基于深度学习的动态网络表征学习研究

发布时间：2020-12-25 04:40

　　在现实世界中,很多系统以网络的形式表现,例如社交网络、因特网、科学家协作网、电力系统中的电力网等等。但是原始的网络数据具有冗余性、关联性、大规模等特性,这加大了对算法效率的要求和影响了数据处理的效果。网络表征学习将原始网络数据压缩到低维空间进行表达,不仅降低了计算成本,而且提升了网络数据挖掘任务的效果(如链接预测、网络重构、网络稳定、社区稳定等)。然而,以往的网络表征方法主要侧重于静态网络,不适合具有演化性的动态网络。目前的动态网络表征方法仍然面临一些问题和挑战,一方面是在稳定性的表现上的不足,另一个方面是基于深度学习的网络表征学习方法复杂度过高。对于这两个问题,本文将基于深度学习框架重点研究动态网络表征学习的稳定性和模型复杂性。首先,为了提升动态网络表征学习的稳定性,本文提出一种基于深度自编码器的社区信息动态网络表征学习(CDNE)。为了更好地表达原始网络的结构,该方法使用网络结构的一阶信息和二阶信息的结合,从而提升了网络预测任务(链接预测、网络重构)的效果。在稳定性方面,本文在深度自编码器的目标函数中将原本的全局结构和局部结构上加上社区演化部分,这大大地提升了动态网络表征学习的稳定... 

【文章来源】：深圳大学广东省

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 研究内容
    1.3 论文组织结构
第2章 动态网络表征学习研究现状
    2.1 基于因式分解的方法
    2.2 基于自编码器的方法
    2.3 基于类Skip-Gram模型的方法
    2.4 基于图卷积网络的方法
    2.5 基于其他的方法
    2.6 本章小结
第3章 基于深度自编码器的社区信息动态网络表征学习
    3.1 术语定义
    3.2 网络一阶信息和二阶信息的提取
    3.3 全局结构信息和局部结构信息表达
    3.4 社区信息的稳定性表达
    3.5 目标函数
    3.6 堆叠式自编码器
    3.7 实验结果
        3.7.1 实验设置
        3.7.2 实验结果及分析
        3.7.3 参数敏感度分析
    3.8 本章小结
第4章 基于稀疏拓扑结构自编码器的动态网络表征学习
    4.1 稀疏自编码器的构建
    4.2 稀疏自编码器拓扑结构的优化
    4.3 SPDNE框架
    4.4 实验结果
        4.4.1 实验设置
        4.4.2 实验结果及分析
        4.4.3 参数敏感度分析
    4.5 本章小结
第5章 总结与展望
    5.1 本文的主要工作和创新点
    5.2 未来的工作展望
参考文献
指导教师对研究生学位论文的学术评语
学位论文答辩委员会决议书
致谢
攻读硕士学位期间研究成果



本文编号：2936977