網(wǎng)絡(luò)作為一種很常見的數(shù)據(jù)形式遍布于我們的日常生活,包括社交網(wǎng)絡(luò)、交通網(wǎng)絡(luò)以及生物網(wǎng)絡(luò)等。這些網(wǎng)絡(luò)中的節(jié)點與連邊都蘊含著豐富的語義信息,通過對它們的分析,我們能夠洞悉社會的結(jié)構(gòu)、協(xié)調(diào)交通的運作以及探清生物間的依賴關(guān)系等。然而原始的網(wǎng)絡(luò)數(shù)據(jù)可能規(guī)模十分巨大,這使得數(shù)據(jù)的存儲與處理都變得困難起來。并且我們常見的數(shù)據(jù)挖掘與機器學(xué)習(xí)方法通常不能直接應(yīng)用到網(wǎng)絡(luò)這種非結(jié)構(gòu)化的數(shù)據(jù)形式上。因此,為了方便數(shù)據(jù)地存儲與處理,同時為了使后續(xù)的節(jié)點分類、節(jié)點聚類、鏈路預(yù)測以及可視化等任務(wù)得以有效地施展并取得更好的效果,網(wǎng)絡(luò)表征學(xué)習(xí)吸引了學(xué)術(shù)界與工業(yè)界大量的關(guān)注。本文聚焦網(wǎng)絡(luò)表征,旨在將每一個節(jié)點從原始的高維鄰接矩陣映射到一個新的低維空間中,同時盡量保留對于后續(xù)機器學(xué)習(xí)任務(wù)重要的信息。常見的網(wǎng)絡(luò)表征學(xué)習(xí)方法通常有基于因子分解的方法、基于隨機游走的方法以及基于深度學(xué)習(xí)的方法三種類型。前兩者本質(zhì)上都是通過分解高階相似度矩陣來求解節(jié)點的表征,而后者則主要通過使用自動編碼器這一廣泛用于數(shù)據(jù)降維的方法來壓縮提取經(jīng)過加工的節(jié)點原始表征實現(xiàn)。另外,針對節(jié)點帶有額外屬性信息的網(wǎng)絡(luò)數(shù)據(jù),前三類方法都各顯神通有著各自的擴展,更前沿...

【文章頁數(shù)】：76 頁

【學(xué)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
    1.2 國內(nèi)外研究歷史與現(xiàn)狀
        1.2.1 基于因子分解的方法
        1.2.2 基于隨機游走的方法
        1.2.3 基于深度學(xué)習(xí)的方法
        1.2.4 問題與挑戰(zhàn)
    1.3 本文的主要研究內(nèi)容與創(chuàng)新
        1.3.1 研究內(nèi)容
        1.3.2 本文的創(chuàng)新點與貢獻
    1.4 本論文的結(jié)構(gòu)安排
第二章 相關(guān)概念與技術(shù)
    2.1 網(wǎng)絡(luò)表征學(xué)習(xí)
        2.1.1 相關(guān)定義
        2.1.2 基于因子分解的表征學(xué)習(xí)
        2.1.3 基于隨機游走的表征學(xué)習(xí)
        2.1.4 基于深度學(xué)習(xí)的表征學(xué)習(xí)
        2.1.5 結(jié)合外部信息的網(wǎng)絡(luò)表征學(xué)習(xí)
    2.2 度量學(xué)習(xí)相關(guān)理論
        2.2.1 度量學(xué)習(xí)
        2.2.2 成對損失
        2.2.3 三元組損失
        2.2.4 其它損失
    2.3 神經(jīng)網(wǎng)絡(luò)及深度學(xué)習(xí)
        2.3.1 感知機
        2.3.2 多層神經(jīng)網(wǎng)絡(luò)
        2.3.3 自動編碼器
        2.3.4 降噪自編碼器
    2.4 本章小結(jié)
第三章 基于深度自編碼器的網(wǎng)絡(luò)表征研究
    3.1 概念與問題定義
    3.2 TEA算法
        3.2.1 基本思想
        3.2.2 改進的隨機游走策略
        3.2.3 降噪自動編碼器模型
        3.2.4 三元組損失度量學(xué)習(xí)
        3.2.5 TEA算法框架
    3.3 實驗
        3.3.1 實驗環(huán)境
        3.3.2 實驗數(shù)據(jù)
        3.3.3 對比算法與評估指標(biāo)
        3.3.4 實驗結(jié)果及分析
            3.3.4.1 與非監(jiān)督類算法的對比
            3.3.4.2 與MMDW算法的對比
        3.3.5 時間復(fù)雜度分析
        3.3.6 參數(shù)敏感度測試
    3.4 本章小結(jié)
第四章 基于深度自編碼器的屬性網(wǎng)絡(luò)表征
    4.1 概念與問題定義
    4.2 TEA+算法
        4.2.1 拉普拉斯映射
        4.2.2 目標(biāo)函數(shù)
        4.2.3 算法偽代碼
    4.3 實驗
        4.3.1 實驗環(huán)境
        4.3.2 實驗數(shù)據(jù)
        4.3.3 對比算法與評估指標(biāo)
        4.3.4 實驗結(jié)果及分析
        4.3.5 參數(shù)敏感度測試
    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(xué)位期間取得的成果



本文編號：3785298