本发明涉及社区检测领域，更具体地，涉及一种基于加权先验张量链分解的多层网络社区检测方法。
背景技术：
1、随着社会和技术不断发展，各种客观事物之间的联系体现出越来越重要的价值。各种联系之间组成了一个个网络，而社区则是这些网络中的一个子集。社区内节点之间具有更密集的连通性，使得网络结构和功能更好地被理解，并促进各种应用。网络社区检测则是找到社区，进而更好发挥社区的优势。
2、虽然现有一些算法可以实现社区检测，但其主要针对单一类型节点关系的单一网络，而现实世界的网络系统往往表现为多层结构。为了进一步进行社区检测，一些将多层网络压缩为单层网络、先逐层检测后再聚合等方法被提出，但要么进行网络压缩而损害了社区结构的完整性，要么忽略了多层网络中数据的内在联系，最终导致多层网络检测的结果不理想。
3、现有技术公开了一种基于多目标密母计算的网络社区检测方法，其通过循环进行产生新个体、更新网络种群、局部搜索网络种群的方式，从而检测出社区。本发明采用基于加权先验张量链分解的方式进行检测，并未采用上述多目标密母计算的方法进行检测。
技术实现思路
1、本发明针对现有技术中在多层网络下检测社区结果不理想的缺陷，提供基于加权先验张量链分解的多层网络社区检测方法。
2、本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：
3、基于加权先验张量链分解的多层网络社区检测方法，包括：
4、s1：获取多层网络，进行加权扁平化处理并提取特征，得到加权扁平网络特征；
5、s2：随机初始化三个序列，分别作为第一张量序列因子、第二张量序列因子、第三张量序列因子；
6、s3：将所述加权扁平网络特征、所述第一张量序列因子、所述第二张量序列因子、所述第三张量序列因子进行循环优化，得到最终第一张量序列因子；
7、s4：将所述最终第一张量序列因子进行社区提取，得到社区。
8、进一步地，步骤s1包括：
9、s101：获取多层网络，将其转化为加权平面化网络；
10、s102：搜索所述加权平面化网络，得到若干密集子图；
11、s103：利用所述若干密集子图构建先验信息，得到先验矩阵；
12、s104：将先验矩阵和多层网络合并，得到加权扁平网络特征。
13、进一步地，步骤s101中，所述转化为加权平面化网络的公式如下：
14、
15、其中，n表示多层网络层数，ai表示多层网络第i层的邻接矩阵，li表示多层网络第i层边数，h表示多层网络边数之和。
16、进一步地，步骤s103中，构建先验矩阵的公式如下：
17、
18、其中，a、b分别表示所述加权平面化网络的顶点序号，za、zb分别表示a、b对应的顶点，ci表示多层网络中第i个密集子图。
19、进一步地，步骤s104中，加权扁平网络特征的计算公式如下：
20、o1＝a+μτ(ap)
21、其中，μ表示先验权值，τ(ap)表示在三维空间复制多次的先验矩阵，a表示多层网络。
22、进一步地，步骤s3中，循环优化包括：
23、s301：对所述第一张量序列因子、所述第二张量序列因子、所述第三张量序列因子，进行张量链分解，得到张量链分解特征；对所述第一张量序列因子、加权扁平网络特征进行公共社区流形学习，得到流形学习特征；
24、s302：根据所述加权扁平网络特征、所述张量链分解特征、所述流形学习特征，构建优化目标函数；
25、s303：根据所述目标优化函数，对第一张量序列因子进行优化，得到优化后的第一张量序列因子，作为新的第一张量序列因子；
26、s304：将所述新的第一张量序列因子代入所述目标优化函数，对第二张量序列因子进行优化，得到优化后的第二张量序列因子，作为新的第二张量序列因子；
27、s305：将所述新的第二张量序列因子代入所述目标优化函数，对第三张量序列因子进行优化，得到优化后的第三张量序列因子，作为新的第三张量序列因子；
28、s306：判断当前优化次数是否小于预设的优化次数；若是，将新的第三张量因子代入所述目标优化函数，执行步骤s303；若否，执行步骤s307；
29、s307：将所述第一张量序列因子作为最终第一张量序列因子。
30、进一步地，步骤s301中，张量链分解的公式如下：
31、o2＝g1*g2*g3
32、其中，g1表示第一张量序列因子，g2表示第二张量序列因子，g3表示第三张量序列因子。
33、进一步地，步骤s301中，公共社区流形学习的公式如下：
34、o3＝λtr((g1)tlg1)
35、其中，λ表示正则化参数，g1表示第一张量序列因子，l表示对加权扁平网络特征进行拉普拉斯计算后所得结果。
36、进一步地，步骤s302中，所述优化目标函数如下：
37、
38、其中，o1表示加权扁平网络特征，o2表示张量链分解特征，o3表示流形学习特征。
39、基于加权先验张量链分解的多层网络社区检测装置，包括：
40、加权扁平化处理模块：获取多层网络，进行加权扁平化处理并提取特征，得到加权扁平网络特征；
41、初始化模块：随机初始化三个序列，分别作为第一张量序列因子、第二张量序列因子、第三张量序列因子；
42、循环优化模块：将所述加权扁平网络特征、所述第一张量序列因子、所述第二张量序列因子、所述第三张量序列因子进行循环优化，得到最终第一张量序列因子；
43、社区提取模块：将所述最终第一张量序列因子进行社区提取，得到社区。
44、与现有技术相比，本发明的有益效果是：
45、本发明通过采用循环优化的方式，既保持了多层网络中数据的内在联系，又保证了社区结构的完整性。通过加权扁平化处理，提升了多层网络下社区检测的准确性。综上，本发明使得在多层网络下社区检测结果更准确。
1.基于加权先验张量链分解的多层网络社区检测方法，其特征在于，包括：
2.根据权利要求1所述基于加权先验张量链分解的多层网络社区检测方法，其特征在于，步骤s1包括：
3.根据权利要求2所述基于加权先验张量链分解的多层网络社区检测方法，其特征在于，步骤s101中，所述转化为加权平面化网络的公式如下：
4.根据权利要求2所述基于加权先验张量链分解的多层网络社区检测方法，其特征在于，步骤s103中，构建先验矩阵的公式如下：
5.根据权利要求4所述基于加权先验张量链分解的多层网络社区检测方法，其特征在于，步骤s104中，加权扁平网络特征的计算公式如下：
6.根据权利要求1所述基于加权先验张量链分解的多层网络社区检测方法，其特征在于，步骤s3中，循环优化包括：
7.根据权利要求6所述基于加权先验张量链分解的多层网络社区检测方法，其特征在于，步骤s301中，张量链分解的公式如下：
8.根据权利要求6所述基于加权先验张量链分解的多层网络社区检测方法，其特征在于，步骤s301中，公共社区流形学习的公式如下：
9.根据权利要求6所述基于加权先验张量链分解的多层网络社区检测方法，其特征在于，步骤s302中，所述优化目标函数如下：
10.基于加权先验张量链分解的多层网络社区检测装置，用于实现权利要求1-9任一项所述的检测方法，包括：
