信息網(wǎng)絡中數(shù)據(jù)的爆發(fā)式增長給數(shù)據(jù)分析、網(wǎng)絡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)絡表示學習應運而生。網(wǎng)絡表示學習通過分析網(wǎng)絡中的信息,將高維網(wǎng)絡映射到一個低維稠密的空間,能夠高效準確地表示網(wǎng)絡中的信息,因此被認為是網(wǎng)絡挖掘工作的基礎。傳統(tǒng)的網(wǎng)絡表示學習方法,僅考慮到網(wǎng)絡中的拓撲結構信息,很難兼顧網(wǎng)絡中豐富的邊信息和屬性信息,導致其后續(xù)任務,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,提出了基于邊信息提取的網(wǎng)絡表示學習算法。接著,進一步研究了面向屬性網(wǎng)絡的表示學習模型。具體工作包括:針對現(xiàn)有網(wǎng)絡表示學習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)絡表示學習算法。該方法首先將原網(wǎng)絡轉化為邊圖,然后將邊圖輸入到網(wǎng)絡表示學習模型中,直接得到邊表示向量。最后分別在幾個真實數(shù)據(jù)集上進行了分類、聚類等任務。實驗結果表明,在絕大多數(shù)情況下,相較于原網(wǎng)絡,將邊圖作為網(wǎng)絡表示學習模型的輸入實驗效果更好。為了更好地利用屬性網(wǎng)絡中的邊信息,提出一種基于自編碼器的多視圖屬性網(wǎng)絡表示學習模型AE-MVANR。該模型將網(wǎng)絡的拓撲結構信息作為拓撲結構視圖;通過計算...

【文章頁數(shù)】：54 頁

【學位級別】：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 研究內容及創(chuàng)新點
    1.3 論文組織結構
第二章 相關工作
    2.1 網(wǎng)絡表示學習
        2.1.1 網(wǎng)絡拓撲結構的表示學習
        2.1.2 屬性網(wǎng)絡的網(wǎng)絡表示學習
    2.2 關鍵技術概述
        2.2.1 循環(huán)神經(jīng)網(wǎng)絡
        2.2.2 長短時記憶網(wǎng)絡
        2.2.3 自編碼器
    2.3 本章小結
第三章 基于邊信息提取的網(wǎng)絡表示學習
    3.1 問題定義
    3.2 基于邊信息提取的網(wǎng)絡表示學習方法
    3.3 實驗
        3.3.1 數(shù)據(jù)集
        3.3.2 采用算法與參數(shù)設置
        3.3.3 實驗結果與分析
    3.4 本章小結
第四章 屬性網(wǎng)絡節(jié)點表示學習
    4.1 算法思想與系統(tǒng)結構
    4.2 問題定義
    4.3 AE-MVANR模型
        4.3.1 構造視圖
        4.3.2 構建基于LSTM的自編碼器
    4.4 實驗
        4.4.1 數(shù)據(jù)集
        4.4.2 對比方法
        4.4.3 參數(shù)設置
        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
第五章 總結與展望
    5.1 工作總結
    5.2 展望
致謝
參考文獻
作者簡介



本文編號：4022456