網(wǎng)絡(luò)表示學(xué)習(xí)的主要任務(wù)是為網(wǎng)絡(luò)中的結(jié)點(diǎn)學(xué)習(xí)低維稠密的向量表示,為結(jié)點(diǎn)分類(lèi)、鏈接預(yù)測(cè)、結(jié)點(diǎn)聚類(lèi)等網(wǎng)絡(luò)分析任務(wù)提供高效的數(shù)據(jù)支持�，F(xiàn)有的網(wǎng)絡(luò)表示學(xué)習(xí)方法主要包括結(jié)構(gòu)表示學(xué)習(xí)和屬性表示學(xué)習(xí)兩類(lèi),然而,研究者們?cè)诮＞W(wǎng)絡(luò)的結(jié)構(gòu)特征和屬性特征時(shí)通常只考慮常規(guī)結(jié)點(diǎn)特性,忽略了邊緣結(jié)點(diǎn)在網(wǎng)絡(luò)中的重要性。雖然邊緣結(jié)點(diǎn)在網(wǎng)絡(luò)的數(shù)量往往低于常規(guī)結(jié)點(diǎn),但是在解決網(wǎng)絡(luò)分析問(wèn)題時(shí)卻起著至關(guān)重要的作用。研究面向邊緣結(jié)點(diǎn)的表示學(xué)習(xí)方法對(duì)提升網(wǎng)絡(luò)分析各類(lèi)任務(wù)有效性具有重要意義,同時(shí)也面臨著諸多挑戰(zhàn):1)如何有效的融合結(jié)點(diǎn)的結(jié)構(gòu)信息和屬性信息,從多個(gè)角度更全面的學(xué)習(xí)結(jié)點(diǎn)特征;2)如何有針對(duì)性的建模邊緣結(jié)點(diǎn)和常規(guī)結(jié)點(diǎn)之間的關(guān)聯(lián)關(guān)系,以更好的區(qū)分邊緣結(jié)點(diǎn)和常規(guī)結(jié)點(diǎn)的主要特征。針對(duì)上述問(wèn)題,本文提出一種面向邊緣結(jié)點(diǎn)發(fā)現(xiàn)的屬性網(wǎng)絡(luò)表示學(xué)習(xí)方法ANE_BN,該方法通過(guò)融合網(wǎng)絡(luò)的結(jié)構(gòu)信息和結(jié)點(diǎn)的屬性信息,建模網(wǎng)絡(luò)結(jié)構(gòu)表示與屬性表示之間的關(guān)系,可以實(shí)現(xiàn)結(jié)構(gòu)特征穩(wěn)定性與屬性特征實(shí)時(shí)性的互補(bǔ)。該方法首次將結(jié)構(gòu)表示學(xué)習(xí)和屬性表示學(xué)習(xí)方法應(yīng)用到邊緣結(jié)點(diǎn)的表示學(xué)習(xí)問(wèn)題中,不僅考慮了邊緣結(jié)點(diǎn)屬性建模,還考慮了如何將屬性信息和... 

【文章來(lái)源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：47 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

DeepWalk表示學(xué)流程[11]

以上主要介紹了面向網(wǎng)絡(luò)微結(jié)構(gòu)特征的表示學(xué)習(xí)方法,此外,還有一些經(jīng)典的網(wǎng)絡(luò)表示學(xué)習(xí)方法,如：GraRep[29]、DNGR[14]、Node2Vec[37]和GraphGAN[39]等。以上方法主要面向網(wǎng)絡(luò)結(jié)構(gòu)的微觀特征學(xué)習(xí)結(jié)點(diǎn)的低階和高階特征表示,以及線(xiàn)性和非線(xiàn)性特征表示。2.1.2 中觀結(jié)構(gòu)表示學(xué)習(xí)

網(wǎng)絡(luò)的結(jié)構(gòu)形成過(guò)程是結(jié)點(diǎn)間的相互作用過(guò)程,該過(guò)程需要一定的時(shí)間才能趨于穩(wěn)定,因此,基于網(wǎng)絡(luò)結(jié)構(gòu)的表示學(xué)習(xí)需要從穩(wěn)定的拓?fù)浣Y(jié)構(gòu)中才能學(xué)習(xí)到可靠的表示信息。然而,在現(xiàn)實(shí)社會(huì)的各類(lèi)網(wǎng)絡(luò)中,文本信息的形成速度往往快于結(jié)構(gòu)的形成速度,因此,在網(wǎng)絡(luò)表示學(xué)習(xí)中融合文本信息,可以直接、快速的補(bǔ)充結(jié)構(gòu)表示缺失的其它信息�；谏鲜鏊枷�,Yang等人首次提出了融合文本信息的新型網(wǎng)絡(luò)表示學(xué)習(xí)方法TADW[51]。該方法在DeepWalk的基礎(chǔ)上引入文本特征矩陣T,通過(guò)矩陣分解方法將關(guān)系矩陣分解為W,H和T三個(gè)小矩陣,并通過(guò)共軛梯度下降求解模型參數(shù)。TADW方法是融合結(jié)點(diǎn)文本屬性信息的經(jīng)典表示學(xué)習(xí)方法之一。此外,為了建模結(jié)點(diǎn)之間的上下文關(guān)系,研究者還提出了CANE[52]算法。該方法一方面可以對(duì)結(jié)點(diǎn)之間的關(guān)系進(jìn)行有效的建模和解釋,另一方面可以根據(jù)不同的鄰居學(xué)習(xí)上下文的相關(guān)性表示。2.2.2 融合結(jié)點(diǎn)標(biāo)簽的表示學(xué)習(xí)


本文編號(hào)：3321210