基于深度稀疏自动编码器的社区发现算法

摘要

本文提出一种基于深度稀疏自动编码器的社区发现算法CoDDA,尝试提高使用这些经典方法处理高维邻接矩阵进行社区发现的准确性.首先,提出基于跳数的处理方法,对稀疏的邻接矩阵进行优化处理,得到的相似度矩阵不仅能够反映网络拓扑结构中相连节点间的相似关系,同时也能反映不相连节点间的相似关系.接着,基于无监督深度学习方法,设计深度稀疏自动编码器,对相似度矩阵进行特征提取,得到低维的特征矩阵,特征矩阵与邻接矩阵相比对网络拓扑结构有更强的特征表示能力.最后,使用k-均值算法对低维特征矩阵聚类得到社区结构.实验结果显示,与目前典型的社区发现算法相比,本文提出的CoDDA算法能够发现更准确的社区结构.参数实验结果显示,CoDDA算法发现的社区结构比不使用深度自动编码器的基本算法发现的社区结构更准确.