物理、生物、社會和信息系統(tǒng)中的關聯(lián)數(shù)據(jù)可以根據(jù)關系種類被抽象為單一關系圖譜或多關系圖譜,同時得益于圖的表征和計算能力,對圖結(jié)構(gòu)數(shù)據(jù)的處理已經(jīng)成為了當前學術界和工業(yè)界的研究熱點之一。作為人工智能領域的重要研究方向之一,表示學習技術能基于圖中包含的拓撲結(jié)構(gòu)信息和語義信息,對圖進行有效表征與計算,并在語音識別與信號處理、自然語言處理等相關領域中起到了舉足輕重的作用。其目標是采用機器學習的方法,利用網(wǎng)絡中的知識結(jié)構(gòu),將圖中的節(jié)點和邊以低維實值向量進行表達,實現(xiàn)對實體和關系的語義信息提取與表示,從而完成相應的圖計算應用�；诖�,通過深入分析現(xiàn)有的圖表示學習算法的設計思路與建模機制,本文將圍繞基于語義合成與映射的表示學習模型展開研究,并梳理分析當前主流相關工作,明確現(xiàn)有語義合成方法存在的不足:第一,當前主流的語義合成方式對圖中信息利用不足,難以挖掘出實體間更豐富的關聯(lián)特征,導致表示學習算法性能較低;二,當前主流相關模型主要關注如何設計新穎的向量語義映射算法,忽視了對不同向量語義合成方式優(yōu)缺點的深入認識,難以靈活應用于各種場景,制約了圖表示學習算法的實際應用。針對上述關鍵問題,本文分別提出了對應的語...

【文章頁數(shù)】：84 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 圖表示學習算法研究現(xiàn)狀
        1.2.1 序列學習模型研究現(xiàn)狀
        1.2.2 語義映射模型研究現(xiàn)狀
    1.3 擬解決的關鍵問題
    1.4 主要貢獻與創(chuàng)新
    1.5 論文的結(jié)構(gòu)安排
第二章 相關理論基礎
    2.1 表示學習相關概念
        2.1.1 表示學習的對象
        2.1.2 知識的表示方式
    2.2 卷積神經(jīng)網(wǎng)絡
        2.2.1 基本的卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)
        2.2.2 Inception系列卷積模型
    2.3 本章小結(jié)
第三章 基于卷積神經(jīng)網(wǎng)絡的表示學習算法
    3.1 擬解決的關鍵問題與研究思路
    3.2 基于卷積神經(jīng)網(wǎng)絡的表示學習模型
        3.2.1 符號系統(tǒng)定義
        3.2.2 模型描述
        3.2.3 算法實現(xiàn)
    3.3 實驗結(jié)果與討論
        3.3.1 實驗環(huán)境
        3.3.2 實驗數(shù)據(jù)集與評測指標
        3.3.3 實驗設置
        3.3.4 關系推理任務的實驗結(jié)果與分析
        3.3.5 并列卷積網(wǎng)絡結(jié)構(gòu)設計的實驗分析
    3.4 本章小結(jié)
第四章 基于向量語義合成與映射的表示學習算法
    4.1 擬解決的關鍵問題與研究思路
    4.2 基于向量語義合成與映射的表示學習模型
        4.2.1 基礎模型框架
        4.2.2 向量語義合成方法設計
        4.2.3 算法實現(xiàn)
    4.3 實驗結(jié)果與討論
        4.3.1 實驗環(huán)境與實驗數(shù)據(jù)
        4.3.2 實驗設置
        4.3.3 關系推理任務的實驗結(jié)果與分析
        4.3.4 鏈路預測任務的實驗結(jié)果與分析
        4.3.5 模型關聯(lián)分析
    4.4 本章小結(jié)
第五章 全文總結(jié)與展望
    5.1 全文總結(jié)
    5.2 后續(xù)工作展望
致謝
參考文獻
攻讀碩士學位期間取得的成果



本文編號：3737310