动态异构信息网络的表示学习研究

发布时间：2021-02-07 01:49

　　基于图的机器学习是一项重要且无处不在的任务,其应用已逐渐遍布在我们的日常生活中。该研究领域的主要挑战是找到一种表示或编码图结构的方法,以便机器学习模型可以轻松利用它。然而,传统的图表示法由于依赖图邻接矩阵、邻接表或人工构造特征,已经无法适应大规模网络的机器学习需求。网络表示学习旨在将网络中的节点表示为低维稠密的向量,并用低维向量解决后续的机器学习任务。近年来,由于该方法可以有效降低各种网络分析任务的复杂性,已成为新的研究热点。然而,现有的网络表示学习方法大多针对静态网络,无法表示动态演变网络。针对上述问题,本文旨在研究动态异构信息网络的表示学习问题,并采用了基于随机游走的方式学习网络节点的表示。基于随机游走的网络表示学习方法首先通过随机游走构造节点序列,然后将节点序列输入SKIP-GRAM模型以学习节点的低维表示。然而现有的这类方法由于在进行随机游走时没有同时利用网络拓扑、语义、文本与时间戳等信息,网络表示学习的效果有待提升。鉴于此,本文提出了一种新的基于动态随机游走的异构信息网络的表示学习方法。本文首先构造了一个动态异构信息网络,然后提出了一种新的自动提取并延长元路径的方法,还结合边... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：84 页

【学位级别】：硕士

【部分图文】：

图２－４?Ｗａｌｋｌｅｔｓ原理示意图【１７１??Ｋｅｉｋｈａ等人指出，现有网络表示学习方法仅考虑了局部网络拓扑，没有同时??

?（２＿６）??目标函数的正则化项，可用于减弱过拟合现象。??如图２－５所示，自编码器的中间层位于编码器和解码器的交界处，拥有的神??经元数量最少。因此，取自编码器的中间层作为网络节点的低维向量表示以得到??维度尽可能小的向量。??８??

图３－１?ＨＩＮ＿ＤＲＬ总体框架??

【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：3021442