基于深度神经网络的表示学习算法设计与实现

发布时间：2023-02-07 19:47

　　物理、生物、社会和信息系统中的关联数据可以根据关系种类被抽象为单一关系图谱或多关系图谱,同时得益于图的表征和计算能力,对图结构数据的处理已经成为了当前学术界和工业界的研究热点之一。作为人工智能领域的重要研究方向之一,表示学习技术能基于图中包含的拓扑结构信息和语义信息,对图进行有效表征与计算,并在语音识别与信号处理、自然语言处理等相关领域中起到了举足轻重的作用。其目标是采用机器学习的方法,利用网络中的知识结构,将图中的节点和边以低维实值向量进行表达,实现对实体和关系的语义信息提取与表示,从而完成相应的图计算应用。基于此,通过深入分析现有的图表示学习算法的设计思路与建模机制,本文将围绕基于语义合成与映射的表示学习模型展开研究,并梳理分析当前主流相关工作,明确现有语义合成方法存在的不足:第一,当前主流的语义合成方式对图中信息利用不足,难以挖掘出实体间更丰富的关联特征,导致表示学习算法性能较低;二,当前主流相关模型主要关注如何设计新颖的向量语义映射算法,忽视了对不同向量语义合成方式优缺点的深入认识,难以灵活应用于各种场景,制约了图表示学习算法的实际应用。针对上述关键问题,本文分别提出了对应的语...

【文章页数】：84 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 图表示学习算法研究现状
        1.2.1 序列学习模型研究现状
        1.2.2 语义映射模型研究现状
    1.3 拟解决的关键问题
    1.4 主要贡献与创新
    1.5 论文的结构安排
第二章 相关理论基础
    2.1 表示学习相关概念
        2.1.1 表示学习的对象
        2.1.2 知识的表示方式
    2.2 卷积神经网络
        2.2.1 基本的卷积神经网络结构
        2.2.2 Inception系列卷积模型
    2.3 本章小结
第三章 基于卷积神经网络的表示学习算法
    3.1 拟解决的关键问题与研究思路
    3.2 基于卷积神经网络的表示学习模型
        3.2.1 符号系统定义
        3.2.2 模型描述
        3.2.3 算法实现
    3.3 实验结果与讨论
        3.3.1 实验环境
        3.3.2 实验数据集与评测指标
        3.3.3 实验设置
        3.3.4 关系推理任务的实验结果与分析
        3.3.5 并列卷积网络结构设计的实验分析
    3.4 本章小结
第四章 基于向量语义合成与映射的表示学习算法
    4.1 拟解决的关键问题与研究思路
    4.2 基于向量语义合成与映射的表示学习模型
        4.2.1 基础模型框架
        4.2.2 向量语义合成方法设计
        4.2.3 算法实现
    4.3 实验结果与讨论
        4.3.1 实验环境与实验数据
        4.3.2 实验设置
        4.3.3 关系推理任务的实验结果与分析
        4.3.4 链路预测任务的实验结果与分析
        4.3.5 模型关联分析
    4.4 本章小结
第五章 全文总结与展望
    5.1 全文总结
    5.2 后续工作展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：3737310