基于时间感知的多重图嵌入的用户推荐算法

发布时间：2022-07-11 13:24

　　近年来,社交网络极大发展,已经成为人们现实生活中不可缺少的一部分。社交网络图结构信息挖掘成为热门研究问题。为了让社交网络信息传播更广泛,更频繁,我们需要增加网络的链接数,一个很重要的问题就是为用户推荐他可能关注的用户。现在有很多关于静态图节点的低维表示（图嵌入）的研究,在链接预测上取得不错的效果。然而,现实生活中的图大多数是动态的,带有时间戳信息。本文首先介绍了前人在社交网络链接预测上所用到的各类方法,提出了多层级联的内容和兴趣注意力模型CIGAT（Contents and Interests Graph Attention model）,挖掘用户不同方面的特征,更好地推荐用户。然后在此基础上,引入建立关系的时间戳信息,提出了时间影响的多层级联内容兴趣注意力模型CIGTAT（Contents and Interests Graph Time-aware Attention model）,来更好地学习用户之间内容和兴趣的影响,兼顾用户长期兴趣与短期兴趣,实现更好地链接预测,从而更好地为用户推荐用户。 

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 引言
    1.2 研究背景
    1.3 研究内容
    1.4 本文组织结构
    1.5 本章小结
第2章 相关研究现状综述
    2.1 社交网络挖掘
        2.1.1 社交网络社区发现
        2.1.2 社交网络信息扩散
        2.1.3 社交网络链接预测
        2.1.4 其他网络挖掘工作
    2.2 网络表示学习(Graph Embedding)
        2.2.1 基于矩阵特征向量的算法
        2.2.2 基于简单神经网络的算法
        2.2.3 基于矩阵分解的方法
        2.2.4 基于深层神经网络的方法
        2.2.5 基于社区发现的算法
        2.2.6 结合外部信息的网络表示方法
    2.3 时间序列分析
    2.4 本章小结
第3章 基于层次多重图嵌入的用户推荐算法
    3.1 用户推荐问题描述
    3.2 模型的整体结构
    3.3 单层内容兴趣注意力层
    3.4 多层级联内容兴趣注意力层
    3.5 模型训练
    3.6 本章小结
第4章 基于时间感知的多重图嵌入的用户推荐算法
    4.1 问题描述
    4.2 模型的整体结构
    4.3 时间影响的单层内容兴趣注意力层
    4.4 多层级联时间影响的内容兴趣注意力层
    4.5 模型训练
    4.6 本章小结
第5章 实验结果与分析
    5.1 实验环境
    5.2 实验数据集
    5.3 评价指标
    5.4 对比算法
    5.5 实验结果与分析
    5.6 本章小结
第6章 总结与展望
    6.1 全文总结
    6.2 未来展望
    6.3 本章小结
参考文献
攻读硕士学位期间主要的研究成果
致谢


【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：3658243