基于稀疏自编码的属性网络嵌入研究及应用

发布时间：2021-03-12 14:08

　　随着互联网数据的爆炸式增长,海量数据来源的多源性、异质性、随机性、模糊性等特点为数据分析带来了新的挑战,如何从海量数据中挖掘有益信息,为企业决策提供依据变得越来越重要,也逐渐成为一个新的研究课题。从海量数据中挖掘有效信息的方法众多,当前比较主流的一个处理方法是先将数据表示成属性网络,再通过网络嵌入等手段提取网络特征,最后使用提取到的网络特征完成具体任务,如分类、聚类、链接预测、推荐等。网络嵌入是将网络中节点编码成低维、稠密向量,从而避免大数据来源的差异性、高维性、异质性等问题达到提取网络固有特征的目的。研究表明,有效提取网络固有特征不但能加快模型训练速度,还能提高后续任务的准确度。本文研究如何从网络中提取网络固有特征,为网络节点生成低维、稠密向量,并在真实网络上验证获取的网络嵌入的性能。针对当前现有网络嵌入方法未能有效挖掘网络固有特征问题,本文围绕网络嵌入提取展开研究,主要研究内容如下:（1）加权融合网络拓扑特征和语义属性信息。网络拓扑部分整合三部分内容:网络的邻接矩阵、从网络拓扑中提取的二阶邻居、共同邻居比信息;语义属性信息是由语义属性矩阵计算而成的语义属性模块度矩阵。（2）网络嵌入... 

【文章来源】：河北地质大学河北省

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

稀疏自编码模型算法及应用轮廓图

从中国知网搜索“网络嵌入”界面部分结果截图

网页访问流程

【参考文献】：
期刊论文
[1]基于稀疏自编码器的属性网络嵌入算法[J]. 张志敏,柴变芳,李文斌.  计算机工程. 2020(07)
[2]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅.  计算机学报. 2018(07)
[3]网络表示学习综述[J]. 涂存超,杨成,刘知远,孙茂松.  中国科学:信息科学. 2017(08)
[4]基于空间映射的顶点带属性网络的链接预测[J]. 姜卯生,葛剑飞,陈崚.  计算机科学. 2017(07)
[5]数据挖掘方法在名老中医用药规律研究中的应用现状[J]. 于林童,曲文白,余新波,徐浩.  中医杂志. 2017(10)
[6]利用词表示和深层神经网络抽取蛋白质关系[J]. 李丽双,蒋振超,万佳,黄德根.  中文信息学报. 2017(01)
[7]移动云计算研究进展与趋势[J]. 崔勇,宋健,缪葱葱,唐俊.  计算机学报. 2017(02)
[8]深度学习中的自编码器的表达能力研究[J]. 王雅思,姚鸿勋,孙晓帅,许鹏飞,赵思成.  计算机科学. 2015(09)
[9]在线社交网络影响力分析[J]. 吴信东,李毅,李磊.  计算机学报. 2014(04)
[10]我国文科领域知识扩散之引文网络探析[J]. 赵星,谭旻,余小萍,闫现洋,叶鹰.  中国图书馆学报. 2012(05)



本文编号：3078439