基于异构信息融合的网络表示学习方法研究

发布时间：2021-03-18 19:08

　　现实生活中大量的复杂系统都可以建模为网络形式进行分析。然而,随着大规模社会网络的出现,传统基于网络拓扑的表示方法面临着计算效率低下、难以有效融合异构信息等问题。为此,研究人员开始研究网络表示学习方法（Network Representation Learning,NRL）,旨在利用机器学习方法为网络中每个节点学习一个低维稠密向量表示,同时该向量能够充分保留节点原始网络结构信息和其他异构信息。进而可将其作为特征向量,有效应用于后续网络分析任务,如节点分类、链路预测等。本文旨在研究不同场景下融合异构信息的网络表示学习方法,从而提高网络表示学习相关任务性能。这些异构信息包括节点文本内容信息、节点多维分类信息和连边符号语义信息。近年来,针对上述三类异构信息的融合表示学习方法虽取得一定进展,但仍然存在以下不足:（1）融合节点文本内容信息的网络表示学习方法仅关注文本内容信息对网络结构信息的约束作用,忽略了网络结构信息对文本内容信息的反向约束作用,对复杂多主题的节点文本内容信息的核心语义挖掘不足。（2）融合节点多维分类信息的网络表示学习方法仅考虑将多维分类信息作为先验特征,辅助节点网络结构信息的表示... 

【文章来源】：战略支援部队信息工程大学河南省

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

血型网炸扮摇未音图

实现异构信息知识交互以及融合表示学习，提升节点表示向量在后续网络分析任务中的性能。图1.3给出了一个基于网络表示学习的网络分析任务流程图。网络表示作为连接原始网络数据和网络分析任务的桥梁，其主要工作在于合理有效的表示原始网络信息，进而更好地服务于后续网络分析任务。近年来，正是由于网络表示学习具有提升计算效率、缓解数据稀疏的影响、有效融合异构信息促进知识交互等优点，在相似性计算、节点分类和链路预测等网络分析任务中广泛应用，显著提升网络分析任务性能。图 1.3 基于网络表示学习的网络分析任务流程图在现实社会网络中，网络节点和连边包含丰富的异构信息，利用这些信息可以作为网络结构信息的有效补充。例如，在引文网络中，论文的题目摘要等文本内容信息是对节点自身信息的精炼概括，仅依靠节点间的引用关系难以有效表示节点间的语义关系；在社交网络中

间上下文链接预测的表示学习模型，通过有区分性的建模不同类型的上下文链接，来挖掘节点间的复杂语义关系，提高表示学习模型对连边符号语义信息的建模能力。论文研究思路和组织框架如图1.4所示。图 1.4 论文研究思路和组织结构本文主要研究内容包括以下几点：（1）融合节点文本内容信息的网络表示学习方法。针对现有融合方法对复杂多主题的节点文本内容信息核心语义挖掘不足的问题，本文提出一种基于参数共享的共耦表示学习模型。一方面，通过共耦表示学习模型建模网络结构信息对文本内容信息的约束作用，挖掘文本内容的核心语义信息。另一方面，通过交叉迭代训练策略，实现两方面信息相互约束作用在表示学习过程中的动态竞争，进而获得更加贴合数据场景的网络表示。（2）融合节点多维分类信息的网络表示学习方法。针对现有融合方法在节点多维分类信息不完备情况下鲁棒性较低的问题，本文提出一种基于随机扰动和同质性约束的表示学习模型。一方面，通过随机扰动策略进行数据集变换，提升模型对不完备信息的适应能力。另一方面，在学习融合表示向量过程中，设计基于同质性原理的属性相似性保留方法

【参考文献】：
期刊论文
[1]一种融合节点先验信息的图表示学习方法[J]. 温雯,黄家明,蔡瑞初,郝志峰,王丽娟.  软件学报. 2018(03)
[2]符号网络研究综述[J]. 程苏琦,沈华伟,张国清,程学旗.  软件学报. 2014(01)
[3]复杂网络链路预测[J]. 吕琳媛.  电子科技大学学报. 2010(05)



本文编号：3088787