符号社交网络中负关系预测以及网络嵌入的研究

发布时间：2024-03-06 04:37

　　在当前网络时代,随着智能社交媒介的普及和在线应用的丰富多样,网络信息空间时刻都有海量数据的产生。如何在纷繁复杂的数据中捕获有效信息并且智能分析,是大数据和人工智能时代一个历久弥新的研究课题。网络大数据的产生与网络用户数量爆炸式增长有着密切关系,同时人们将更多的生活行为从现实空间转移到网络空间,符号社交网络中包含的大量用户数据信息值得被挖掘发现。用户关系不仅是社交网络结构的直观反映,而且是信息数据在社交网络中的流通路径,因此研究用户关系对于社交网络的发展和相关在线应用都具有积极的意义。但是当前符号社交网络中用户间负关系的发现是一个研究相对不足的方向,相比于正关系,负关系在社交网络中依然具有举足轻重的作用,因此本文重点关注了符号社交网络中负关系信息的挖掘。大数据时代,实体之间的关系网络不再是单纯的用户之间的关系,人与人、物与物、人与物等复杂关系的混合已然是当前信息网络的本质特征,而且网络维度也在不断加大。这对于数据挖掘提出了新的挑战,并且给人工智能相关数据分析领域也带来了不确定性。本文从社交网络的研究拓展到一般信息数据网络,通过研究高维复杂数据网络的嵌入,实现了信息网络的低维表示。显然,随...

【文章页数】：145 页

【学位级别】：博士

【部分图文】：

图2.3DP-SSN架构模型说明图

25图2.3DP-SSN架构模型说明图本文通过过社交网络中用户间信任关系的拓扑预测不信任关系，目标就是从大量的没有关系的用户对中发现可能存在或者潜在有不信任关系的用户对。为了能对本文提出的算法模型有一个宏观和直接的了解，将本文提出的算法模型的架构图展示如图2.3所示。从图....

图2.4不同模型性能比较图

单一的分类器对于复杂问题的解决必然会有所限制，对于不同的更多数量的分类器的组合方式值得我们深入研究，本次实验结果也验证了本文提出的DP-SSN算法架构具有较好的预测性能。表2.3不同预测模型预测不信任关系性能比较EpinionsSlashdotAccuracyPrec....

图2.6两个数据集中不同诱导因子的贡献分析

测不信任关系的表现也在越来越好。很明显当抽取比例x%=90%时，组合规则P和W的状态达到最佳。由此可见，随着训练数据的增加，组合规则P和W的学习能力在不断增强。在当前大数据时代，社交网络中的数据量必然会大量增加，相信在更大数据量的环境下，DP-SSN的学习能....

图3.2实验数据设置图

第3章符号社交网络中负链路的非监督预测这一节设计了多组实验，验证提出算法在真实符号社交网络中预测负链并且与相关方法做了比较，通过实验结果分析算法的优势与不足。最后超参数的不同取值对算法性能的影响以及算法的收敛性。实验准备相关实验设计之前，本文首先将数据集做了设置，具体如图....

本文编号：3920560