本文關(guān)鍵詞： 鏈接預(yù)測 社會計算 情感分析 序列行為 深度學習 多模態(tài)學習　出處：《哈爾濱工業(yè)大學》2016年博士論文　論文類型：學位論文

【摘要】：隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展,社會網(wǎng)絡(luò)(SNS,Social Network Service)成為了許多人日常生活中的一部分。作為一種新興的網(wǎng)絡(luò)服務(wù),社會網(wǎng)絡(luò)可以為其社會成員提供類似于真實社會環(huán)境中的許多功能,社會成員也被這些功能所吸引從而注冊加入各種興趣的社會網(wǎng)絡(luò)。這些不同興趣的社會網(wǎng)絡(luò),大都會提供種類各異的用戶交互服務(wù)。例如允許社會成員標記其它成員為朋友或是敵人,或者允許部分成員通過選舉成為擁有特定職權(quán)的管理員,又或者提供成員對其它成員發(fā)表的信息、觀點進行評價、討論的服務(wù)。這些種類豐富的成員之間的交互行為數(shù)據(jù),是社會成員憑借自身意識在日積月累中生成的,可以反映人類社會發(fā)展的一些普遍現(xiàn)象。因此,對社會網(wǎng)絡(luò)中這些用戶交互數(shù)據(jù)資源進行深入的分析挖掘,無論對于社會網(wǎng)絡(luò)研究,互聯(lián)網(wǎng)的發(fā)展,以及相關(guān)產(chǎn)業(yè),都具有舉足輕重的地位。這些種類豐富的社會成員之間的交互行為大部分都可以用鏈接(Link)的形式來表示。將社會成員表示為圖中的節(jié)點,他們之間的交互行為就可以表示為節(jié)點之間不同類型的鏈接,這樣的圖稱為鏈接網(wǎng)絡(luò)(Link Network)。鏈接預(yù)測(Link Prediction)問題主要以分析鏈接網(wǎng)絡(luò)結(jié)構(gòu)為主要方法,從而預(yù)測一對節(jié)點是否會在未來產(chǎn)生鏈接,或是預(yù)測一對節(jié)點之間可能存在鏈接的類型。如此看來,對鏈接預(yù)測的深入研究,將對分析用戶交互行為有著重大的幫助。然而在大部分鏈接網(wǎng)絡(luò)結(jié)構(gòu)不可見,或是有新節(jié)點加入鏈接網(wǎng)絡(luò)時,現(xiàn)有的鏈接預(yù)測方法大都會遇到冷啟動問題而導(dǎo)致性能大幅下降。而且社會網(wǎng)絡(luò)中的鏈接生成并非為靜態(tài)離散的,這種動態(tài)生成的鏈接網(wǎng)絡(luò)中存在著更多的影響因素,然而現(xiàn)有的鏈接預(yù)測方法很少去分析它們。如果能同時利用社會網(wǎng)絡(luò)中多種形式的數(shù)據(jù)源,并且更好的對鏈接行為進行建模,那么就有可能提高鏈接預(yù)測方法的性能,從而進一步能更好的分析社會網(wǎng)絡(luò)中社會成員的交互行為,并為社會成員提供更好的用戶體驗。本文主要研究社會網(wǎng)絡(luò)中鏈接預(yù)測方法,從尋求可用于鏈接預(yù)測的特征和嘗試可用于鏈接預(yù)測的方法這兩方面展開研究。包括研究基于鏈接網(wǎng)絡(luò)結(jié)構(gòu)的預(yù)測方法和特征分析,以及研究如何用深度學習方法來預(yù)測鏈接值,并提升鏈接網(wǎng)絡(luò)特征的性能。本文研究如何引入用戶文本和情感詞典來提升預(yù)測性能,還嘗試將離散靜態(tài)的鏈接網(wǎng)絡(luò)表示為動態(tài)連續(xù)的序列行為。在引入新特征的同時,嘗試使用多模態(tài)學習方法來進一步提升預(yù)測性能。具體地,本文的主要內(nèi)容包含以下四個方面:(1)鏈接網(wǎng)絡(luò)作為鏈接預(yù)測的基本研究對象,值得深入的研究和分析。我們首先從分析鏈接網(wǎng)絡(luò)的結(jié)構(gòu)入手,從鏈接網(wǎng)絡(luò)中提取盡可能多的結(jié)構(gòu)特征。因為鏈接網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)常十分龐大,需要較長時間來提取特征。本文優(yōu)化了特征提取的方法,提高了特征抽取的效率�；诰�性支持向量機,本文提出了基于鏈接網(wǎng)絡(luò)結(jié)構(gòu)特征的預(yù)測方法。通過對模型的分析,并結(jié)合相應(yīng)的社會心理學理論,嘗試分析了每種特征對于鏈接值的影響。(2)本文針對現(xiàn)有鏈接預(yù)測方法存在的問題,給出了具體可行的解決方法。為了解決冷啟動問題,結(jié)合情感分析方法,本文將用戶文本特征和情感詞典引入鏈接預(yù)測問題的解決中。基于多源特征,本文提出了優(yōu)化基于用戶相似度度量的預(yù)測方法,同時提出優(yōu)化基于線性分類器的預(yù)測方法。為了解決只能對鏈接進行靜態(tài)、離散的預(yù)測,本文將用戶行為轉(zhuǎn)化為動態(tài)、連續(xù)的序列行為�；谛蛄行袨榻�,本文提出了對序列行為中鏈接值預(yù)測方法,以及對序列行為的最終結(jié)果進行預(yù)測的方法。(3)鏈接網(wǎng)絡(luò)結(jié)構(gòu)內(nèi)可能蘊含著豐富的用戶行為信息,本文使用深度學習的方法來挖掘這種隱藏在特征之內(nèi)的信息。通過對受限玻爾茲曼機能力的分析,本文設(shè)計了不同作用的深度置信網(wǎng)絡(luò)(DBN)結(jié)構(gòu)�；谶@些深度置信網(wǎng)絡(luò)結(jié)構(gòu),本文提出了基于深度學習模型的無監(jiān)督預(yù)測方法、鏈接特征表示方法,以及基于DBN的鏈接值預(yù)測方法。為了節(jié)省訓練時間,優(yōu)化了DBN訓練策略,同時嘗試在不同興趣社會網(wǎng)絡(luò)數(shù)據(jù)上交叉訓練和測試模型。實驗表明深度學習方法能更好的利用鏈接網(wǎng)絡(luò)結(jié)構(gòu)特征,從而提升預(yù)測性能。(4)在擁有多種數(shù)據(jù)源的社會網(wǎng)絡(luò)中,應(yīng)該充分利用這些不同模態(tài)特征的信息來進行鏈接預(yù)測。為了學習不同模態(tài)特征的聯(lián)合表示,本文設(shè)計了兩種多模態(tài)深度置信網(wǎng)絡(luò)(MDBN)結(jié)構(gòu),提出了基于多模態(tài)學習的鏈接預(yù)測方法。通過對深度置信網(wǎng)絡(luò)的進一步研究,針對標簽分類和樣本重構(gòu)任務(wù),本文提出了兩種功能的DBN學習方法。通過使用不同作用的DBN學習方法得到的MDBN,能進一步提升鏈接預(yù)測的性能,同時也可以生成部分缺失特征。
[Abstract]:......
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TP393.09

【相似文獻】

相關(guān)期刊論文 前4條

1 李力;沈冰;李榮峰;趙長森;;水電站入庫徑流量的灰色自記憶預(yù)測方法研究[J];應(yīng)用科學學報;2007年02期

2 蔣官澄;張衛(wèi)行;吳雄軍;王曉軍;;一種新的油層敏感性預(yù)測方法研究[J];計算機仿真;2011年09期

3 胥少卿;羅強一;梁帥;;區(qū)間型時間序列數(shù)據(jù)的點預(yù)測方法研究[J];系統(tǒng)仿真學報;2010年03期

4 ;[J];;年期

相關(guān)會議論文 前3條

1 毛國敏;鄒其嘉;顧建華;封長華;;地震人員傷亡預(yù)測方法研究及其應(yīng)用[A];中國地震學會第六次學術(shù)大會論文摘要集[C];1996年

2 彭晨蕊;高斌;劉星;郭淵明;;城市規(guī)劃中的需水量預(yù)測方法研究[A];規(guī)劃創(chuàng)新：2010中國城市規(guī)劃年會論文集[C];2010年

3 胡敏;趙春標;;基于神經(jīng)網(wǎng)絡(luò)的工業(yè)經(jīng)濟預(yù)測方法研究[A];2011下一代自動測試系統(tǒng)學術(shù)研討會論文集[C];2011年

相關(guān)博士學位論文 前1條

1 劉峰;社會網(wǎng)絡(luò)中鏈接預(yù)測方法研究[D];哈爾濱工業(yè)大學;2016年

相關(guān)碩士學位論文 前7條

1 李永耀;基于全矢-AR模型的旋轉(zhuǎn)機械故障趨勢預(yù)測方法研究[D];鄭州大學;2015年

2 楊瑜;Web服務(wù)QoS自適應(yīng)預(yù)測方法研究[D];河南理工大學;2015年

3 李永;城市空間動態(tài)預(yù)測方法研究[D];山東師范大學;2010年

4 彭彪;基于神經(jīng)網(wǎng)絡(luò)的匯率預(yù)測方法研究[D];南京信息工程大學;2008年

5 汪惠;基于小波的企業(yè)管理預(yù)測方法研究[D];北京工業(yè)大學;2003年

6 賈雪;基于EMD-ESN的智能預(yù)測方法研究[D];鄭州大學;2013年

7 劉文富;快速響應(yīng)客戶需求的訂單交貨期預(yù)測方法研究[D];浙江大學;2006年

，

本文編號：1514861