近年來,社交網(wǎng)絡(luò)極大發(fā)展,已經(jīng)成為人們現(xiàn)實生活中不可缺少的一部分。社交網(wǎng)絡(luò)圖結(jié)構(gòu)信息挖掘成為熱門研究問題。為了讓社交網(wǎng)絡(luò)信息傳播更廣泛,更頻繁,我們需要增加網(wǎng)絡(luò)的鏈接數(shù),一個很重要的問題就是為用戶推薦他可能關(guān)注的用戶�，F(xiàn)在有很多關(guān)于靜態(tài)圖節(jié)點的低維表示（圖嵌入）的研究,在鏈接預(yù)測上取得不錯的效果。然而,現(xiàn)實生活中的圖大多數(shù)是動態(tài)的,帶有時間戳信息。本文首先介紹了前人在社交網(wǎng)絡(luò)鏈接預(yù)測上所用到的各類方法,提出了多層級聯(lián)的內(nèi)容和興趣注意力模型CIGAT（Contents and Interests Graph Attention model）,挖掘用戶不同方面的特征,更好地推薦用戶。然后在此基礎(chǔ)上,引入建立關(guān)系的時間戳信息,提出了時間影響的多層級聯(lián)內(nèi)容興趣注意力模型CIGTAT（Contents and Interests Graph Time-aware Attention model）,來更好地學習用戶之間內(nèi)容和興趣的影響,兼顧用戶長期興趣與短期興趣,實現(xiàn)更好地鏈接預(yù)測,從而更好地為用戶推薦用戶。 

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 引言
    1.2 研究背景
    1.3 研究內(nèi)容
    1.4 本文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第2章 相關(guān)研究現(xiàn)狀綜述
    2.1 社交網(wǎng)絡(luò)挖掘
        2.1.1 社交網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)
        2.1.2 社交網(wǎng)絡(luò)信息擴散
        2.1.3 社交網(wǎng)絡(luò)鏈接預(yù)測
        2.1.4 其他網(wǎng)絡(luò)挖掘工作
    2.2 網(wǎng)絡(luò)表示學習(Graph Embedding)
        2.2.1 基于矩陣特征向量的算法
        2.2.2 基于簡單神經(jīng)網(wǎng)絡(luò)的算法
        2.2.3 基于矩陣分解的方法
        2.2.4 基于深層神經(jīng)網(wǎng)絡(luò)的方法
        2.2.5 基于社區(qū)發(fā)現(xiàn)的算法
        2.2.6 結(jié)合外部信息的網(wǎng)絡(luò)表示方法
    2.3 時間序列分析
    2.4 本章小結(jié)
第3章 基于層次多重圖嵌入的用戶推薦算法
    3.1 用戶推薦問題描述
    3.2 模型的整體結(jié)構(gòu)
    3.3 單層內(nèi)容興趣注意力層
    3.4 多層級聯(lián)內(nèi)容興趣注意力層
    3.5 模型訓(xùn)練
    3.6 本章小結(jié)
第4章 基于時間感知的多重圖嵌入的用戶推薦算法
    4.1 問題描述
    4.2 模型的整體結(jié)構(gòu)
    4.3 時間影響的單層內(nèi)容興趣注意力層
    4.4 多層級聯(lián)時間影響的內(nèi)容興趣注意力層
    4.5 模型訓(xùn)練
    4.6 本章小結(jié)
第5章 實驗結(jié)果與分析
    5.1 實驗環(huán)境
    5.2 實驗數(shù)據(jù)集
    5.3 評價指標
    5.4 對比算法
    5.5 實驗結(jié)果與分析
    5.6 本章小結(jié)
第6章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 未來展望
    6.3 本章小結(jié)
參考文獻
攻讀碩士學位期間主要的研究成果
致謝


【參考文獻】：
期刊論文
[1]網(wǎng)絡(luò)表示學習綜述[J]. 涂存超,楊成,劉知遠,孫茂松.  中國科學:信息科學. 2017(08)



本文編號：3658243