近年來,網絡數據研究成為數據挖掘領域熱點問題之一。當前機器學習算法基于結構化的數據輸入,很難直接應用到網絡數據中。網絡表示學習的出現為解決該難題提供了可行途徑。網絡表示學習通過將原始網絡數據逐層抽象為自身任務所需的最終特征表示,挖掘出了網絡中的深層語義信息,有效緩解了數據稀疏問題。網絡表示學習在節(jié)點學習過程中融合屬性信息有利于進一步挖掘網絡中的語義信息,提高最終表示的質量。該類算法忽視了數據中易獲得的先驗信息,從而使得學到的表示缺乏區(qū)分性。本文圍繞先驗信息與屬性網絡表示學習的融合展開研究,主要內容如下:首先,針對現有ASNE算法中節(jié)點表示學習過程未利用先驗信息而缺乏區(qū)分性的問題,提出一種將標簽信息融入節(jié)點學習過程的改進方法。該方法利用少量的監(jiān)督信息來指導節(jié)點表示的學習過程,恢復網絡的潛在結構。在兩個人工網絡、四個真實網絡進行實驗,結果表明該方法在NMI與ACC上較原算法提高5%左右。其次,針對第一個實驗中屬性網絡表示學習存在的問題,如節(jié)點降維維度的選擇、屬性信息與結構信息不能完美融合以及相比標簽信息約束對信息更易獲得的問題,提出一種預訓練加優(yōu)化訓練的改進方法。該方法在預訓練中通過新構建... 

【文章來源】：河北地質大學河北省

【文章頁數】：67 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現狀
    1.3 論文主要研究內容
    1.4 論文組織結構
第二章 屬性網絡表示學習
    2.1 研究基礎
        2.1.1 相關定義
        2.1.2 隨機游走策略
        2.1.3 詞向量訓練模型
        2.1.4 先驗信息
    2.2 無監(jiān)督屬性網絡表示學習概述
        2.2.1 DeepWalk算法
        2.2.2 node2vec算法
        2.2.3 TADW算法
        2.2.4 ASNE算法
    2.3 半監(jiān)督屬性網絡表示學習概述
        2.3.1 Planetoid算法
        2.3.2 GCN算法
    2.4 本章小結
第三章 融合標簽信息的屬性網絡表示學習方法
    3.1 研究動機
    3.2 SASNE模型設計
        3.2.1 編碼函數
        3.2.2 譯碼函數
        3.2.3 損失函數
        3.2.4 算法描述
    3.3 實驗結果分析
        3.3.1 實驗設計
        3.3.2 人工網絡實驗結果及分析
        3.3.3 真實網絡實驗結果及分析
        3.3.4 時間性能分析
        3.3.5 參數敏感度分析
    3.4 本章小結
第四章 融合約束信息的屬性網絡表示學習方法
    4.1 研究動機
    4.2 模型設計
        4.2.1 預訓練
        4.2.2 優(yōu)化訓練
    4.3 實驗結果分析
        4.3.1 實驗設計
        4.3.2 維度實驗結果及分析
        4.3.3 真實網絡實驗結果及分析
        4.3.4 參數敏感度分析
    4.4 本章小結
第五章 基于真實屬性網絡的鏈接預測
    5.1 屬性網絡鏈接預測
    5.2 基于Scrapy的知乎數據爬取
        5.2.1 Scrapy框架
        5.2.2 知乎頁面分析與數據獲取
    5.3 基于真實屬性網絡的鏈接預測
        5.3.1 構建屬性網絡
        5.3.2 鏈接預測
    5.4 本章小結
第六章 總結與展望
參考文獻
攻讀碩士學位期間發(fā)表的論文和科研成果
作者簡介
致謝



本文編號：3172952