一种具有社团结构的网络表示学习方法及装置

摘要

本发明公开了一种具有社团结构的网络表示学习方法，包括以下步骤：步骤1：数据收集与处理阶段：使用一种密度函数，通过在网络G上使用随机游走策略，获得顶点序列样本S＝{s1,s2,...,sn}；步骤2：数据表示学习阶段：优化Skip‑gram模型，使用Skip‑gram模型来训练顶点序列样本S＝{s1,s2,...,sn}，得到每个顶点序列的向量表示；步骤3：数据计算阶段：对每个顶点序列的向量表示进行相似度计算，获得社团划分相似度。本发明方法不仅可以更好地捕获网络中的社团结构，并且可以在顶点分类任务中获得更高的准确率。