基于图结构的多源迁移学习方法研究
发布时间：2021-11-15 09:56
近年来,随着大数据和人工智能技术的迅猛发展,社交网络、引文网络等应用越来越多。对于这些应用程序,一个独特性就是它们的数据由网络结构表示,其中节点表示实体,边表示节点之间的关系。通过聚合大量网络图结构实现知识的快速响应和推理。然而,新兴网络由于没有足够可用的标签信息或因节点标签的获得成本较高,利用传统机器学习算法并不能得到一个准确率较高的分类模型。但是通常,丰富的标记数据往往存在于许多已建立的网络中,这些网络来自不同但相关的领域。本文利用来自辅助源网络的信息帮助预测目标网络中节点的标签。在现实中,识别出可以在网络之间迁移并且对目标域有用的知识是跨网络迁移学习的主要挑战。针对具有网络结构的数据,本文提出了一种基于图结构的多源迁移学习方法,该方法通过构建节点结构特征,并将结构特征与节点实体特征相结合,利用迭代算法对目标域中的节点进行分类。本文针对具有网络结构的数据,提出了一种构建其节点结构特征的方法。在所有节点的局部邻域结构中,找到一组对于分类有效的图结构,节点局部邻域结构与这组图结构计算图相似度,作为该节点的结构特征。针对本文所涉及到的图结构,提出了一种最大公共子图求解方法,该方法可以对候...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
迁移学习的研究领域与研究方法分类
哈尔滨工业大学工程硕士学位论文12设EVG,，EVG",""为两个图（同为有向图或同为无向图），若"VV且"EE，则称G"为G的子图，G为G"的母图。（2）V的导出子图：设EVG,,1VV且V1，称以V1为顶点集，以G中两个端点都在V1中的边组成边集E1的图为G的V1导出的子图，记作VG][1。（3）图同构的定义：设EVG111),(，EVG222),(为两个无向图（或两个有向图），若存在双射函数:VVf21，使得i,Vvvj1，ji),v(Ev1当且仅当ji))(),((Evfvf2（,jiEvv1当且仅当ji)(),(Evfvf2），并且vvji),(与vfvfji))(),((（vv,ji与vfvfji)(),(）的重数相同时，则称G1与G2同构。（4）子图同构的定义：设EVG111),(，EVG222),(为两个无向图（或两个有向图），若V1存在一个子集V"，使得V"的导出子图G与G2同构，则称G2与G1是子图同构关系。（5）最大公共子图的定义：给定两个图（同为无向图或同为有向图），EVG111),(，EVG222),(，求一个最大的V1的子集V"，使得V"的导出子图G同构于G2的某个子图。V"的导出子图G即为G1和G2的最大公共子图。图之间的同构关系可以看做是全体图集合上的一种二元等价关系。在同构意义下，这个等价关系的每个等价类中的图都可以视为同一个图。同一种图的表示形式可以有很多种。对其中一个图进行多次等价变换，若相等即为同构关系。显然，阶数相同、边数相同、度数列相同是两个图构成同构关系的必要但不充分条件。下图是一个两个图同构的例子，其中G1与G2为图同构关系。图2-2图同构示例2.2.2图匹配算法子图同构问题已经广泛应用于许多实际问题中，比如在图数据库中查询是否包含某个模式图。目前子图同构算法也很多，有精确图匹配算法和非精确图匹配
哈尔滨工业大学工程硕士学位论文17的准确率。图3-1老师和老板节点的局部结构因此，对于节点结构信息的提取，需要提取出包含节点标签信息的局部子图结构，这样的结构模式可以对跨网络迁移学习研究提供有用的知识。本文假设节点的标签只依赖于深度为T的局部邻域结构，引入节点T-邻域结构的概念，定义如下：定义一个图EVG),(，节点Vv，节点v的T-邻域结构vg是一个从节点v出发深度为T所遍历到的节点形成的一个子图结构，该子图结构包含每个节点的标签信息，其中v节点的标签信息赋值为-1，v点也称为vg的原点。图3-2是节点T-邻域结构的一个例子，从Citeseer数据集中选择一个节点A，得到其局部结构。分别当T取1、2、3时，得到该节点的T-邻域结构，结果如下图所示：图3-2节点T-邻域结构示例
【参考文献】：
期刊论文
[1]基于平衡概率分布和实例的迁移学习算法[J]. 黄露,曾庆山. 郑州大学学报(理学版). 2020(03)
[2]基于对称破坏的子图同构约束求解算法[J]. 徐周波,梁轩瑜,刘华东,戴瑀君. 计算机工程与设计. 2020(02)
[3]基于多源迁移学习的数据流分类研究[J]. 周胜,刘三民. 四川理工学院学报(自然科学版). 2019(04)
[4]一种求解子图同构问题的改进遗传算法[J]. 项英倬,魏强,游凌,石浩. 计算机科学. 2019(S1)
[5]基于特征迁移和实例迁移的跨项目缺陷预测方法[J]. 倪超,陈翔,刘望舒,顾庆,黄启国,李娜. 软件学报. 2019(05)
[6]基于线性判别分析的迁移学习[J]. 车志勇. 电子世界. 2019(06)
[7]基于域与样例平衡的多源迁移学习方法[J]. 季鼎承,蒋亦樟,王士同. 电子学报. 2019(03)
[8]结合迁移学习与深度卷积网络的心电分类研究[J]. 查雪帆,杨丰,吴俣南,刘颖,袁绍锋. 中国医学物理学杂志. 2018(11)
[9]结合表示学习和迁移学习的跨领域情感分类[J]. 廖祥文,吴晓静,桂林,黄锦辉,陈国龙. 北京大学学报(自然科学版). 2019(01)
[10]一种匹配全局结构的图相似性度量[J]. 范宇杰,陈黎飞,郭躬德. 小型微型计算机系统. 2016(07)
博士论文
[1]面向跨领域文档分类的异构迁移学习算法研究[D]. 谭琦.华南理工大学 2013
硕士论文
[1]动态网络的结构相似性度量方法与应用研究[D]. 王佳.北京交通大学 2019
[2]大规模动态图节点相似性度量方法研究[D]. 段锐丰.辽宁大学 2018
[3]大规模动态图相似节点Top-k查询方法研究[D]. 李雪侨.辽宁大学 2018
[4]图相似性匹配算法研究[D]. 牛丹丹.燕山大学 2018
[5]改进的多源域多视角迁移算法研究[D]. 刘桂峰.青岛大学 2016
[6]基于对象引用图的Android恶意软件检测系统设计与实现[D]. 李肖强.哈尔滨工业大学 2015
[7]基于编辑距离的图相似性查询处理[D]. 杨薇.燕山大学 2015
本文编号：3496553
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
迁移学习的研究领域与研究方法分类
哈尔滨工业大学工程硕士学位论文12设EVG,，EVG",""为两个图（同为有向图或同为无向图），若"VV且"EE，则称G"为G的子图，G为G"的母图。（2）V的导出子图：设EVG,,1VV且V1，称以V1为顶点集，以G中两个端点都在V1中的边组成边集E1的图为G的V1导出的子图，记作VG][1。（3）图同构的定义：设EVG111),(，EVG222),(为两个无向图（或两个有向图），若存在双射函数:VVf21，使得i,Vvvj1，ji),v(Ev1当且仅当ji))(),((Evfvf2（,jiEvv1当且仅当ji)(),(Evfvf2），并且vvji),(与vfvfji))(),((（vv,ji与vfvfji)(),(）的重数相同时，则称G1与G2同构。（4）子图同构的定义：设EVG111),(，EVG222),(为两个无向图（或两个有向图），若V1存在一个子集V"，使得V"的导出子图G与G2同构，则称G2与G1是子图同构关系。（5）最大公共子图的定义：给定两个图（同为无向图或同为有向图），EVG111),(，EVG222),(，求一个最大的V1的子集V"，使得V"的导出子图G同构于G2的某个子图。V"的导出子图G即为G1和G2的最大公共子图。图之间的同构关系可以看做是全体图集合上的一种二元等价关系。在同构意义下，这个等价关系的每个等价类中的图都可以视为同一个图。同一种图的表示形式可以有很多种。对其中一个图进行多次等价变换，若相等即为同构关系。显然，阶数相同、边数相同、度数列相同是两个图构成同构关系的必要但不充分条件。下图是一个两个图同构的例子，其中G1与G2为图同构关系。图2-2图同构示例2.2.2图匹配算法子图同构问题已经广泛应用于许多实际问题中，比如在图数据库中查询是否包含某个模式图。目前子图同构算法也很多，有精确图匹配算法和非精确图匹配
哈尔滨工业大学工程硕士学位论文17的准确率。图3-1老师和老板节点的局部结构因此，对于节点结构信息的提取，需要提取出包含节点标签信息的局部子图结构，这样的结构模式可以对跨网络迁移学习研究提供有用的知识。本文假设节点的标签只依赖于深度为T的局部邻域结构，引入节点T-邻域结构的概念，定义如下：定义一个图EVG),(，节点Vv，节点v的T-邻域结构vg是一个从节点v出发深度为T所遍历到的节点形成的一个子图结构，该子图结构包含每个节点的标签信息，其中v节点的标签信息赋值为-1，v点也称为vg的原点。图3-2是节点T-邻域结构的一个例子，从Citeseer数据集中选择一个节点A，得到其局部结构。分别当T取1、2、3时，得到该节点的T-邻域结构，结果如下图所示：图3-2节点T-邻域结构示例
【参考文献】：
期刊论文
[1]基于平衡概率分布和实例的迁移学习算法[J]. 黄露,曾庆山. 郑州大学学报(理学版). 2020(03)
[2]基于对称破坏的子图同构约束求解算法[J]. 徐周波,梁轩瑜,刘华东,戴瑀君. 计算机工程与设计. 2020(02)
[3]基于多源迁移学习的数据流分类研究[J]. 周胜,刘三民. 四川理工学院学报(自然科学版). 2019(04)
[4]一种求解子图同构问题的改进遗传算法[J]. 项英倬,魏强,游凌,石浩. 计算机科学. 2019(S1)
[5]基于特征迁移和实例迁移的跨项目缺陷预测方法[J]. 倪超,陈翔,刘望舒,顾庆,黄启国,李娜. 软件学报. 2019(05)
[6]基于线性判别分析的迁移学习[J]. 车志勇. 电子世界. 2019(06)
[7]基于域与样例平衡的多源迁移学习方法[J]. 季鼎承,蒋亦樟,王士同. 电子学报. 2019(03)
[8]结合迁移学习与深度卷积网络的心电分类研究[J]. 查雪帆,杨丰,吴俣南,刘颖,袁绍锋. 中国医学物理学杂志. 2018(11)
[9]结合表示学习和迁移学习的跨领域情感分类[J]. 廖祥文,吴晓静,桂林,黄锦辉,陈国龙. 北京大学学报(自然科学版). 2019(01)
[10]一种匹配全局结构的图相似性度量[J]. 范宇杰,陈黎飞,郭躬德. 小型微型计算机系统. 2016(07)
博士论文
[1]面向跨领域文档分类的异构迁移学习算法研究[D]. 谭琦.华南理工大学 2013
硕士论文
[1]动态网络的结构相似性度量方法与应用研究[D]. 王佳.北京交通大学 2019
[2]大规模动态图节点相似性度量方法研究[D]. 段锐丰.辽宁大学 2018
[3]大规模动态图相似节点Top-k查询方法研究[D]. 李雪侨.辽宁大学 2018
[4]图相似性匹配算法研究[D]. 牛丹丹.燕山大学 2018
[5]改进的多源域多视角迁移算法研究[D]. 刘桂峰.青岛大学 2016
[6]基于对象引用图的Android恶意软件检测系统设计与实现[D]. 李肖强.哈尔滨工业大学 2015
[7]基于编辑距离的图相似性查询处理[D]. 杨薇.燕山大学 2015
本文编号：3496553
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3496553.html
