结合节点标签和文本信息的网络表示学习算法研究

发布时间：2021-03-29 16:01

　　从社交网络到万维网,网络提供了一种直观、简洁的方式来组织、保存各种各样真实世界的信息。由于网络包含成千上万的节点和边,因此在整个网络上执行复杂的推理过程是很困难的。网络表示学习又称为网络嵌入、图嵌入,旨在学习网络中节点的低维稠密向量表示,将其用作各种任务的特征,如分类、聚类、链接预测和可视化。随着信息、科技的发展,信息社会中很多网络节点拥有丰富的标签、文本、视频音频等外部信息,构成复杂的信息网络。传统网络表示学习主要依赖于网络拓扑结构信息,而忽略了这些优质的外部信息。因此,如何能够在网络表示学习过程中,考虑这些外部信息,提高网络表示的质量和增强表示向量在网络分析任务上的效果,是一个具有前景的研究课题。本文充分利用节点的标签信息与文本信息,将它们与网络拓扑结构信息结合起来,进一步增强网络节点表示的强度和效果。本文工作重点和创新点如下:（1）本文提出CNLI（Combining Nodes’Label Information）算法,结合节点标签信息进行网络表示。首先基于网络的拓扑结构形成节点的初始向量表示,然后在相同类别节点间进行随机游走形成隐式序列,接下来引入卷积神经网络,利用该序列以及... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

邻接矩阵与网络对应图

第2章相关技术介绍8图2.2网络表示学习过程示意图图2.3网络表示学习目标示意图将节点表示成向量的形式，最直观的思路就是利用one-hot向量，one-hot可以直接将网络中的每个节点编码成向量，向量维度与网络节点的个数相同，如图2.4所示，是一个由四个节点构成的简单网络，利用one-hot将节点编码：1号节点：[1，0，0，0]2号节点：[0，1，0，0]3号节点：[0，0，1，0]4号节点：[0，0，0，1]图2.4简单网络示意图这种表示方法虽然简易，但随网络规模的增大维度带来的计算问题是不容忽视的，并且从图中可知，1号节点与2、3号节点相连，但是one-hot向量并不能表达出相连的关系，因此针对信息网络的表示学习十分必要。

第2章相关技术介绍8图2.2网络表示学习过程示意图图2.3网络表示学习目标示意图将节点表示成向量的形式，最直观的思路就是利用one-hot向量，one-hot可以直接将网络中的每个节点编码成向量，向量维度与网络节点的个数相同，如图2.4所示，是一个由四个节点构成的简单网络，利用one-hot将节点编码：1号节点：[1，0，0，0]2号节点：[0，1，0，0]3号节点：[0，0，1，0]4号节点：[0，0，0，1]图2.4简单网络示意图这种表示方法虽然简易，但随网络规模的增大维度带来的计算问题是不容忽视的，并且从图中可知，1号节点与2、3号节点相连，但是one-hot向量并不能表达出相连的关系，因此针对信息网络的表示学习十分必要。

【参考文献】：
期刊论文
[1]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)



本文编号：3107801