面向社交媒体的网络表示学习关键技术研究
发布时间：2023-10-27 19:55
随着以Facebook、Twitter、微信和微博为代表的大型社交媒体的快速发展,产生了海量的网络结构数据,如何合理地表示这些数据是实现大规模网络数据高效挖掘的基础。网络表示学习(Network Representation Learning),又称为网络嵌入(Network Embedding),就是为解决这一问题而兴起的研究方向。现有网络表示学习方法主要利用网络结构信息和其他异质信息,采用矩阵分解或神经网络方法训练得到网络节点的低维向量表示。但面对海量、动态、异质的社交媒体数据,现有网络表示学习方法仍存在以下问题与挑战:1)社交媒体中用户种类复杂多样,用户关系交叉重叠,使得现有网络表示学习方法生成的用户表示向量相互混杂、难以区分;2)社交媒体用户间的网络结构动态变化,现有动态网络表示学习方法对用户节点演化过程建模不足;3)社交媒体的不同对象间存在复杂的语义关系,在将网络连边中丰富的语义关系信息融入节点表示上还存在不足;4)社交媒体中用户数据来源多样且包含大量噪声,现有融合异质信息的网络表示学习方法在噪声干扰场景中鲁棒性不强。针对上述问题,本论文依托某装备预研项目和国家自然科学基金项...
【文章页数】：132 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
符号定义
英文缩略语表
第一章 绪论
1.1 研究背景及意义
1.2 相关基本概念
1.3 国内外研究现状
1.3.1 基于网络结构的网络表示学习方法
1.3.2 融合异质信息的网络表示学习方法
1.3.3 面向社交媒体的网络表示学习所面临的挑战
1.4 问题的提出
1.5 本文主要内容和章节架构
1.5.1 本文的主要内容
1.5.2 本文的章节架构
第二章 融合节点标签信息的网络表示学习方法
2.1 引言
2.2 问题描述
2.2.1 问题定义
2.2.2 符号说明
2.3 基于深度度量学习的网络表示学习
2.3.1 目标函数
2.3.2 节点采样过程
2.3.3 模型训练过程
2.3.4 复杂度分析
2.4 仿真实验
2.4.1 评价指标
2.4.2 数据集及对比算法
2.4.3 实验结果
2.5 本章小结
第三章 融合时空变化信息的网络表示学习方法
3.1 引言
3.2 问题描述
3.2.1 问题定义
3.2.2 符号说明
3.3 基于时空轨迹图的动态网络表示学习
3.3.1 模型介绍
3.3.2 时空轨迹图的构建
3.3.3 引入遗忘机制的随机游走过程
3.3.4 目标函数
3.4 仿真实验
3.4.1 评价指标
3.4.2 数据集及对比算法
3.4.3 实验结果
3.5 本章小结
第四章 融合连边语义信息的网络表示学习方法
4.1 引言
4.2 问题描述
4.3 基于语义信息融合的异质网络表示学习
4.3.1 模型架构
4.3.2 基于元路径的随机游走
4.3.3 带权子网络的构建
4.3.4 节点表示向量的生成
4.4 仿真实验
4.4.1 评价指标
4.4.2 数据集及对比算法
4.4.3 实验结果
4.5 本章小结
第五章 基于D-S证据理论的网络表示决策融合方法
5.1 引言
5.2 问题描述
5.2.1 问题定义
5.2.2 符号说明
5.2.3 网络节点特征表示的构建
5.3 基于D-S证据理论的网络表示决策融合
5.3.1 模型介绍
5.3.2 非线性SVM后验概率计算
5.3.3 基于混淆矩阵的后验概率校正
5.3.4 复杂度分析
5.4 仿真实验
5.4.1 评价指标
5.4.2 数据集及对比算法
5.4.3 实验结果
5.5 本章小结
第六章 基于网络表示学习的用户行为分析方法
6.1 引言
6.2 基于网络表示学习的用户行为分析方法
6.2.1 系统框架
6.2.2 数据编码
6.3 基于网络表示学习的微博网络异常用户检测
6.3.1 用户特征分析
6.3.2 微博异常用户检测
6.3.3 仿真实验
6.4 基于网络表示学习的电信网用户通话模式挖掘
6.4.1 用户特征分析
6.4.2 用户通话模式挖掘
6.4.3 仿真实验
6.5 本章小结
第七章 总结与展望
7.1 主要创新点和贡献
7.2 后续工作展望
致谢
参考文献
作者简历
本文编号：3857169
【文章页数】：132 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
符号定义
英文缩略语表
第一章 绪论
1.1 研究背景及意义
1.2 相关基本概念
1.3 国内外研究现状
1.3.1 基于网络结构的网络表示学习方法
1.3.2 融合异质信息的网络表示学习方法
1.3.3 面向社交媒体的网络表示学习所面临的挑战
1.4 问题的提出
1.5 本文主要内容和章节架构
1.5.1 本文的主要内容
1.5.2 本文的章节架构
第二章 融合节点标签信息的网络表示学习方法
2.1 引言
2.2 问题描述
2.2.1 问题定义
2.2.2 符号说明
2.3 基于深度度量学习的网络表示学习
2.3.1 目标函数
2.3.2 节点采样过程
2.3.3 模型训练过程
2.3.4 复杂度分析
2.4 仿真实验
2.4.1 评价指标
2.4.2 数据集及对比算法
2.4.3 实验结果
2.5 本章小结
第三章 融合时空变化信息的网络表示学习方法
3.1 引言
3.2 问题描述
3.2.1 问题定义
3.2.2 符号说明
3.3 基于时空轨迹图的动态网络表示学习
3.3.1 模型介绍
3.3.2 时空轨迹图的构建
3.3.3 引入遗忘机制的随机游走过程
3.3.4 目标函数
3.4 仿真实验
3.4.1 评价指标
3.4.2 数据集及对比算法
3.4.3 实验结果
3.5 本章小结
第四章 融合连边语义信息的网络表示学习方法
4.1 引言
4.2 问题描述
4.3 基于语义信息融合的异质网络表示学习
4.3.1 模型架构
4.3.2 基于元路径的随机游走
4.3.3 带权子网络的构建
4.3.4 节点表示向量的生成
4.4 仿真实验
4.4.1 评价指标
4.4.2 数据集及对比算法
4.4.3 实验结果
4.5 本章小结
第五章 基于D-S证据理论的网络表示决策融合方法
5.1 引言
5.2 问题描述
5.2.1 问题定义
5.2.2 符号说明
5.2.3 网络节点特征表示的构建
5.3 基于D-S证据理论的网络表示决策融合
5.3.1 模型介绍
5.3.2 非线性SVM后验概率计算
5.3.3 基于混淆矩阵的后验概率校正
5.3.4 复杂度分析
5.4 仿真实验
5.4.1 评价指标
5.4.2 数据集及对比算法
5.4.3 实验结果
5.5 本章小结
第六章 基于网络表示学习的用户行为分析方法
6.1 引言
6.2 基于网络表示学习的用户行为分析方法
6.2.1 系统框架
6.2.2 数据编码
6.3 基于网络表示学习的微博网络异常用户检测
6.3.1 用户特征分析
6.3.2 微博异常用户检测
6.3.3 仿真实验
6.4 基于网络表示学习的电信网用户通话模式挖掘
6.4.1 用户特征分析
6.4.2 用户通话模式挖掘
6.4.3 仿真实验
6.5 本章小结
第七章 总结与展望
7.1 主要创新点和贡献
7.2 后续工作展望
致谢
参考文献
作者简历
本文编号：3857169
本文链接：https://www.wllwen.com/xinwenchuanbolunwen/3857169.html
