融合先验信息的属性网络表示学习研究与应用

发布时间：2021-05-07 01:15

　　近年来,网络数据研究成为数据挖掘领域热点问题之一。当前机器学习算法基于结构化的数据输入,很难直接应用到网络数据中。网络表示学习的出现为解决该难题提供了可行途径。网络表示学习通过将原始网络数据逐层抽象为自身任务所需的最终特征表示,挖掘出了网络中的深层语义信息,有效缓解了数据稀疏问题。网络表示学习在节点学习过程中融合属性信息有利于进一步挖掘网络中的语义信息,提高最终表示的质量。该类算法忽视了数据中易获得的先验信息,从而使得学到的表示缺乏区分性。本文围绕先验信息与属性网络表示学习的融合展开研究,主要内容如下:首先,针对现有ASNE算法中节点表示学习过程未利用先验信息而缺乏区分性的问题,提出一种将标签信息融入节点学习过程的改进方法。该方法利用少量的监督信息来指导节点表示的学习过程,恢复网络的潜在结构。在两个人工网络、四个真实网络进行实验,结果表明该方法在NMI与ACC上较原算法提高5%左右。其次,针对第一个实验中属性网络表示学习存在的问题,如节点降维维度的选择、属性信息与结构信息不能完美融合以及相比标签信息约束对信息更易获得的问题,提出一种预训练加优化训练的改进方法。该方法在预训练中通过新构建... 

【文章来源】：河北地质大学河北省

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文主要研究内容
    1.4 论文组织结构
第二章 属性网络表示学习
    2.1 研究基础
        2.1.1 相关定义
        2.1.2 随机游走策略
        2.1.3 词向量训练模型
        2.1.4 先验信息
    2.2 无监督属性网络表示学习概述
        2.2.1 DeepWalk算法
        2.2.2 node2vec算法
        2.2.3 TADW算法
        2.2.4 ASNE算法
    2.3 半监督属性网络表示学习概述
        2.3.1 Planetoid算法
        2.3.2 GCN算法
    2.4 本章小结
第三章 融合标签信息的属性网络表示学习方法
    3.1 研究动机
    3.2 SASNE模型设计
        3.2.1 编码函数
        3.2.2 译码函数
        3.2.3 损失函数
        3.2.4 算法描述
    3.3 实验结果分析
        3.3.1 实验设计
        3.3.2 人工网络实验结果及分析
        3.3.3 真实网络实验结果及分析
        3.3.4 时间性能分析
        3.3.5 参数敏感度分析
    3.4 本章小结
第四章 融合约束信息的属性网络表示学习方法
    4.1 研究动机
    4.2 模型设计
        4.2.1 预训练
        4.2.2 优化训练
    4.3 实验结果分析
        4.3.1 实验设计
        4.3.2 维度实验结果及分析
        4.3.3 真实网络实验结果及分析
        4.3.4 参数敏感度分析
    4.4 本章小结
第五章 基于真实属性网络的链接预测
    5.1 属性网络链接预测
    5.2 基于Scrapy的知乎数据爬取
        5.2.1 Scrapy框架
        5.2.2 知乎页面分析与数据获取
    5.3 基于真实属性网络的链接预测
        5.3.1 构建属性网络
        5.3.2 链接预测
    5.4 本章小结
第六章 总结与展望
参考文献
攻读硕士学位期间发表的论文和科研成果
作者简介
致谢



本文编号：3172952