基于图卷积神经网络的多源迁移学习方法研究
发布时间：2022-09-24 20:54
移动互联网的高速发展带来了大量具有图结构的数据,如社交网络等,这些具有图结构的数据越来越得到人们的关注。为了深入挖掘空间结构信息,人们提出了图卷积神经网络。然而,图卷积神经网络虽然能很好的挖掘出图结构的信息,但当一个新的领域出现时,训练好的神经网络并不能不加修改的直接应用于新的领域。迁移学习可以利用已有域即源域的知识帮助解决新的领域即目标域的问题。根据源域的个数,可以分为单源域和多源域,单源域实际上是多源域的一个特例,因此本文主要研究多源域的情况。本文根据源域与目标域特征空间的异同,提出了两种基于图卷积神经网络的迁移学习方法,分别解决同构社交网络图模型下的节点识别问题和异构社交网络图模型下的节点识别问题。针对同构社交网络图模型下的节点识别问题,首先,本文提出了一种基于混合度量的分布距离衡量方法,选择分布距离与目标域较小的源域进行融合,然后对融合的源域和目标域进行分布对齐,减小它们的分布差异,最后使用图卷积神经网络提取他们的空间特征信息,预测目标域标签。最后在具有图结构的公开数据集上验证了本文的多源同构迁移学习方法,证明了该方法的有效性。针对异构社交网络图模型下的节点识别问题,首先,本文...
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题研究的背景
1.1.1 课题研究背景
1.1.2 课题研究意义
1.2 国内外研究现状
1.2.1 迁移学习研究现状
1.2.2 图卷积的研究现状
1.2.3 图模型的迁移研究
1.3 主要研究内容
1.4 论文组织结构
第2章 本文相关技术
2.1 分布距离度量
2.1.1 最大均值差异MMD
2.1.2 地球搬土距离EMD
2.1.3 KL散度
2.2 图卷积神经网络
2.2.1 GCN模型
2.2.2 Graph SAGE模型
2.2.3 GAT模型
2.3 本章小结
第3章 同构社交网络图模型下的迁移问题
3.1 问题描述
3.2 基于图卷积的多源同构迁移方法设计
3.2.1 多源同构数据的融合
3.2.2 同构数据的迁移
3.2.3 空间特征的提取
3.3 数据说明及预处理
3.4 实验部分
3.4.1 实验结果及分析
3.4.2 参数影响分析
3.5 本章小结
第4章 异构社交网络图模型下的迁移问题
4.1 问题描述
4.2 基于图卷积的多源异构迁移方法设计
4.2.1 异构数据的转换
4.2.2 多源异构图卷积模型的训练
4.2.3 多源异构图卷积模型的融合
4.3 舆情数据实验
4.3.1 数据预处理
4.3.2 实验结果及分析
4.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文
致谢
【参考文献】：
期刊论文
[1]大数据时代下计算机网络技术中人工智能应用研究[J]. 付达. 电子世界. 2020(04)
[2]图卷积神经网络综述[J]. 徐冰冰,岑科廷,黄俊杰,沈华伟,程学旗. 计算机学报. 2020(05)
[3]拉普拉斯矩阵在聚类中的应用[J]. 刘颖,张艳邦. 天津科技大学学报. 2019(03)
[4]归纳式迁移学习在跨领域情感倾向性分析中的应用[J]. 孟佳娜,赵丹丹,于玉海,孙世昶. 南京大学学报(自然科学). 2016(01)
[5]基于Agent强化学习的地图迁移学习算法[J]. 张炎,刘博文. 电子世界. 2014(15)
[6]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植. 软件学报. 2015(01)
[7]基于EMD度量的图像匹配技术[J]. 钱亮于,高世伟,柴珠利. 计算机工程与设计. 2008(11)
硕士论文
[1]基于主动迁移学习的多网络关系预测及推荐研究[D]. 张凯.南京邮电大学 2019
[2]基于关系映射的迁移模型研究及应用[D]. 吁松.哈尔滨工业大学 2018
[3]面向多领域的异构关系数据迁移学习界限研究[D]. 周奉兰.哈尔滨工业大学 2017
[4]基于图谱迁移的协同过滤算法研究[D]. 龚丹.华侨大学 2016
[5]多源迁移学习算法研究[D]. 严海锐.华南理工大学 2016
[6]异构关系数据的迁移学习界限及其在角色识别问题中的应用[D]. 赵蕾.哈尔滨工业大学 2015
[7]基于知识迁移的网络舆论多维度识别系统的设计与实现[D]. 刘闽.哈尔滨工业大学 2013
[8]基于图结构挖掘算法的研究与应用[D]. 康艳荣.重庆大学 2005
本文编号：3680849
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题研究的背景
1.1.1 课题研究背景
1.1.2 课题研究意义
1.2 国内外研究现状
1.2.1 迁移学习研究现状
1.2.2 图卷积的研究现状
1.2.3 图模型的迁移研究
1.3 主要研究内容
1.4 论文组织结构
第2章 本文相关技术
2.1 分布距离度量
2.1.1 最大均值差异MMD
2.1.2 地球搬土距离EMD
2.1.3 KL散度
2.2 图卷积神经网络
2.2.1 GCN模型
2.2.2 Graph SAGE模型
2.2.3 GAT模型
2.3 本章小结
第3章 同构社交网络图模型下的迁移问题
3.1 问题描述
3.2 基于图卷积的多源同构迁移方法设计
3.2.1 多源同构数据的融合
3.2.2 同构数据的迁移
3.2.3 空间特征的提取
3.3 数据说明及预处理
3.4 实验部分
3.4.1 实验结果及分析
3.4.2 参数影响分析
3.5 本章小结
第4章 异构社交网络图模型下的迁移问题
4.1 问题描述
4.2 基于图卷积的多源异构迁移方法设计
4.2.1 异构数据的转换
4.2.2 多源异构图卷积模型的训练
4.2.3 多源异构图卷积模型的融合
4.3 舆情数据实验
4.3.1 数据预处理
4.3.2 实验结果及分析
4.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文
致谢
【参考文献】：
期刊论文
[1]大数据时代下计算机网络技术中人工智能应用研究[J]. 付达. 电子世界. 2020(04)
[2]图卷积神经网络综述[J]. 徐冰冰,岑科廷,黄俊杰,沈华伟,程学旗. 计算机学报. 2020(05)
[3]拉普拉斯矩阵在聚类中的应用[J]. 刘颖,张艳邦. 天津科技大学学报. 2019(03)
[4]归纳式迁移学习在跨领域情感倾向性分析中的应用[J]. 孟佳娜,赵丹丹,于玉海,孙世昶. 南京大学学报(自然科学). 2016(01)
[5]基于Agent强化学习的地图迁移学习算法[J]. 张炎,刘博文. 电子世界. 2014(15)
[6]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植. 软件学报. 2015(01)
[7]基于EMD度量的图像匹配技术[J]. 钱亮于,高世伟,柴珠利. 计算机工程与设计. 2008(11)
硕士论文
[1]基于主动迁移学习的多网络关系预测及推荐研究[D]. 张凯.南京邮电大学 2019
[2]基于关系映射的迁移模型研究及应用[D]. 吁松.哈尔滨工业大学 2018
[3]面向多领域的异构关系数据迁移学习界限研究[D]. 周奉兰.哈尔滨工业大学 2017
[4]基于图谱迁移的协同过滤算法研究[D]. 龚丹.华侨大学 2016
[5]多源迁移学习算法研究[D]. 严海锐.华南理工大学 2016
[6]异构关系数据的迁移学习界限及其在角色识别问题中的应用[D]. 赵蕾.哈尔滨工业大学 2015
[7]基于知识迁移的网络舆论多维度识别系统的设计与实现[D]. 刘闽.哈尔滨工业大学 2013
[8]基于图结构挖掘算法的研究与应用[D]. 康艳荣.重庆大学 2005
本文编号：3680849
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3680849.html
