基于异质图注意力网络的重叠社区发现方法

为解决异质网络重叠社区发现问题，提出一种基于异质图注意力网络的重叠社区发现模型。通过异质图注意力网络的双层注意力机制，从节点级与语义级充分挖掘节点、元路径在信息表示中的重要程度，并进行分层聚合获得节点特征向量，将伯努利-泊松模型与图卷积网络整合，在生成社区隶属关系矩阵的基础上优化社区重叠度进行重叠社区划分。模型改变异质图注意力网络的激活函数，改善梯度消失问题，将异质图注意力网络与伯努利-泊松模型结合实现异质网络的重叠社区发现。使用真实数据集进行实验，实验结果表明，模型可以利用异质网络节点信息多样性进行重叠社区发现，相对传统社区发现方法具备较好的稳定性和准确性。