基于深度模型的网络表示学习方法的研究与实现

发布时间：2023-10-01 23:56

　　现今,网络作为数据的重要载体,其结构随着互联网数据的指数级增长变得越发复杂。在一个网络中,除了节点本身蕴含的信息外,节点之间的关系也拥有巨大的数据挖掘价值。网络表示学习的出现是为了解决传统网络分析技术的局限性,以应用于现在的大规模网络以及复杂的机器学习、数据挖掘任务。基于矩阵分解的网络表示学习方法能够做到重建网络,但是很容易产生过拟合现象,整体的表现并不尽如人意;基于自然语言模型的网络表示学习算法虽然能够不同程度地利用网络结构进行网络表示学习,但是它们均属于浅层模型,这也就意味着它们很难学习到网络结构深层的、更复杂的特征。深度学习近几年发展迅速,在多个领域取得了重要进展,其本质就是对数据特征进行深层次的抽象,学习高维数据到低维特征的映射函数。而网络表示学习也可以看做是将节点的表示从原网络的高维空间转换到一个低维向量空间中的过程,其本质问题是学习两个向量空间之间的映射函数。因此,出现了基于深度学习的网络表示学习方法。然而,现有的基于深度学习的网络表示学习方法大多仅使用网络结构进行网络表示学习,未使用节点标签以及节点的自身属性,无法更好的反映节点的真实性,因此,本文针对基于深度学习的网络表...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景
    1.2 研究现状
        1.2.1 网络表示学习研究现状
        1.2.2 深度学习研究现状
    1.3 研究内容
    1.4 论文组织结构
第二章 相关技术
    2.1 网络表示学习概述
        2.1.1 相关定义
        2.1.2 基于矩阵分解的网络表示学习
        2.1.3 基于自然语言模型的网络表示学习
        2.1.4 加入节点属性的网络表示学习
    2.2 深度学习概述
        2.2.1 自编码器AE(Auto-Encoder)
        2.2.2 其他深度学习模型
    2.3 基于深度学习的网络表示学习概述
    2.4 直推式学习
    2.5 本章小结
第三章 基于压缩自编码器的半监督网络表示学习
    3.1 LSDNE模型
        3.1.1 基于压缩自编码器的半监督网络表示学习模型框架
        3.1.2 损失函数
        3.1.3 模型优化
        3.1.4 LSDNE模型的训练算法伪代码
    3.2 实验与结果分析
        3.2.1 数据集与环境配置
        3.2.2 实验指标与对比算法
        3.2.3 参数设置
        3.2.4 实验一：标签预测实验
        3.2.5 实验二：参数敏感度实验
        3.2.6 实验三：模型收敛实验
        3.2.7 实验四：泛化能力对比实验
    3.3 本章小结
第四章 基于邻居结构的半监督深度属性网络表示学习
    4.1 基于邻居结构的半监督网络表示学习模型SLLDNE
        4.1.1 SLLDNE模型
        4.1.2 目标函数
        4.1.3 实验及结果分析
    4.2 基于邻居结构的半监督深度属性网络表示学习模型SILDNE
        4.2.1 SILDNE模型
        4.2.2 算法伪代码
    4.3 实验与结果分析
        4.3.1 数据集与环境配置
        4.3.2 实验指标与baseline
        4.3.3 参数设置
        4.3.4 实验一：标签预测实验
        4.3.5 实验二：参数敏感度实验
        4.3.6 实验三：模型收敛实验
        4.3.7 实验四：权重有效性实验
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 未来工作
致谢
参考文献



本文编号：3849689