發(fā)布時(shí)間：2025-01-03 22:10

　　信息網(wǎng)絡(luò)中數(shù)據(jù)的爆發(fā)式增長給數(shù)據(jù)分析、網(wǎng)絡(luò)信息挖掘等工作帶來了巨大的挑戰(zhàn)。為了有效解決這些問題,網(wǎng)絡(luò)表示學(xué)習(xí)應(yīng)運(yùn)而生。網(wǎng)絡(luò)表示學(xué)習(xí)通過分析網(wǎng)絡(luò)中的信息,將高維網(wǎng)絡(luò)映射到一個(gè)低維稠密的空間,能夠高效準(zhǔn)確地表示網(wǎng)絡(luò)中的信息,因此被認(rèn)為是網(wǎng)絡(luò)挖掘工作的基礎(chǔ)。傳統(tǒng)的網(wǎng)絡(luò)表示學(xué)習(xí)方法,僅考慮到網(wǎng)絡(luò)中的拓?fù)浣Y(jié)構(gòu)信息,很難兼顧網(wǎng)絡(luò)中豐富的邊信息和屬性信息,導(dǎo)致其后續(xù)任務(wù),如分類、聚類等效果不佳。針對此問題,本文首先針對普通網(wǎng)絡(luò),提出了基于邊信息提取的網(wǎng)絡(luò)表示學(xué)習(xí)算法。接著,進(jìn)一步研究了面向?qū)傩跃W(wǎng)絡(luò)的表示學(xué)習(xí)模型。具體工作包括:針對現(xiàn)有網(wǎng)絡(luò)表示學(xué)習(xí)方法忽略邊表示向量及邊信息利用不充分的問題,提出了基于邊信息提取的網(wǎng)絡(luò)表示學(xué)習(xí)算法。該方法首先將原網(wǎng)絡(luò)轉(zhuǎn)化為邊圖,然后將邊圖輸入到網(wǎng)絡(luò)表示學(xué)習(xí)模型中,直接得到邊表示向量。最后分別在幾個(gè)真實(shí)數(shù)據(jù)集上進(jìn)行了分類、聚類等任務(wù)。實(shí)驗(yàn)結(jié)果表明,在絕大多數(shù)情況下,相較于原網(wǎng)絡(luò),將邊圖作為網(wǎng)絡(luò)表示學(xué)習(xí)模型的輸入實(shí)驗(yàn)效果更好。為了更好地利用屬性網(wǎng)絡(luò)中的邊信息,提出一種基于自編碼器的多視圖屬性網(wǎng)絡(luò)表示學(xué)習(xí)模型AE-MVANR。該模型將網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)信息作為拓?fù)浣Y(jié)構(gòu)視圖;通過計(jì)算...

【文章頁數(shù)】：54 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 研究內(nèi)容及創(chuàng)新點(diǎn)
    1.3 論文組織結(jié)構(gòu)
第二章 相關(guān)工作
    2.1 網(wǎng)絡(luò)表示學(xué)習(xí)
        2.1.1 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的表示學(xué)習(xí)
        2.1.2 屬性網(wǎng)絡(luò)的網(wǎng)絡(luò)表示學(xué)習(xí)
    2.2 關(guān)鍵技術(shù)概述
        2.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.2.2 長短時(shí)記憶網(wǎng)絡(luò)
        2.2.3 自編碼器
    2.3 本章小結(jié)
第三章 基于邊信息提取的網(wǎng)絡(luò)表示學(xué)習(xí)
    3.1 問題定義
    3.2 基于邊信息提取的網(wǎng)絡(luò)表示學(xué)習(xí)方法
    3.3 實(shí)驗(yàn)
        3.3.1 數(shù)據(jù)集
        3.3.2 采用算法與參數(shù)設(shè)置
        3.3.3 實(shí)驗(yàn)結(jié)果與分析
    3.4 本章小結(jié)
第四章 屬性網(wǎng)絡(luò)節(jié)點(diǎn)表示學(xué)習(xí)
    4.1 算法思想與系統(tǒng)結(jié)構(gòu)
    4.2 問題定義
    4.3 AE-MVANR模型
        4.3.1 構(gòu)造視圖
        4.3.2 構(gòu)建基于LSTM的自編碼器
    4.4 實(shí)驗(yàn)
        4.4.1 數(shù)據(jù)集
        4.4.2 對比方法
        4.4.3 參數(shù)設(shè)置
        4.4.4 分類
        4.4.5 聚類
        4.4.6 參數(shù)敏感性分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
作者簡介



本文編號(hào)：4022456