發(fā)布時間：2023-09-16 11:14

　　隨著社交網(wǎng)絡(luò)的快速發(fā)展,從社交網(wǎng)絡(luò)中獲取用戶之間的信息已經(jīng)成為了學(xué)術(shù)領(lǐng)域一個重要的研究內(nèi)容,例如鏈路預(yù)測、社團發(fā)現(xiàn)、節(jié)點分類等。社交網(wǎng)絡(luò)往往具有用戶數(shù)量龐大、節(jié)點稀疏等特點,在傳統(tǒng)的圖論方法中利用鄰接矩陣來表示社交網(wǎng)絡(luò),此時的鄰接矩陣會非常龐大,并且大部分?jǐn)?shù)據(jù)都是0,因此很難有效地利用社交網(wǎng)絡(luò)。針對社交網(wǎng)絡(luò)的重要分支—符號網(wǎng)絡(luò),本文提出了一種正交化的圖正則非負矩陣分解方法(Orthogonal Graph Regularized Nonnegative Matrix Factorization,OGNMF)。該方法可以對龐大的符號網(wǎng)絡(luò)進行降維,使其維度適合存儲與計算,并且同時保留原始網(wǎng)絡(luò)的結(jié)構(gòu)信息和稀疏性,可以利用降維后的符號網(wǎng)絡(luò)來預(yù)測用戶之間的關(guān)系。另外還在OGNMF的基礎(chǔ)上用2,1范數(shù)加以約束,使其具有更好的魯棒性。本文的具體工作如下:1.我們提出了OGNMF算法,給出了其更新規(guī)則,在此規(guī)則中OGNMF算法可以達到收斂,此外還提供了收斂性的分析。OGNMF算法對高維度的符號網(wǎng)絡(luò)進行降維,從而可以利用其分解出來的低維度的矩陣來代替原始矩陣進行計算。符號網(wǎng)絡(luò)中的用戶關(guān)系看作是標(biāo)簽,我們...

【文章頁數(shù)】：53 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 符號關(guān)系網(wǎng)絡(luò)
        1.2.2 非負矩陣分解
    1.3 論文主要工作
    1.4 論文組織結(jié)構(gòu)
第2章 相關(guān)理論基礎(chǔ)
    2.1 符號網(wǎng)絡(luò)
        2.1.1 符號網(wǎng)絡(luò)定義
        2.1.2 社會平衡理論
        2.1.3 社會地位理論
        2.1.4 網(wǎng)絡(luò)表示方法
    2.2 非負矩陣分解
        2.2.1 標(biāo)準(zhǔn)非負矩陣分解
        2.2.2 圖正則非負矩陣分解
        2.2.3 魯棒非負矩陣分解
    2.3 本章小結(jié)
第3章 基于正交化圖正則非負矩陣分解的用戶關(guān)系預(yù)測
    3.1 引言
    3.2 算法框架
        3.2.1 提取結(jié)構(gòu)特征
        3.2.2 提取隱含特征
        3.2.3 收斂性分析
        3.2.4 Tr Ada Boost算法
    3.3 實驗設(shè)計與分析
        3.3.1 數(shù)據(jù)集簡介
        3.3.2 對比算法與評價指標(biāo)
        3.3.3 實驗分析
    3.4 本章小結(jié)
第4章 基于魯棒正交化圖正則非負矩陣分解的用戶關(guān)系預(yù)測
    4.1 引言
    4.2 算法描述
    4.3 實驗設(shè)計與分析
        4.3.1 對比算法與評價指標(biāo)
        4.3.2 實驗分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 未來工作
參考文獻
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果



本文編號：3846912