を表している。
また、記憶部11は、制御部10が実行するプログラムを記憶する。記憶部11に記憶されるプログラムは、通信部14により電気通信回線を介して取得したものや、コンピュータ読み取り可能な記録媒体から取得したものであってもよい。記憶部11が記憶するプログラムは、多層ネットワークにおいてコミュニティ抽出を行うプログラムであり、本実施形態においては、ある層で他の層のコミュニティ構造を反映してコミュニティ抽出を行う。以下の説明においては、例えば、図2に例示したように、層l1のコミュニティk´の構造を反映して層l2でコミュニティ抽出を行う場合、コミュニティ構造の反映の基となる層l1を制約層と称し、コミュニティの抽出が行われる層l2を抽出層と称する。また、制約層と抽出層の両方に含まれるノード、即ち、人を表す丸形のノードを共有ノードと称する。
制御部10は、CPU(Central Processing Unit)とRAM(Random Access Memory)を備えており、記憶部11に記憶されているプログラムを実行する。記憶部11に記憶されているプログラムを制御部10が実行すると、取得部101、算出部102、および抽出部103が実現し、多層ネットワークにおいてコミュニティ抽出を行う機能が実現する。
取得部101は、ネットワークデータを記憶部11から取得する。算出部102は、取得したネットワークデータを用いて、制約層における共有ノードnsのコミュニティk´への所属確率P(ns|k´)を算出する。抽出部103は、算出部102の算出結果と、ネットワークデータを用いて抽出層でコミュニティ抽出を行う際に制約層のコミュニティ構造を反映したコミュニティ抽出を行う。
制御部10が抽出層についてコミュニティ抽出を行う方法としては、例えば、各ノードのコミュニティ所属確率についての確率モデルを与え、確率モデルの評価式Q(例えば尤度や事後確率)を最大化することでデータに合うコミュニティ所属確率を得る方法を採用している。この方法としては、例えば、本願の出願人に係る特開2016−29526号公報に記載された方法がある。
本実施形態においては、特開2016−29526号公報に記載された評価式Qに対して、制約層における共有ノードnsのコミュニティk´への所属確率P(ns|k´)と、抽出層における共有ノードnsのコミュニティkへの所属確率P(ns|k)とのKLD(Kullback-Leibler Divergence)を制約項として加えた評価式Q´を求めた。所属確率P(ns|k´)は、本発明に係る第1所属確率の一例であり、所属確率p(ns|k)は、本発明に係る第2所属確率の一例である。
上記の式においてP(ns|k´)とp(ns|k)とのKLDとして加えられた制約項は、数2で示した項である。λはKLDによる制約の強さを決めるパラメータであり、ベクトルc(k)は、抽出層のコミュニティkが、どの制約層のコミュニティk´から制約を受けるかを決めるone-hotベクトルである。本実施形態においては、ベクトルc(k)は、x番目の要素をベクトルc(k) xとすると、x≡k mod K´のときにベクトルc(k) x=1となり、それ以外のときにベクトルc(k) x=0となる。
本実施形態では、評価式Q´を最大化するためにEMアルゴリズムを採用し、EMアルゴリズムの更新式として数3に示した(1)〜(4)の式を得た。
kは抽出層のコミュニティの識別子、Kは抽出層のコミュニティの数、k´は制約層のコミュニティの識別子、K´は制約層のコミュニティの数である。また、nsは共有ノードの識別子、n-sは抽出層における共有ノード以外のノードの識別子、Sは共有ノードの集合、λは、KLDによる制約の強さを決めるパラメータである。割合γt (d)(k)は、複数のコミュニティ全体に対してコミュニティkが占める割合を表す。所属確率Pt(ns|k)は、抽出層のコミュニティについて、共有ノードがコミュニティに分類される割合を表す。所属確率Pt(n-s|k)は、抽出層のコミュニティについて、共有ノード以外のノードがコミュニティに分類される割合を表す。重要度πt(k)は、抽出層のコミュニティkの重要度を表す。他のパラメータについては、本出願人に係る特開2016−29526号公報を参照されたい。
次に、数3で示した式により抽出層においてコミュニティ抽出を行う処理の流れについて説明する。図3は、制御部10が、抽出層においてコミュニティ抽出を行う処理の流れを示したフローチャートである。まず制御部10(算出部102)は、予め定められた方法で、ネットワークデータから制約層における共有ノードnsのコミュニティk´への所属確率P(ns|k´)を算出する(ステップSA1)。所属確率P(ns|k´)を算出する方法としては、例えば、Louvain法やInfoMap法などの周知の方法がある。
制御部10(抽出部103)は、ステップSA1の処理を終えると、パラメータを決定する(ステップSA2)。ここで制御部10は、λとベクトルc(k)を決定する。本実施形態においては、λ=K/K´とする。
次に制御部10(抽出部103)は、ネットワークデータが表すネットワークのノード間をランダムに遷移する場合における定常確率分布pst(n)を算出する(ステップSA3)。ここで制御部10は、例えば周知のアルゴリズムであるPagerankのアルゴリズムによって定常確率分布pst(n)を算出する。
次に制御部10(抽出部103)は、複数のノード間を複数のリンクに沿ってランダムに遷移する場合に通過するノードを示す複数の通過情報τn (d)を生成する(ステップSA4)。本実施形態では、制御部10は、通過情報について、ステップSA3で算出した定常確率分布pst(n)に従って選出されたノード[n]についてτn (d)=1、かつ、ノード[n]を起点としてノード[m]に遷移する確率を与える遷移確率行列Tnmに従って選出されたノード[m]についてτm (d)=1として生成し、このようなN次元ベクトルを、D回生成する。通過情報τn (d)は、Σnτn (d)=2を満たす量である。通過情報τn (d)は、仮想エージェントがノード間をリンクに沿ってランダムに遷移する場合に、仮想エージェントをノード[n]とノード[m]とを結ぶリンク上に見出す場合を表している。遷移確率行列Tnmはネットワーク内のノードmからノードnへリンクを辿ってエージェントが遷移(ランダムウォーク)する確率を行列として表したものである。遷移確率行列は、ネットワークデータに含まれていてもよく、また、ネットワークデータから生成してもよい。遷移確率行列Tnmについては、例えば、特開2016−29526号公報も参照されたい。
次に制御部10(抽出部103)は、EMアルゴリズムの繰り返し計算を開始するにあたり、所属確率Pt(ns|k)の初期値であるp0(ns|k)と、重要度πt(k)の初期値であるπ0(k)を決定する(ステップSA5)。ここでは、Σnp0(ns|k)=1、Σkπ0(k)=1を満たす値を与えるものとする。p0(ns|k)は、k=1〜Kのコミュニティについて、n=1〜Nのノードが分類される割合を示すものであるから、仮決めではK×N−1個の正の実数を与えることになる。なお、−1はΣnp0(ns|k)=1の条件による。また、π0(k)は、k=1〜Kに分類されたネットワークのコミュニティについて、重要度を示すものであるから、仮決めではK−1個の正の実数を与えることになる。
次に制御部10(抽出部103)は、EMアルゴリズムの繰り返し計算の回数をカウントするカウンタgの値を初期化する(ステップSA6)。制御部10(抽出部103)は、カウンタgの値を初期化すると、数3の(1)の式により、割合γt (d)(k)を算出する(ステップSA7)。このステップは、EMアルゴリズムのEステップに相当する。ここで、tは正の整数であり、逐次計算の回数を表す。γt (d)(k)は、繰り返し計算における一つ前の計算により得られるpt−1(n|k)およびπt−1(k)より算出される。ステップSA5の後に行われる第一回目の計算では、p0(n|k)およびπ0(k)を用いてγt (d)(k)を求めることになる。
次に制御部10(抽出部103)は、数3の(2)〜(4)の式により、所属確率Pt(ns|k)、所属確率Pt(n-s|k)および重要度πt(k)を算出する(ステップSA8)。このステップは、EMアルゴリズムのMステップに相当する。所属確率Pt(ns|k)、所属確率Pt(n-s|k)および重要度πt(k)は、繰り返し計算における一つ前の計算により得られるpt−1(ns|k)およびγt−1 (d)(k)より算出される。ステップSA5の後に行われる第一回目の計算では、p0(n|k)およびステップSA7で得られたγt (d)(k)を用いて求めることとなる。
また、αは予め設定されているまたは記憶部11に記憶された粒度αであり、正の実数である。粒度αは、情報処理装置1によってネットワークデータをソフトクラスタリングする場合に、クラスタの大きさを定めるパラメータである。本実施形態では、粒度αは、αが0に近付くほど分解の粒度が細かくなり、αが無限大に近付くほど分解の粒度が粗くなるパラメータである。
制御部10(抽出部103)は、ステップSA8の処理を終えると、Pt−1(n|k)とπt−1(k)を更新する(ステップSA9)。具体的には、制御部10は、Pt−1(n|k)=Pt(n|k)とし、πt−1(k)=πt(k)とする。
次に制御部10(抽出部103)は、カウンタgの値をインクリメントし(ステップSA10)、カウンタgの値が予め定められた値G以上であるか判断する(ステップSA11)。制御部10(抽出部103)は、カウンタgの値が値G未満である場合(ステップSA11でNO)、処理の流れをステップSA7へ移し、ステップSA7〜ステップSA10の処理を繰り返す。
制御部10(抽出部103)は、カウンタgの値が値G以上である場合(ステップSA11でYES)、所属確率P(ns|k)、所属確率P(n-s|k)および重要度πkを決定する(ステップSA12)。ここで制御部10は、繰り返し計算の最後に得られた所属確率Pt(ns|k)を、抽出層のコミュニティにおいて共有ノードnsがコミュニティに分類される所属確率P(ns|k)とし、Pt(n-s|k)を、抽出層のコミュニティにおいて共有ノード以外のノードn-sがコミュニティに分類される所属確率P(n-s|k)とし、πt(k)を、抽出層のコミュニティkの重要度πkとし、所属確率P(ns|k)、所属確率P(n-s|k)およびπkをコミュニティの抽出結果として得る。
なお、ノードn(nsまたはn−s)が紐づくコミュニティの集合をKnとすると、数4の式によりコミュニティの抽出結果からコミュニティに関連する代表的なノードを知ることができる。また、数5の式により、各ノードがどのコミュニティに属するかを知ることができる。
[変形例]
以上、本発明の実施形態について説明したが、本発明は上述した実施形態に限定されることなく、他の様々な形態で実施可能である。例えば、上述の実施形態を以下のように変形して本発明を実施してもよい。なお、上述した実施形態および以下の変形例は、各々を組み合わせてもよい。
以上、本発明の実施形態について説明したが、本発明は上述した実施形態に限定されることなく、他の様々な形態で実施可能である。例えば、上述の実施形態を以下のように変形して本発明を実施してもよい。なお、上述した実施形態および以下の変形例は、各々を組み合わせてもよい。
上述した実施形態においては、制約層が一つの場合に抽出層からコミュニティ抽出を行う構成について説明したが、複数の制約層のコミュニティ構造を反映して抽出層からコミュニティ抽出を行ってもよい。例えば、図4に例示したように、層l1から層lAまでの複数(A枚)の制約層のコミュニティ構造を反映して抽出層lA+1からコミュニティ抽出を行う場合、評価式Q´は、数6に示した式となる。
また、複数(A枚)の制約層のコミュニティ構造を反映して抽出層からコミュニティ抽出を行う場合、EMアルゴリズムの更新式として数7の式を得る。
制御部10は、複数の制約層のコミュニティ構造を反映して抽出層からコミュニティ抽出を行う場合、ステップSA7においては、数3の(1)の式に替えて、数7の(1)の式で割合γt (d)(k)を算出する。また、制御部10は、複数の制約層のコミュニティ構造を反映して抽出層からコミュニティ抽出を行う場合、ステップSA8において、数3の(2)〜(4)に替えて、数7の(2)〜(4)の式で所属確率Pt(ns|k)、所属確率Pt(n-s|k)および重要度πt(k)を算出する。
また、上述したように制約層が複数である場合、抽出層と各制約層との関連性に応じて制約層毎に重みを付与し、制約層に付与した重みを反映して抽出層におけるコミュニティ抽出を行ってもよい。例えば、図5に示したように、層l1の制約層には重みw1、層l2の制約層には重みw2、・・・層l1から数えてA番目の層lAの制約層には重みwAを付与する。各制約層に付与する重みについては、情報処理装置1の操作者が任意に設定してもよい。各制約層に重みを付与し、層l1から層lAまでの複数(A枚)の制約層のコミュニティ構造と各制約層の重みを反映して抽出層lA+1からコミュニティ抽出を行う場合、評価式Q´は、数8に示した式となる。
また、層l1から層l1Aまでの複数(A枚)の制約層のコミュニティ構造と各制約層の重みを反映して抽出層lA+1からコミュニティ抽出を行う場合、EMアルゴリズムの更新式として数9の式を得る。
上記数8の式は、制約層に付与した重みwaが付加されている点が数6の式と相違している。また、上記数9の式は、制約層に付与した重みwaが付加されている点が数7の式と相違している。
制御部10は、重みが付与された複数の制約層のコミュニティ構造を反映して抽出層からコミュニティ抽出を行う場合、ステップSA7においては、数3の(1)の式に替えて、数9の(1)の式で割合γt (d)(k)を算出する。また、制御部10は、複数の制約層のコミュニティ構造を反映して抽出層からコミュニティ抽出を行う場合、ステップSA8において、数3の(2)〜(4)に替えて、数9の(2)〜(4)の式で所属確率Pt(ns|k)、所属確率Pt(n-s|k)および重要度πt(k)を算出する。
上述した実施形態においては、抽出層に対して共有ノードがある制約層について、制約層のコミュニティ構造を反映して抽出層のコミュニティを抽出しているが、制約層と抽出層との間で共有ノードがない状態であっても、抽出層のコミュニティ抽出を行ってもよい。例えば、図6に例示したように、制約層と中間層との間で丸形のノードが共有ノードであり、中間層と抽出層との間で五角形のノードが共有ノードであって、制約層と抽出層との間に共有ノードがない場合を想定する。この場合、制約層と抽出層のそれぞれに共有ノードを持つ中間層を介してコミュニティ抽出を行うことで、制約層の影響を受けた状態で抽出層からコミュニティ抽出を行うことができる。
本発明においては、時間の経過によって、共有ノード以外のノードが変化するネットワークデータについて、ある時点のネットワークを抽出層とし、ある時点より前または後の複数の時点のネットワークを制約層とし、制約層におけるコミュニティの抽出結果を反映して抽出層においてコミュニティ抽出を行ってもよい。例えば、図7に例示したように、時点tAのときのネットワークを抽出層lAとし、時点t1のときのネットワークと時点t2のときのネットワークを制約層とする場合を想定する。このようなネットワークの一例としては、例えば、組織内の人と、所属する部署のネットワークがあり、共有ノードが人となり、共有ノードにリンクするノードは例えば部署名となる。この場合、時点t1の制約層l1と時点t2の制約層l2とに重みwaを付与する。重みwaは、数10の式または数11の式により値を定める。そして、重みwaの項を含む数9の式により、抽出層においてコミュニティ抽出を行う。数10の式によれば、重みwaは時間軸上で抽出層lAから制約層までの時間が長くなるにつれて線形減衰し、数11の式によれば、重みwaは時間軸上で抽出層lAから制約層までの時間が長くなるにつれて指数減衰する。
本発明においては、制約層のコミュニティ構造を反映して抽出層でコミュニティ抽出を行う場合、複数の共有ノード毎に重みを付与し、共有ノードに付与した重みを反映して抽出層におけるコミュニティ抽出を行ってもよい。例えば、図8に示したように、氏名がyamadaである共有ノードについて重みwn1、氏名がtanakaである共有ノードについて重みwn2、氏名がtanakaである共有ノードについて重みwn3を付与する。各共有ノードに付与する重みについては、情報処理装置1の操作者が任意に設定してもよく、また、共有ノード毎に抽出層におけるリンク数の逆数を設定してもよい。共有ノード毎の重みを反映して抽出層からコミュニティ抽出を行う場合、評価式Q´は、数12に示した式となる。
また、共有ノードの重みを反映して抽出層からコミュニティ抽出を行う場合、EMアルゴリズムの更新式として数13の式を得る。
上記数12の式は、共有ノードに付与した重みwnsが付加されている点が数1の式と相違している。また、上記数13の式は、制約層に付与した重みwnsが付加されている点が数3の式と相違している。
制御部10は、共有ノードの重みを反映して抽出層からコミュニティ抽出を行う場合、ステップSA7においては、数3の(1)の式に替えて、数13の(1)の式で割合γt (d)(k)を算出する。また、制御部10は、共有ノードの重みを反映して抽出層からコミュニティ抽出を行う場合、ステップSA8において、数3の(2)〜(4)に替えて、数13の(2)〜(4)の式で所属確率Pt(ns|k)、所属確率Pt(n-s|k)および重要度πt(k)を算出する。
本発明においては、複数の制約層のコミュニティ構造を反映して抽出層からコミュニティ抽出を行った後、コミュニティの抽出結果から制約層毎に抽出層との関連性d1を例えば数14の式により求めてもよい。
数14の式において、所属確率P(ns|k1)は、関連性を求める制約層における共有ノードnsのコミュニティk1への所属確率を表す。所属確率P(ns|k)は、抽出層における共有ノードnsのコミュニティkへの所属確率を表す。複数の制約層毎に抽出層との関連性d1を算出することにより、抽出層は、どの抽出層と依存関係が強いかを知ることができる。また、算出した関連性d1に応じて、制約層毎に重みを付与し、上述した変形例のように制約層に付与した重みを反映して抽出層のコミュニティを抽出してもよい。
なお、抽出層との間で共有ノードを有していない制約層については、制約層と抽出層との関連性を算出しなくてもよい。
また、制約層と抽出層との関連性を算出する場合、抽出層におけるコミュニティの抽出結果と、各層における共有ノードのリンク数を反映して制約層と抽出層との関連性を算出してもよい。
また、抽出層におけるコミュニティの抽出結果から、各制約層における共有ノード毎に、対応する抽出層の共有ノードとの関連性を算出してもよい。
また、図7の場合のように、制約層が時間の経過により変化する場合、抽出層と制約層との時間差を反映して制約層と抽出層との関連性を算出してもよい。
また、制約層と抽出層との関連性を算出する場合、抽出層におけるコミュニティの抽出結果と、各層における共有ノードのリンク数を反映して制約層と抽出層との関連性を算出してもよい。
また、抽出層におけるコミュニティの抽出結果から、各制約層における共有ノード毎に、対応する抽出層の共有ノードとの関連性を算出してもよい。
また、図7の場合のように、制約層が時間の経過により変化する場合、抽出層と制約層との時間差を反映して制約層と抽出層との関連性を算出してもよい。
本発明においては、上述したように制約層が複数である場合、各制約層で共有ノードの数は同じではなく、共有ノードの数が異なっていてもよい。
1…情報処理装置、10…制御部、11…記憶部、12…操作部、13…表示部、14…通信部、101…取得部、102…算出部、103…抽出部。
Claims (10)
- 多層ネットワークにおいて、制約層における共有ノードのコミュニティへの第1所属確率を算出する算出手段と、
抽出層の各ノードのコミュニティへの所属確率についての確率モデルの評価式であり、前記第1所属確率と前記抽出層における共有ノードのコミュニティへの第2所属確率を加えた評価式の値を最大化する前記第2所属確率の算出結果により前記抽出層のコミュニティ抽出を行う抽出手段と
を備える情報処理装置。 - 前記制約層が複数である請求項1に記載の情報処理装置。
- 複数の前記制約層の各々は、他の制約層に対して共有ノード以外のノードの属性が異なる
請求項2に記載の情報処理装置。 - 前記抽出層は、時間の経過により変化した層であり、複数の前記制約層は、時間軸上で前記抽出層より過去または未来の時点の層である
請求項2に記載の情報処理装置。 - 複数の前記制約層の各々が重みを有し、
前記抽出手段は、前記重みを含めて前記第2所属確率を算出する
請求項3または請求項4に記載の情報処理装置。 - 前記共有ノードが複数であり、
複数の前記共有ノードの各々が重みを有し、
前記抽出手段は、前記重みを含めて前記第2所属確率を算出する
請求項1に記載の情報処理装置。 - 前記多層ネットワークは、前記制約層に対する共有ノードと前記抽出層に対する共有ノードとが異なる中間層を有し、
前記抽出手段は、当該中間層を介して前記第2所属確率を算出する
請求項1に記載の情報処理装置。 - 前記抽出手段の抽出結果から複数の前記制約層の各々と前記抽出層との関連性を算出する算出手段
を有する請求項2に記載の情報処理装置。 - 複数の前記制約層の各々が重みを有し、
前記抽出手段は、前記重みを含めて前記第2所属確率を算出し、
前記重みを前記算出手段の算出結果に応じて設定する
請求項8に記載の情報処理装置。 - コンピュータを、
多層ネットワークにおいて、制約層における共有ノードのコミュニティへの第1所属確率を算出する算出手段と、
抽出層の各ノードのコミュニティへの所属確率についての確率モデルの評価式であり、前記第1所属確率と、前記抽出層における共有ノードのコミュニティへの第2所属確率を加えた評価式の値を最大化する前記第2所属確率の算出結果により前記抽出層のコミュニティ抽出を行う抽出手段
として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017160048A JP2019040285A (ja) | 2017-08-23 | 2017-08-23 | 情報処理装置およびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017160048A JP2019040285A (ja) | 2017-08-23 | 2017-08-23 | 情報処理装置およびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2019040285A true JP2019040285A (ja) | 2019-03-14 |
Family
ID=65726462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017160048A Pending JP2019040285A (ja) | 2017-08-23 | 2017-08-23 | 情報処理装置およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2019040285A (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009176072A (ja) * | 2008-01-24 | 2009-08-06 | Nec Corp | 要素集団抽出システム、要素集団抽出方法およびプログラム |
JP2016029526A (ja) * | 2014-07-25 | 2016-03-03 | 富士ゼロックス株式会社 | 情報処理装置、及びプログラム |
JP2016218531A (ja) * | 2015-05-14 | 2016-12-22 | 富士ゼロックス株式会社 | 情報処理装置及びプログラム |
JP2017004098A (ja) * | 2015-06-05 | 2017-01-05 | 富士ゼロックス株式会社 | 情報処理装置及びプログラム |
-
2017
- 2017-08-23 JP JP2017160048A patent/JP2019040285A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009176072A (ja) * | 2008-01-24 | 2009-08-06 | Nec Corp | 要素集団抽出システム、要素集団抽出方法およびプログラム |
JP2016029526A (ja) * | 2014-07-25 | 2016-03-03 | 富士ゼロックス株式会社 | 情報処理装置、及びプログラム |
JP2016218531A (ja) * | 2015-05-14 | 2016-12-22 | 富士ゼロックス株式会社 | 情報処理装置及びプログラム |
JP2017004098A (ja) * | 2015-06-05 | 2017-01-05 | 富士ゼロックス株式会社 | 情報処理装置及びプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103106279B (zh) | 一种同时基于节点属性以及结构关系相似度的聚类方法 | |
Leicht et al. | Percolation on interacting networks | |
CN107392312B (zh) | 一种基于dcgan性能的动态调整方法 | |
WO2020024097A1 (zh) | 基于深度强化学习的自适应博弈算法 | |
CN105760649B (zh) | 一种面向大数据的可信度量方法 | |
CN106951524A (zh) | 基于节点影响力的重叠社区发现方法 | |
CN108647800B (zh) | 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 | |
JP6390239B2 (ja) | 情報処理装置、及びプログラム | |
US20200356598A1 (en) | Obtaining dynamic embedding vectors of nodes in relationship graphs | |
CN109960755B (zh) | 一种基于动态迭代快速梯度的用户隐私保护方法 | |
Zhou et al. | Modelling collaboration networks based on nonlinear preferential attachment | |
JP2023530370A (ja) | 注意メカニズムを融合したパーソナライズド検索方法及び検索システム | |
CN104484365B (zh) | 一种多源异构在线社会网络中网络主体之间社会关系的预测方法与系统 | |
Chen et al. | Multimodal storytelling via generative adversarial imitation learning | |
Zhang et al. | Improving augmented reality using recommender systems | |
Hu | Functional-link nets with genetic-algorithm-based learning for robust nonlinear interval regression analysis | |
CN113239266A (zh) | 基于局部矩阵分解的个性化推荐方法及系统 | |
JP6511971B2 (ja) | 情報処理装置及びプログラム | |
JP2019040285A (ja) | 情報処理装置およびプログラム | |
CN108897790A (zh) | 鲁棒协同过滤推荐算法 | |
Fay et al. | Centrality and mode detection in dynamic contact graphs; a joint diagonalisation approach | |
Kong et al. | Taprank: A time-aware author ranking method in heterogeneous networks | |
Kabir et al. | An efficient feature selection using ant colony optimization algorithm | |
Benini et al. | Comparison between pure and surrogate assisted evolutionary algorithms for multiobjective optimization | |
CN112699302A (zh) | 一种基于测地距离的实时推荐方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200717 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210729 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210803 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20220208 |