基于随机游走的多粒度复杂网络表示学习
发布时间：2021-08-25 12:46
网络表示方法一般分为两种,传统的基于拓扑的网络表示通常直接使用邻接矩阵,该矩阵可能包含噪声或冗余信息。基于嵌入的网络表示旨在学习低维空间中节点的密集和连续表示,从而可以减少噪声或冗余信息,并保留固有结构信息。由于每个节点都由包含其感兴趣信息的向量表示,因此可以通过计算映射函数或距离度量来解决网络分析中的许多问题,从而避免高复杂性的操作。目前已有的网络表示学习方法大多只能针对网络的某一种性质进行学习,比如同质性,学习该性质的方法通常在链接预测和网络重构任务中表现较好。还有一些方法用来捕获节点的同构性,一般在节点重要性分类任务中表现很好。本文提出了基于随机游走的多粒度复杂网络表示学习方法,能同时捕获网络中的同构性和同质性。本文主要内容如下:提出了一种基于博弈论的多粒度网络表示学习方法。首先,根据全局结构特性对网络进行多粒度划分,在各粒层上计算层内相似性矩阵,在粒层间构建映射关系;然后结合传播动力学的思想,将网络中的节点作为博弈个体,通过构建收益矩阵实现动态随机游走;最后,使用自然语言处理模型Skip-Gram对节点序列进行训练,通过最大化节点共现的概率来调整参数,以获得具有语义信息的低维向...
【文章来源】：重庆邮电大学重庆市
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
k核分解示例图
重庆邮电大学硕士学位论文第3章基于博弈论的多粒度网络表示学习192,(,1)(,)/||kkijWkkWijV(3.7)W(k,k1)1W(k,k1)(3.8)W(k,k1)代表第k层与第(k+1)层之间的映射关系，W(k,k1)代表第k层与第(k-1)层之间的映射关系，||kV表示第k层中的节点数。中间粒层的每个节点都增加了两个连接，一个用于连接上一个粒层，另一个用于连接下一个粒层。值得注意的是，第一层仅添加了一个连接来与第二层连接，最后一层只增加了一个连接与倒数第二层相连。最后，重构的多粒度图定义为",,mgmgGVEW，mgV表示重构的多粒度图节点的集合，mgE表示边的集合，W表示每个粒层的权重矩阵。3.2.3基于博弈论的随机游走在上一节中，我们根据节点之间的相似性构造了多粒度加权图。与以前的工作一样，本章模型也使用了有偏随机游走，游走概率由节点间的权重决定，该权重由结构相似性和邻接矩阵确定。为了使相似的节点在游走过程中更紧密，本节引入了博弈论的思想，在游走过程中动态调整节点间的权重。本节采用的演化稳定策略是基于公共品博弈，将多粒度图中的节点视为博弈对象，将随机游走过程作为博弈过程，节点在博弈过程中将采取合作或背叛策略。对于每个粒层，每个节点都与其它节点一起进行博弈。整个博弈过程可以分为||1kV次子博弈，那么收益矩阵可以定义如下：图3.3收益矩阵策略C表示节点选择合作策略，策略D表示节点选择背叛策略。假设节点i和j都在第k层，(,),\kxWikkVj表示当节点选择合作策略C时边(i,j)的收益，节点j是随机游走过程中节点i的后继。yW(i,j)表示当节点i和j选择合作时边(i,j)本身的支出。kV表示第k个粒层中的节点集合，α和β是控制收益和支出比例的超参数。对于本章模型，多粒度图中的节点参与了博弈，导致节点之间的权重
重庆邮电大学硕士学位论文第4章基于同构性和同质性的模糊分层网络表达32是仍然存在缺陷，即其“递归修剪”过程过于严格。对于图4.2所示，如果要获得2核子网络H(C,E|C)，则必须满足条件():deg2HvvCree（见定义2.7）。图4.3(a)展示了从1核到2核的第一次修剪，图4.3(b)展示了最终的2核子网络。在图4.2所示的小网络中，节点v的度为4，该节点是比较重要的。但是节点v在生成2核网络的过程中将被删除，因为不符合2核网络的严格定义。为了更好地捕获节点的重要性，需要通过采用模糊映射来更改k核分解的严格条件。图4.2k核示例图(a)第一次修剪(b)2核网络图4.3k核分解过程模糊集被用作定量表达固有多义性和不确定性信息的可靠手段，打破了由特征函数描述的集的边界。任何元素都可以同时属于多个模糊子集，并且其程度可以由区间[0,1]中的隶属度值表示，这种表示方法更接近于人类的感知。为了解决由精确的k核分解引起的问题，本章提出了模糊k核分解。模糊系统的关键问题是隶属度函数的使用。一般而言，模糊隶属度函数分为线性和非线性。在FHNE模型中，模糊k核分解的特征只是节点度。模型希望随着k值的增加，由节点度计算的隶属度可以涵盖更多的语义。可以看出，非线性隶属函数的典型特征与此不符，可能导致隶属度急剧上升或下降。因此，本章采用如图4.4所示的梯形隶属度函数，其对应的表达式如公式(4.1)所示：0()(),()()1()kdvkdvkvGAvkdvbbkbdv(4.1)
【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)
[2]基于演化博弈的社交网络模型演化研究[J]. 刘群,易佳. 物理学报. 2013(23)
[3]基于在线社交网络的信息传播模型[J]. 张彦超,刘云,张海峰,程辉,熊菲. 物理学报. 2011(05)
[4]粒度计算在人工神经网络中的应用[J]. 李道国,苗夺谦,杜伟林. 同济大学学报(自然科学版). 2006(07)
[5]A Granular Computing Model Based on Tolerance relation[J]. WANG Guo-yin, HU Feng, HUANG Hai, WU YuChongqing University of Posts and Telecommunications, Chongqing 400065, P.R. China. The Journal of China Universities of Posts and Telecommunications. 2005(03)
[6]不完备信息系统的粒计算方法[J]. 胡峰,黄海,王国胤,吴渝. 小型微型计算机系统. 2005(08)
[7]模糊商空间理论(模糊粒度计算方法)[J]. 张铃,张钹. 软件学报. 2003(04)
博士论文
[1]人口演化的动态网络传染病模型研究[D]. 荆文君.山西大学 2019
[2]基于复杂网络的合作演化动力学研究[D]. 高佳.西安电子科技大学 2012
[3]相容粒度空间模型及其应用研究[D]. 郑征.中国科学院研究生院（计算技术研究所） 2006
硕士论文
[1]基于主题提取的网络表示学习[D]. 袁佳丽.华中科技大学 2019
本文编号：3362141
【文章来源】：重庆邮电大学重庆市
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
k核分解示例图
重庆邮电大学硕士学位论文第3章基于博弈论的多粒度网络表示学习192,(,1)(,)/||kkijWkkWijV(3.7)W(k,k1)1W(k,k1)(3.8)W(k,k1)代表第k层与第(k+1)层之间的映射关系，W(k,k1)代表第k层与第(k-1)层之间的映射关系，||kV表示第k层中的节点数。中间粒层的每个节点都增加了两个连接，一个用于连接上一个粒层，另一个用于连接下一个粒层。值得注意的是，第一层仅添加了一个连接来与第二层连接，最后一层只增加了一个连接与倒数第二层相连。最后，重构的多粒度图定义为",,mgmgGVEW，mgV表示重构的多粒度图节点的集合，mgE表示边的集合，W表示每个粒层的权重矩阵。3.2.3基于博弈论的随机游走在上一节中，我们根据节点之间的相似性构造了多粒度加权图。与以前的工作一样，本章模型也使用了有偏随机游走，游走概率由节点间的权重决定，该权重由结构相似性和邻接矩阵确定。为了使相似的节点在游走过程中更紧密，本节引入了博弈论的思想，在游走过程中动态调整节点间的权重。本节采用的演化稳定策略是基于公共品博弈，将多粒度图中的节点视为博弈对象，将随机游走过程作为博弈过程，节点在博弈过程中将采取合作或背叛策略。对于每个粒层，每个节点都与其它节点一起进行博弈。整个博弈过程可以分为||1kV次子博弈，那么收益矩阵可以定义如下：图3.3收益矩阵策略C表示节点选择合作策略，策略D表示节点选择背叛策略。假设节点i和j都在第k层，(,),\kxWikkVj表示当节点选择合作策略C时边(i,j)的收益，节点j是随机游走过程中节点i的后继。yW(i,j)表示当节点i和j选择合作时边(i,j)本身的支出。kV表示第k个粒层中的节点集合，α和β是控制收益和支出比例的超参数。对于本章模型，多粒度图中的节点参与了博弈，导致节点之间的权重
重庆邮电大学硕士学位论文第4章基于同构性和同质性的模糊分层网络表达32是仍然存在缺陷，即其“递归修剪”过程过于严格。对于图4.2所示，如果要获得2核子网络H(C,E|C)，则必须满足条件():deg2HvvCree（见定义2.7）。图4.3(a)展示了从1核到2核的第一次修剪，图4.3(b)展示了最终的2核子网络。在图4.2所示的小网络中，节点v的度为4，该节点是比较重要的。但是节点v在生成2核网络的过程中将被删除，因为不符合2核网络的严格定义。为了更好地捕获节点的重要性，需要通过采用模糊映射来更改k核分解的严格条件。图4.2k核示例图(a)第一次修剪(b)2核网络图4.3k核分解过程模糊集被用作定量表达固有多义性和不确定性信息的可靠手段，打破了由特征函数描述的集的边界。任何元素都可以同时属于多个模糊子集，并且其程度可以由区间[0,1]中的隶属度值表示，这种表示方法更接近于人类的感知。为了解决由精确的k核分解引起的问题，本章提出了模糊k核分解。模糊系统的关键问题是隶属度函数的使用。一般而言，模糊隶属度函数分为线性和非线性。在FHNE模型中，模糊k核分解的特征只是节点度。模型希望随着k值的增加，由节点度计算的隶属度可以涵盖更多的语义。可以看出，非线性隶属函数的典型特征与此不符，可能导致隶属度急剧上升或下降。因此，本章采用如图4.4所示的梯形隶属度函数，其对应的表达式如公式(4.1)所示：0()(),()()1()kdvkdvkvGAvkdvbbkbdv(4.1)
【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)
[2]基于演化博弈的社交网络模型演化研究[J]. 刘群,易佳. 物理学报. 2013(23)
[3]基于在线社交网络的信息传播模型[J]. 张彦超,刘云,张海峰,程辉,熊菲. 物理学报. 2011(05)
[4]粒度计算在人工神经网络中的应用[J]. 李道国,苗夺谦,杜伟林. 同济大学学报(自然科学版). 2006(07)
[5]A Granular Computing Model Based on Tolerance relation[J]. WANG Guo-yin, HU Feng, HUANG Hai, WU YuChongqing University of Posts and Telecommunications, Chongqing 400065, P.R. China. The Journal of China Universities of Posts and Telecommunications. 2005(03)
[6]不完备信息系统的粒计算方法[J]. 胡峰,黄海,王国胤,吴渝. 小型微型计算机系统. 2005(08)
[7]模糊商空间理论(模糊粒度计算方法)[J]. 张铃,张钹. 软件学报. 2003(04)
博士论文
[1]人口演化的动态网络传染病模型研究[D]. 荆文君.山西大学 2019
[2]基于复杂网络的合作演化动力学研究[D]. 高佳.西安电子科技大学 2012
[3]相容粒度空间模型及其应用研究[D]. 郑征.中国科学院研究生院（计算技术研究所） 2006
硕士论文
[1]基于主题提取的网络表示学习[D]. 袁佳丽.华中科技大学 2019
本文编号：3362141
本文链接：https://www.wllwen.com/kejilunwen/yysx/3362141.html
