面向图谱分析的表示学习技术研究
发布时间：2021-03-28 22:09
图谱数据是一种重要的数据表示,它出现在各种各样的现实世界场景中,例如,社交网络中的社交图谱,研究领域中的引文图谱,知识图谱等。有效的图谱分析可以使用户更深入地了解数据背后的内容,从而使许多现实中的应用受益,如推荐系统,自然语言处理,可视化等。但是,大多数图谱分析方法都会遇到计算效率低下和空间代价高昂的问题。图谱表示学习,是解决图谱分析问题有效且高效的方法。它将图谱数据映射到低维空间中,最大程度地保留了图谱结构信息和图谱的属性。本文的研究侧重于图谱表示的两种主要学习技术,即网络表示和知识表示学习技术。现有的图谱表示方法面临着计算效率低下和数据稀疏的问题。特别的,现有的网络表示模型也无法处理异构信息网络,这些信息网络在真实场景中比同构信息网络更常见。具体的,本文提出了四个图谱表示模型来解决上述问题,一个用于同构信息网络,两个用于异构信息网络,一个用于知识图谱。首先介绍同构信息网络表示模型BimoNet,该模型基于双模式表示模型和深度神经网络模型。在双模式表示模型中,加法模式和减法模式分别表示边的实体共享特征和实体特定特征。深度自编码器可以表征边的结构信息。之后,通过联合优化这两个模型的目标...
【文章来源】：国防科技大学湖南省 211工程院校 985工程院校
【文章页数】：101 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号使用说明
第一章 绪论
1.1 研究背景与意义
1.2 研究应用
1.3 国内外研究现状
1.3.1 网络表示研究现状
1.3.2 知识表示研究现状
1.4 研究内容
1.4.1 图谱表示面临的主要挑战
1.4.2 本文主要研究内容
1.5 论文结构
第二章 基于双模式和深度神经网络的同构信息网络表示方法
2.1 引言
2.2 相关工作
2.2.1 知识图谱中的关系抽取
2.2.2 深度神经网络
2.2.3 网络表示
2.3 模型结构与分析
2.3.1 双模式表示
2.3.2 深度自编码器
2.3.3 联合模型
2.4 实验与分析
2.4.1 数据集
2.4.2 基线算法
2.4.3 实验设置
2.4.4 实验结果与分析
2.4.5 关系比较
2.4.6 参数敏感性
2.4.7 讨论
2.5 总结
第三章 通过位移机制和元路径学习异构信息网络的表示
3.1 引言
3.2 相关工作
3.3 模型准备
3.4 模型结构与机理
3.4.1 基于位移的表示学习
3.4.2 训练数据预处理
3.5 实验分析与结论
3.5.1 数据集和基线模型
3.5.2 相似度搜索
3.5.3 节点分类
3.5.4 讨论
3.6 总结
第四章 通过元图谱学习异构信息网络的表示
4.1 引言
4.2 相关工作
4.3 模型结构与机理
4.3.1 模型准备
4.3.2 模型结构
4.3.3 训练目标
4.4 实验与分析
4.4.1 实验设置
4.4.2 节点分类
4.4.3 链路预测
4.5 总结
第五章 通过动态双模式表示进行关系知识预测
5.1 引言
5.2 相关工作
5.2.1 组合模型（Compositional model）
5.2.2 位移模型（Translation-based model）
5.3 模型原理与分析
5.3.1 双模式表示
5.3.2 与TransD比较
5.3.3 与组织模型相结合
5.3.4 训练目标
5.4 实验评估与结果分析
5.4.1 实验设置
5.4.2 链路预测
5.5 小结
第六章 总结与展望
6.1 本文主要工作
6.2 未来研究方向
致谢
参考文献
作者在学期间取得的学术成果
【参考文献】：
期刊论文
[1]一种改进的基于翻译的知识图谱表示方法[J]. 方阳,赵翔,谭真,杨世宇,肖卫东. 计算机研究与发展. 2018(01)
[2]大规模复杂信息网络表示学习:概念、方法与挑战[J]. 齐金山,梁循,李志宇,陈燕方,许媛. 计算机学报. 2018(10)
[3]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：3106324
【文章来源】：国防科技大学湖南省 211工程院校 985工程院校
【文章页数】：101 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号使用说明
第一章 绪论
1.1 研究背景与意义
1.2 研究应用
1.3 国内外研究现状
1.3.1 网络表示研究现状
1.3.2 知识表示研究现状
1.4 研究内容
1.4.1 图谱表示面临的主要挑战
1.4.2 本文主要研究内容
1.5 论文结构
第二章 基于双模式和深度神经网络的同构信息网络表示方法
2.1 引言
2.2 相关工作
2.2.1 知识图谱中的关系抽取
2.2.2 深度神经网络
2.2.3 网络表示
2.3 模型结构与分析
2.3.1 双模式表示
2.3.2 深度自编码器
2.3.3 联合模型
2.4 实验与分析
2.4.1 数据集
2.4.2 基线算法
2.4.3 实验设置
2.4.4 实验结果与分析
2.4.5 关系比较
2.4.6 参数敏感性
2.4.7 讨论
2.5 总结
第三章 通过位移机制和元路径学习异构信息网络的表示
3.1 引言
3.2 相关工作
3.3 模型准备
3.4 模型结构与机理
3.4.1 基于位移的表示学习
3.4.2 训练数据预处理
3.5 实验分析与结论
3.5.1 数据集和基线模型
3.5.2 相似度搜索
3.5.3 节点分类
3.5.4 讨论
3.6 总结
第四章 通过元图谱学习异构信息网络的表示
4.1 引言
4.2 相关工作
4.3 模型结构与机理
4.3.1 模型准备
4.3.2 模型结构
4.3.3 训练目标
4.4 实验与分析
4.4.1 实验设置
4.4.2 节点分类
4.4.3 链路预测
4.5 总结
第五章 通过动态双模式表示进行关系知识预测
5.1 引言
5.2 相关工作
5.2.1 组合模型（Compositional model）
5.2.2 位移模型（Translation-based model）
5.3 模型原理与分析
5.3.1 双模式表示
5.3.2 与TransD比较
5.3.3 与组织模型相结合
5.3.4 训练目标
5.4 实验评估与结果分析
5.4.1 实验设置
5.4.2 链路预测
5.5 小结
第六章 总结与展望
6.1 本文主要工作
6.2 未来研究方向
致谢
参考文献
作者在学期间取得的学术成果
【参考文献】：
期刊论文
[1]一种改进的基于翻译的知识图谱表示方法[J]. 方阳,赵翔,谭真,杨世宇,肖卫东. 计算机研究与发展. 2018(01)
[2]大规模复杂信息网络表示学习:概念、方法与挑战[J]. 齐金山,梁循,李志宇,陈燕方,许媛. 计算机学报. 2018(10)
[3]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：3106324
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3106324.html
