基于深度学习的网络表征研究

发布时间：2023-04-07 20:47

　　网络作为一种很常见的数据形式遍布于我们的日常生活,包括社交网络、交通网络以及生物网络等。这些网络中的节点与连边都蕴含着丰富的语义信息,通过对它们的分析,我们能够洞悉社会的结构、协调交通的运作以及探清生物间的依赖关系等。然而原始的网络数据可能规模十分巨大,这使得数据的存储与处理都变得困难起来。并且我们常见的数据挖掘与机器学习方法通常不能直接应用到网络这种非结构化的数据形式上。因此,为了方便数据地存储与处理,同时为了使后续的节点分类、节点聚类、链路预测以及可视化等任务得以有效地施展并取得更好的效果,网络表征学习吸引了学术界与工业界大量的关注。本文聚焦网络表征,旨在将每一个节点从原始的高维邻接矩阵映射到一个新的低维空间中,同时尽量保留对于后续机器学习任务重要的信息。常见的网络表征学习方法通常有基于因子分解的方法、基于随机游走的方法以及基于深度学习的方法三种类型。前两者本质上都是通过分解高阶相似度矩阵来求解节点的表征,而后者则主要通过使用自动编码器这一广泛用于数据降维的方法来压缩提取经过加工的节点原始表征实现。另外,针对节点带有额外属性信息的网络数据,前三类方法都各显神通有着各自的扩展,更前沿...

【文章页数】：76 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
    1.2 国内外研究历史与现状
        1.2.1 基于因子分解的方法
        1.2.2 基于随机游走的方法
        1.2.3 基于深度学习的方法
        1.2.4 问题与挑战
    1.3 本文的主要研究内容与创新
        1.3.1 研究内容
        1.3.2 本文的创新点与贡献
    1.4 本论文的结构安排
第二章 相关概念与技术
    2.1 网络表征学习
        2.1.1 相关定义
        2.1.2 基于因子分解的表征学习
        2.1.3 基于随机游走的表征学习
        2.1.4 基于深度学习的表征学习
        2.1.5 结合外部信息的网络表征学习
    2.2 度量学习相关理论
        2.2.1 度量学习
        2.2.2 成对损失
        2.2.3 三元组损失
        2.2.4 其它损失
    2.3 神经网络及深度学习
        2.3.1 感知机
        2.3.2 多层神经网络
        2.3.3 自动编码器
        2.3.4 降噪自编码器
    2.4 本章小结
第三章 基于深度自编码器的网络表征研究
    3.1 概念与问题定义
    3.2 TEA算法
        3.2.1 基本思想
        3.2.2 改进的随机游走策略
        3.2.3 降噪自动编码器模型
        3.2.4 三元组损失度量学习
        3.2.5 TEA算法框架
    3.3 实验
        3.3.1 实验环境
        3.3.2 实验数据
        3.3.3 对比算法与评估指标
        3.3.4 实验结果及分析
            3.3.4.1 与非监督类算法的对比
            3.3.4.2 与MMDW算法的对比
        3.3.5 时间复杂度分析
        3.3.6 参数敏感度测试
    3.4 本章小结
第四章 基于深度自编码器的属性网络表征
    4.1 概念与问题定义
    4.2 TEA+算法
        4.2.1 拉普拉斯映射
        4.2.2 目标函数
        4.2.3 算法伪代码
    4.3 实验
        4.3.1 实验环境
        4.3.2 实验数据
        4.3.3 对比算法与评估指标
        4.3.4 实验结果及分析
        4.3.5 参数敏感度测试
    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：3785298