基于网络表征学习的异质网节点分类研究

发布时间：2021-04-09 03:11

　　在不同信息化对象构成的复杂网络中,各网络对象的交互也呈现出多样性,这样由多类型的节点和关系构成的复杂网络称为异质网。在很多问题背景下,它能更加真实,有效的反映现实世界丰富多样的信息。而异质网中因节点类型不同,对信息更新和扩散产生的影响也各不相同,所以对异质网节点分类进行研究具有重要意义。现有的网络节点分类研究主要是基于先验知识定义的元路径进行分类,每条元路径是一个确定的节点序列;由于异质网中网络节点和链接的类型不同,这样的差异在元路经中往往无法体现,使得现有节点分类方法在异质网中并不适用。因此基于异质网的异质性,本文提出利用节点间的链接关系为特征的异质网节点分类方法。首先利用网络表征学习来获取异质网中节点关系的特征;然后基于得到的节点特征来训练和测试分类模型;最后实现异质网节点分类；文本的主要工作包括以下四点:（1）异质网数据预处理。本文首先按照节点对的形式对数据节点进行定制化处理；然后基于异质网数据的特性采用随机游走的方法来获取节点数据。（2）节点的网络表征学习。首先,在输入层,基于获取的节点数据,通过预处理得到相应的数据:然后,在隐藏层,通过构建神经网络对节点的关系特征进行学习；最... 

【文章来源】：云南大学云南省 211工程院校

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

图２．１三种不同异质网数据集网络模式示意图??

?Ｙｅｌｐ?Ｄｏｕｂａｎ?电影??图２．１三种不同异质网数据集网络模式示意图??２．２网络表征学习相关知识??网络表征学习：给定一个网络Ｇ?＝?五），研究者把通过一个映射函数??／：〇，?Ｖ，Ｖ／ｅＭ将网络转换得到的一个ｃ／？｜ａ｜的向量的方法称为网络表??征学习。??网络表征学习的目的是在于学习一个网络顶点的低维表示，从而得到一个近??似的低维空间来保存原始网络空间＿，如图２．２所示。近年来，有大量关于网络表??示的研宄，本文将网络表示的相关算法按以下三个方面分类：（１）基于矩阵分解；??（２）基于随机游走；（３）基于深度学习。??，霉、十：??、、一一－一??Ｉ?：丨７？??、、、、ｙ??图２．２网络表征学习示意图??８??

构造相应的神经网络，实现网络的网络表征学习，将高维稀疏的网络通过低维的向??量空间表示。??ＳＤＮＥＰ１是一种基于深度学习的网络表征学习方法，如图２．３所示，通过深??度自编码来获取网络中邻接关系的一阶相似性和二阶相似性，然后联合优化两者??的相似性，实现高度非线性网络结构保留的网络表征学习方法。一介相似性主要保??存局部网络结构，通过表示学习得到的节点通过自编码其邻居节点可以被重构出??来，二阶相似性主要保存全局的网络结构。??Ｉ?Ｉ?Ｉ?１??Ｉ?ＩＩ?Ｉ??Ｉ?ＩＩ?Ｉ??Ｉ?ＩＩ?Ｉ??…＿參〕：／?＿＿＼｜?ｆ鲁參＃…羲＃參１?｜??ｉ?Ｖ；共享系数）、?ｔ；?！??＾?會?１?｜?ｉ?＾■會?１?｜??搫鲁＃…爨＃?！?！?｜鲁鬱＿…鬱＃?Ｉ??Ｉ＾ｊ?｜?！?＾＾＾??＼??！—?；—１??］??！?Ｌｉ拉普拉斯特征ｌ?Ｉ?ｒ赢贏１赢．＇??＃?％?ｍ?映射＂１—?＾?．：??二」——?Ｌ｜?Ｉ?ｔ．?ｉ??

【参考文献】：
期刊论文
[1]用SAX解析XML文档的实现方法[J]. 王芳,李正凡.  华东交通大学学报. 2004(01)



本文编号：3126797