基于边信息提取的网络表示学习研究

发布时间：2025-01-03 22:10

　　信息网络中数据的爆发式增长给数据分析、网络信息挖掘等工作带来了巨大的挑战。为了有效解决这些问题,网络表示学习应运而生。网络表示学习通过分析网络中的信息,将高维网络映射到一个低维稠密的空间,能够高效准确地表示网络中的信息,因此被认为是网络挖掘工作的基础。传统的网络表示学习方法,仅考虑到网络中的拓扑结构信息,很难兼顾网络中丰富的边信息和属性信息,导致其后续任务,如分类、聚类等效果不佳。针对此问题,本文首先针对普通网络,提出了基于边信息提取的网络表示学习算法。接着,进一步研究了面向属性网络的表示学习模型。具体工作包括:针对现有网络表示学习方法忽略边表示向量及边信息利用不充分的问题,提出了基于边信息提取的网络表示学习算法。该方法首先将原网络转化为边图,然后将边图输入到网络表示学习模型中,直接得到边表示向量。最后分别在几个真实数据集上进行了分类、聚类等任务。实验结果表明,在绝大多数情况下,相较于原网络,将边图作为网络表示学习模型的输入实验效果更好。为了更好地利用属性网络中的边信息,提出一种基于自编码器的多视图属性网络表示学习模型AE-MVANR。该模型将网络的拓扑结构信息作为拓扑结构视图;通过计算...

【文章页数】：54 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 研究内容及创新点
    1.3 论文组织结构
第二章 相关工作
    2.1 网络表示学习
        2.1.1 网络拓扑结构的表示学习
        2.1.2 属性网络的网络表示学习
    2.2 关键技术概述
        2.2.1 循环神经网络
        2.2.2 长短时记忆网络
        2.2.3 自编码器
    2.3 本章小结
第三章 基于边信息提取的网络表示学习
    3.1 问题定义
    3.2 基于边信息提取的网络表示学习方法
    3.3 实验
        3.3.1 数据集
        3.3.2 采用算法与参数设置
        3.3.3 实验结果与分析
    3.4 本章小结
第四章 属性网络节点表示学习
    4.1 算法思想与系统结构
    4.2 问题定义
    4.3 AE-MVANR模型
        4.3.1 构造视图
        4.3.2 构建基于LSTM的自编码器
    4.4 实验
        4.4.1 数据集
        4.4.2 对比方法
        4.4.3 参数设置
        4.4.4 分类
        4.4.5 聚类
        4.4.6 参数敏感性分析
    4.5 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 展望
致谢
参考文献
作者简介



本文编号：4022456