基于粒度划分的社交网络用户关系发现

发布时间：2023-12-02 12:00

　　随着新型社交网络的兴起,社会网络服务得到了飞速的发展,这促使人们可以更加快捷方便地进行信息传播与实时交流。但是社交网络在促进社会经济发展和人文交流的同时,也带来了“信息爆炸”的问题。由于社交网络可能包含数以万计的节点和边关系,因此整个网络关系推理的过程会非常的复杂,如果可以将节点表示为低维的向量,就可以很大程度上解决这一问题。网络表示学习就是将网络中节点的特征,嵌入至低维向量中的方法,而学习到的这些向量将会保留节点的相似性。针对以上问题,本文提出了一种基于粒度划分的社交网络关系发现方法,该方法结合社交网络用户的结构特征和文本特征来获得用户节点的低维表示,然后利用得到的节点表示分析用户之间的关系。本文的主要研究工作如下:(1)利用知识图谱中的实体信息作为先验知识与深度神经网络结合来增加粒度信息。先验知识的加入使数据集得到扩充的同时也使得原本属于同一类型的文本更容易聚集,这样就弱化了模型的过拟合问题,并减少模型对样本的依赖性,从而进一步提高文本特征提取的效果。(2)多层神经网络模型会随着深度增加而出现梯度消失、功能退化的问题,本文利用残差块来代替原来的深度神经网络层,同时空洞卷积与原始卷积...

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究意义及背景
    1.2 国内外研究现状
    1.3 论文主要工作
    1.4 论文组织结构
第2章 相关理论介绍
    2.1 卷积神经网络模型介绍
        2.1.1 词向量层
        2.1.2 卷积层
        2.1.3 池化层
        2.1.4 Batch Normalization
    2.2 知识图谱
        2.2.1 知识抽取
        2.2.2 知识融合
        2.2.3 知识推理
    2.3 本章小结
第3章 基于知识图谱先验知识的多层卷积神经网络模型
    3.1 问题描述
    3.2 文本预处理
        3.2.1 轻量级多语言实体链接工具包-Fast Entity Linker
        3.2.2 预训练向量
    3.3 参数设定
    3.4 对比实验
        3.4.1 数据集介绍
        3.4.2 对比实验
        3.4.3 先验知识的必要性
    3.5 本章小结
第4章 多模态特征下的社交网络节点表示方法
    4.1 问题描述
    4.2 基于知识图谱先验知识的残差网络模型
        4.2.1 空洞卷积介绍
        4.2.2 残差网络模型
        4.2.3 对比实验
    4.3 多模态特征下的社交网络节点表示方法
        4.3.1 多模态子空间学习
        4.3.2 多模态特征的联合训练
    4.4 实验结果分析
    4.5 本章小结
第5章 朋友网络情景数据下的用户关系发现
    5.1 朋友网络数据的获取
    5.2 数据预处理
        5.2.1 图片数据预处理
        5.2.2 文本翻译
    5.3 用户相似性计算
    5.4 用户关系挖掘系统分析
        5.4.1 系统功能分析
        5.4.2 系统流程图
    5.5 用户关系挖掘系统实现
        5.5.1 数据分析功能展示
        5.5.2 数据可视化功能展示
    5.6 本章小结
第6章 总结与展望
    6.1 文章总结
    6.2 未来工作展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：3869626