社交網(wǎng)絡(luò)是信息的一種載體,不僅節(jié)點的鏈接關(guān)系中蘊藏著豐富的信息,而且節(jié)點本身也具有多樣的信息。因此,對社交網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)挖掘具有重要意義。隨著互聯(lián)網(wǎng)的普及,社交網(wǎng)絡(luò)的節(jié)點個數(shù)逐漸增多,網(wǎng)絡(luò)結(jié)構(gòu)也變的越發(fā)復(fù)雜,給現(xiàn)有的網(wǎng)絡(luò)挖掘技術(shù)帶來了前所未有的挑戰(zhàn)。如何將稀疏且高維的網(wǎng)絡(luò)數(shù)據(jù),映射為稠密而低維的特征向量成為解決問題的關(guān)鍵,因此網(wǎng)絡(luò)表示學(xué)習(xí)模型一度成為研究熱點。網(wǎng)絡(luò)表示學(xué)習(xí)是指使用某種方法將稀疏、高維的原始輸入數(shù)據(jù)表示為稠密、低維的向量,同時保留網(wǎng)絡(luò)信息,發(fā)現(xiàn)數(shù)據(jù)內(nèi)在規(guī)律。隨著深度學(xué)習(xí)技術(shù)的出現(xiàn),出現(xiàn)了一些基于深度模型的表示學(xué)習(xí)模型,SDNE（Structural Deep Network Embedding）模型是其中一種基于深度自編碼的網(wǎng)絡(luò)表示學(xué)習(xí)模型。SDNE模型使用一階和二階近鄰關(guān)系保持網(wǎng)絡(luò)結(jié)構(gòu),采用深度自編碼學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)信息的低維特征向量。但它只利用了網(wǎng)絡(luò)的結(jié)構(gòu)信息,忽略了網(wǎng)絡(luò)節(jié)點自身具有的屬性信息,同時沒有充分利用網(wǎng)絡(luò)中的成對約束信息。針對上述問題,采用的改進(jìn)方法為:在SDNE模型的基礎(chǔ)上,融入了網(wǎng)絡(luò)屬性信息,利用深度自編碼器學(xué)習(xí)融合網(wǎng)絡(luò)結(jié)構(gòu)和屬性信息的特征表示,同時充分利用網(wǎng)... 

【文章來源】：河北地質(zhì)大學(xué)河北省

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

神經(jīng)元結(jié)構(gòu)

河北地質(zhì)大學(xué)碩士學(xué)位論文9第二章相關(guān)知識介紹本章將對深度自編碼器及其基礎(chǔ)模型進(jìn)行介紹，同時闡述了網(wǎng)絡(luò)表示學(xué)習(xí)及相關(guān)模型基于深度自編碼器的網(wǎng)絡(luò)表示學(xué)習(xí)等相關(guān)知識。2.1深度自編碼器2.1.1人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)又稱神經(jīng)網(wǎng)絡(luò)，是按照生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和工作原理構(gòu)建的一種模型。該模型的基本結(jié)構(gòu)是神經(jīng)元，神經(jīng)元結(jié)構(gòu)如圖2.1所示：圖2.1神經(jīng)元結(jié)構(gòu)神經(jīng)元模型包括多個輸入(321,,xxx)，這些輸入分別于各自的權(quán)值(321,,www)相乘,神經(jīng)元接收到的總輸入(321xxx)與其閾值進(jìn)行相減，然后作為激活函數(shù)(Sigmoid函數(shù))的輸入，利用激活函數(shù)進(jìn)行計算得到最終的輸出(y)，即：)(31iiixwfy(2.1)20世紀(jì)60年代，計算科學(xué)家Rosenblatt創(chuàng)造性的建造了單層神經(jīng)網(wǎng)絡(luò)模型，即由兩層神經(jīng)元組成的“感知器(Perceptron)”模型。感知機(jī)模型如圖2.2所示:圖2.2感知機(jī)模型

基于深度自編碼的局部增強(qiáng)網(wǎng)絡(luò)表示學(xué)習(xí)研究及應(yīng)用10感知機(jī)模型包含兩層，分別是輸入層和輸出層。輸入層里的神經(jīng)元只負(fù)責(zé)接收數(shù)據(jù)，不做任何計算。輸出層的神經(jīng)元需要對輸入層輸入的數(shù)據(jù)利用激活函數(shù)進(jìn)行計算，利用感知機(jī)能解決‘與’‘或’‘非’這類的線性分類問題，但不能夠解決‘異或’這類非線性分類問題[54]。2.1.2兩層及多層神經(jīng)網(wǎng)絡(luò)兩層神經(jīng)網(wǎng)絡(luò)的提出解決了非線性分類問題，兩層神經(jīng)網(wǎng)絡(luò)模型如圖2.3所示：圖2.3兩層神經(jīng)網(wǎng)絡(luò)模型兩層神經(jīng)網(wǎng)絡(luò)模型可分為三層，即輸入層，隱藏層，輸出層。每層神經(jīng)元只與下一層神經(jīng)元以全相連的方式連接。同層神經(jīng)元之間互不連接，跨層神經(jīng)元之間也互不連接。其中輸入層神經(jīng)元只負(fù)責(zé)接收數(shù)據(jù)，不做任何計算。隱藏層和輸出層對數(shù)據(jù)進(jìn)行計算。增加一個隱層得到的兩層神經(jīng)網(wǎng)絡(luò)可以解決非線性分類問題。更一般的，常見的神經(jīng)網(wǎng)絡(luò)如圖2.4所示，該模型也稱為單隱層前饋神經(jīng)網(wǎng)絡(luò)。圖2.4單隱層前饋神經(jīng)網(wǎng)絡(luò)單隱層前饋神經(jīng)網(wǎng)絡(luò)的“前辣指的是網(wǎng)絡(luò)鏈接結(jié)構(gòu)中不存在環(huán)或回路。單隱層前饋神經(jīng)網(wǎng)絡(luò)模型要求輸入層和輸出層神經(jīng)元個數(shù)相同，而對隱藏層神經(jīng)元個數(shù)無任何要求。并且該模型具有更好的非線性分類效果。顧名思義，多層前饋神經(jīng)網(wǎng)絡(luò)指的是具有多個隱層的前饋神經(jīng)網(wǎng)絡(luò)。圖2.5是一種代表性的多層前饋神經(jīng)網(wǎng)絡(luò)模型。

【參考文獻(xiàn)】：
期刊論文
[1]集成相空間重構(gòu)與稀疏自編碼的振動信號分解方法[J]. 杜燦誼,林祖勝,喻菲菲,張紹輝.  機(jī)械設(shè)計與制造. 2019(08)
[2]基于棧式稀疏自編碼多特征融合的快速手勢識別方法[J]. 強(qiáng)彥,董林佳,趙涓涓,張婷.  北京理工大學(xué)學(xué)報. 2019(06)
[3]網(wǎng)絡(luò)表示學(xué)習(xí)算法的分析與驗證[J]. 王巖,唐杰.  中文信息學(xué)報. 2019(02)
[4]一種基于深度學(xué)習(xí)的混合推薦算法[J]. 曾旭禹,楊燕,王淑營,何太軍,陳劍波.  計算機(jī)科學(xué). 2019(01)
[5]基于卷積稀疏自編碼的圖像超分辨率重建[J]. 張秀,周巍,段哲民,魏恒璐.  紅外與激光工程. 2019(01)
[6]保持Motif結(jié)構(gòu)的網(wǎng)絡(luò)表示學(xué)習(xí)[J]. 許磊,黃玲,王昌棟.  計算機(jī)科學(xué)與探索. 2019(08)
[7]一種融合節(jié)點文本屬性信息的網(wǎng)絡(luò)表示學(xué)習(xí)算法[J]. 劉正銘,馬宏,劉樹新,楊奕卓,李星.  計算機(jī)工程. 2018(11)
[8]基于深度收縮自編碼網(wǎng)絡(luò)的飛行員疲勞狀態(tài)識別[J]. 韓霜,吳奇,孫禮兵,裘旭益,任和,盧釗.  生物醫(yī)學(xué)工程學(xué)雜志. 2018(03)
[9]基于降噪自編碼的電能質(zhì)量擾動識別[J]. 肖露欣,李增祥,馬建,陳克緒,吳建華.  南昌大學(xué)學(xué)報(理科版). 2017(06)
[10]一種融合節(jié)點先驗信息的圖表示學(xué)習(xí)方法[J]. 溫雯,黃家明,蔡瑞初,郝志峰,王麗娟.  軟件學(xué)報. 2018(03)

博士論文
[1]屬性網(wǎng)絡(luò)的半監(jiān)督學(xué)習(xí)方法研究[D]. 王紹凱.哈爾濱工業(yè)大學(xué) 2018

碩士論文
[1]基于深度自編碼的多癌癥分子分型建模與分析[D]. 余淼.華中科技大學(xué) 2016
[2]神經(jīng)網(wǎng)絡(luò)控制的FPGA研究與應(yīng)用[D]. 韓少鋒.大連海事大學(xué) 2005



本文編號：3224321