人類活動(dòng)構(gòu)成了功能各異的社會(huì)團(tuán)體,這些社會(huì)團(tuán)體由不同的人、人與人之間錯(cuò)綜復(fù)雜的關(guān)系組成。隨著互聯(lián)網(wǎng)與現(xiàn)代信息技術(shù)的飛速發(fā)展,傳統(tǒng)的社會(huì)團(tuán)體逐漸向線上轉(zhuǎn)移和發(fā)展,在線社交網(wǎng)絡(luò)已經(jīng)成為承載人類活動(dòng)的主要平臺(tái)。作為人們?nèi)粘Ｉ畹闹匾蕾?社交網(wǎng)絡(luò)中節(jié)點(diǎn)眾多,信息龐雜,且隨時(shí)間不斷演化,導(dǎo)致對(duì)其研究愈加困難。鏈接預(yù)測(cè)作為社交網(wǎng)絡(luò)分析中重要的研究?jī)?nèi)容,有助于探索網(wǎng)絡(luò)的演化機(jī)制和發(fā)展模式,評(píng)估社會(huì)現(xiàn)象,完善網(wǎng)絡(luò)中的缺失信息,挖掘用戶間的潛在鏈接。本論文以當(dāng)前主流的社交平臺(tái)為例,結(jié)合表示學(xué)習(xí)技術(shù),針對(duì)未來(lái)鏈接以及未知鏈接預(yù)測(cè)進(jìn)行了研究。本論文主要研究工作如下:1.在未來(lái)鏈接的預(yù)測(cè)方面,從社交網(wǎng)絡(luò)中特征的異構(gòu)性的角度出發(fā),構(gòu)建了一種基于特征表示與融合的鏈接預(yù)測(cè)模型。首先,針對(duì)結(jié)構(gòu)空間的稀疏性和高維性,利用表示學(xué)習(xí)將其低秩稠密矢量化,以識(shí)別用戶之間的空間關(guān)系,發(fā)現(xiàn)用戶間的關(guān)聯(lián)性;其次,考慮到文本語(yǔ)義的多樣性和復(fù)雜性,引入詞嵌入模型對(duì)用戶文本向量化,并引入時(shí)間衰減函數(shù),量化用戶文本對(duì)鏈接形成的影響。同時(shí),選取每個(gè)用戶的top-k個(gè)關(guān)聯(lián)用戶,簡(jiǎn)化計(jì)算復(fù)雜度;最后,提出一種基于Attention和特征融合的鏈... 

【文章來(lái)源】：重慶郵電大學(xué)重慶市

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

社交網(wǎng)絡(luò)的三個(gè)特性

重慶郵電大學(xué)碩士學(xué)位論文第1章緒論6圖1.3論文總體研究思路針對(duì)研究點(diǎn)一，論文以社交網(wǎng)絡(luò)中的未來(lái)鏈接為切入點(diǎn)�；诰W(wǎng)絡(luò)中特征形態(tài)的異構(gòu)性，利用表示學(xué)習(xí)將用戶的關(guān)系數(shù)據(jù)以及歷史文本數(shù)據(jù)表示為統(tǒng)一的低維向量，構(gòu)建基于特征表示與融合的鏈接預(yù)測(cè)模型，預(yù)測(cè)用戶未來(lái)可能建立的鏈接。首先，針對(duì)結(jié)構(gòu)空間的稀疏性和高維性，利用表示學(xué)習(xí)將其低秩稠密矢量化，以識(shí)別用戶之間的空間關(guān)系，發(fā)現(xiàn)用戶間的關(guān)聯(lián)性；其次，考慮到文本語(yǔ)義的多樣性和復(fù)雜性，引入詞嵌入模型提取用戶文本的向量表達(dá)。并在其矩陣中引入時(shí)間衰減函數(shù)，量化用戶文本對(duì)鏈接形成的影響。同時(shí)，對(duì)每個(gè)用戶選取其top-k個(gè)關(guān)聯(lián)用戶，簡(jiǎn)化其計(jì)算復(fù)雜度；最后，提出一種基于Attention和特征融合的鏈接預(yù)測(cè)方法，對(duì)結(jié)構(gòu)空間特征和用戶文本特征進(jìn)行融合與挖掘，最終實(shí)現(xiàn)從多個(gè)特征空間綜合預(yù)測(cè)鏈接的目的。實(shí)驗(yàn)表明，該模型能有效提高鏈接預(yù)測(cè)性能。針對(duì)研究點(diǎn)二，論文以社交網(wǎng)絡(luò)中的未知鏈接為切入點(diǎn)。考慮到社交網(wǎng)絡(luò)中影響鏈接建立的因素非常多，因此充分考慮不同因素之間的關(guān)聯(lián)性，構(gòu)建基于混合概率的表示學(xué)習(xí)鏈接預(yù)測(cè)模型，挖掘用戶的潛在關(guān)聯(lián)，發(fā)現(xiàn)影響好友間產(chǎn)生鏈接關(guān)系的關(guān)鍵因素。首先基于用戶關(guān)系和用戶行為，分別構(gòu)建共同好友比例矩陣、共同行為比率矩陣和興趣相似度矩陣；其次，利用DeepWalk算法在網(wǎng)絡(luò)表示中的優(yōu)勢(shì)，將三個(gè)矩陣融合并將其作為DeepWalk算法中隨機(jī)游走的轉(zhuǎn)移概率，得到用戶的向量表達(dá)；最后，計(jì)算向量之間的相似度并進(jìn)行閾值判斷，預(yù)測(cè)用戶之間的未知鏈接。實(shí)驗(yàn)表明，該模型能有效預(yù)測(cè)用戶間的鏈接，并能發(fā)現(xiàn)影響好友間產(chǎn)生鏈接關(guān)系的關(guān)鍵因素。綜上所述，本文的主要貢獻(xiàn)和創(chuàng)新點(diǎn)體現(xiàn)在：1.本文設(shè)計(jì)了一種基于特征表示與融合的鏈接預(yù)測(cè)模型�；诒硎緦W(xué)?

誚泳卣蟮氖?據(jù)也會(huì)變得非常稀疏。這些缺點(diǎn)導(dǎo)致關(guān)于社交網(wǎng)絡(luò)的分析研究非常困難，因此研究者轉(zhuǎn)而提出了新的網(wǎng)絡(luò)表示方法。表示學(xué)習(xí)方法是一種分布式的表示方法。所謂的分布式，意思是描述某個(gè)節(jié)點(diǎn)或單詞時(shí)，使用它的上下文來(lái)表示它，如“導(dǎo)師”，提到導(dǎo)師，就能聯(lián)想到它的上下文可能是“學(xué)生、指導(dǎo)、論文”等詞。與分布式表示不同，離散表示則將詞與詞孤立的表示，忽略了對(duì)象間的語(yǔ)義信息和上下文信息，如ont-hot表示和TF-IDF等。因此，分布式表示學(xué)習(xí)可以在向量中表明對(duì)象間的關(guān)聯(lián)，更充分地利用了對(duì)象間的語(yǔ)義關(guān)系。圖2.3表示學(xué)習(xí)示意圖2.2.1無(wú)監(jiān)督的表示學(xué)習(xí)方法目前，表示學(xué)習(xí)方法主要有以下兩類[28]：無(wú)監(jiān)督的表示學(xué)習(xí)方法(UnsupervisedNetworkEmbeddings)和屬性表示學(xué)習(xí)方法(AttributedNetworkEmbeddings)。前者僅學(xué)習(xí)了網(wǎng)絡(luò)結(jié)構(gòu)信息，后者則包含了一些屬性信息，如用戶發(fā)布的文本信息。無(wú)監(jiān)督的表示學(xué)習(xí)方法大致分為：基于矩陣特征向量的方法、基于神經(jīng)網(wǎng)絡(luò)的方法、基于矩陣分解的方法和保存特殊性質(zhì)的方法[29]�；诰仃囂卣飨蛄康姆椒ㄊ禽^早的用于表示學(xué)習(xí)的算法，這類方法主要是通過(guò)構(gòu)建關(guān)系矩陣得到網(wǎng)絡(luò)中的節(jié)點(diǎn)表示，但是由于特征向量的計(jì)算較為復(fù)雜且需要大量存儲(chǔ)空間，所以這類方法不適用于大規(guī)模網(wǎng)絡(luò)。較為典型的幾種方法有Laplace特征表(Laplaceeigenmap)[35]、局部線性表示(locallylinearembedding)[36]和有向圖表示(directedgraphembedding)[37]等�；谏窠�(jīng)網(wǎng)絡(luò)的方法又分為簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)和深層神經(jīng)網(wǎng)絡(luò)兩種，DeepWalk[38]、

【參考文獻(xiàn)】：
期刊論文
[1]網(wǎng)絡(luò)表示學(xué)習(xí)綜述[J]. 涂存超,楊成,劉知遠(yuǎn),孫茂松.  中國(guó)科學(xué):信息科學(xué). 2017(08)
[2]基于貝葉斯網(wǎng)的知識(shí)圖譜鏈接預(yù)測(cè)[J]. 韓路,尹子都,王鈺杰,胡礦,岳昆.  計(jì)算機(jī)科學(xué)與探索. 2017(05)
[3]Link prediction in social networks: the state-of-the-art[J]. WANG Peng,XU BaoWen,WU YuRong,ZHOU XiaoYu.  Science China（Information Sciences）. 2015(01)

碩士論文
[1]基于網(wǎng)絡(luò)表示學(xué)習(xí)的推薦算法研究與實(shí)現(xiàn)[D]. 徐悅.北京郵電大學(xué) 2019
[2]基于文本向量表示學(xué)習(xí)的引文推薦方法研究[D]. 李飛.西北農(nóng)林科技大學(xué) 2018
[3]基于概率模型的社會(huì)網(wǎng)絡(luò)鏈接預(yù)測(cè)研究[D]. 徐宏.華南理工大學(xué) 2016



本文編號(hào)：3465656