發(fā)布時間：2024-04-13 22:05

　　隨著社交媒體的快速發(fā)展,越來越多的用戶開始同時使用多個社交網(wǎng)絡平臺進行通信、工作、學習和娛樂等活動,如何在各種不同社交網(wǎng)絡中找出共同用戶成為人們關(guān)注的重點,我們將這類問題稱為網(wǎng)絡對齊問題,將這里的共同用戶稱為錨節(jié)點。由于網(wǎng)絡對齊可以被廣泛應用于多個領(lǐng)域,比如網(wǎng)絡融合、鏈接預測和跨網(wǎng)絡的推薦等,所以本文的研究目的是去解決社交網(wǎng)絡中的網(wǎng)絡對齊問題�，F(xiàn)有的一些方法可以解決網(wǎng)絡對齊問題,這些方法一般包括兩個部分,第一部分為網(wǎng)絡的表示學習過程,即利用網(wǎng)絡結(jié)構(gòu)信息和用戶的特征信息將每個用戶表示成為一個特征向量,我們將這個特征向量稱為節(jié)點的嵌入表示;第二部分是匹配過程,即在多個網(wǎng)絡之間,學習一個匹配函數(shù)來預測錨節(jié)點。但是這些已有的方法仍然存在以下問題:1、匹配混亂:在網(wǎng)絡表示學習過程中,相鄰的用戶節(jié)點被非常緊密地嵌入到單個網(wǎng)絡空間中,使得相鄰節(jié)點之間難以區(qū)分,但是在匹配過程中,我們需要區(qū)分真正對應的錨節(jié)點和鄰居節(jié)點,所以這兩部分的目標相互矛盾,從而導致網(wǎng)絡對齊效果不理想;2、缺少不確定性信息:之前的模型將節(jié)點表示成簡單的點向量,而忽略了用戶節(jié)點的潛在不確定性信息;3、點對點(P2P)匹配限制:之前的...

【文章頁數(shù)】：78 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
    1.2 國內(nèi)外相關(guān)研究現(xiàn)狀
    1.3 論文的主要研究內(nèi)容
    1.4 論文的創(chuàng)新點
    1.5 論文的結(jié)構(gòu)安排
第二章 相關(guān)原理及技術(shù)
    2.1 神經(jīng)網(wǎng)絡和深度學習
        2.1.1 深度學習
        2.1.2 圖神經(jīng)網(wǎng)絡
        2.1.3 生成對抗網(wǎng)絡
        2.1.4 自編碼器模型
        2.1.5 常用的神經(jīng)網(wǎng)絡框架
    2.2 網(wǎng)絡表示學習
        2.2.1 基于矩陣分解的方法
        2.2.2 基于隨機游走的方法
        2.2.3 基于圖神經(jīng)網(wǎng)絡的方法
        2.2.4 基于高斯嵌入的方法
    2.3 深度學習模型的可解釋性
    2.4 本章小結(jié)
第三章 基于核方法和圖神經(jīng)網(wǎng)絡的網(wǎng)絡對齊
    3.1 基本術(shù)語定義
    3.2 網(wǎng)絡對齊模型的實現(xiàn)過程
        3.2.1 網(wǎng)絡的嵌入表示
        3.2.2 用戶嵌入表示的正則化
        3.2.3 錨節(jié)點匹配過程
        3.2.4 網(wǎng)絡對齊算法總結(jié)
    3.3 網(wǎng)絡對齊模型的可解釋性
        3.3.1 訓練節(jié)點對于網(wǎng)絡對齊模型的影響
        3.3.2 網(wǎng)絡結(jié)構(gòu)的相似度對于網(wǎng)絡對齊模型的影響
    3.4 本章小結(jié)
第四章 基于高斯嵌入和圖神經(jīng)網(wǎng)絡的網(wǎng)絡對齊
    4.1 基本術(shù)語定義
    4.2 網(wǎng)絡對齊模型的實現(xiàn)過程
        4.2.1 相似度的衡量標準
        4.2.2 網(wǎng)絡的高斯嵌入表示
        4.2.3 點對點匹配過程
        4.2.4 生成對抗匹配過程
        4.2.5 網(wǎng)絡對齊算法總結(jié)
    4.3 高斯嵌入表示的可解釋性
    4.4 本章小結(jié)
第五章 實驗結(jié)果和算法評估
    5.1 數(shù)據(jù)集和實驗參數(shù)
        5.1.1 數(shù)據(jù)集介紹
        5.1.2 實驗參數(shù)設(shè)置
    5.2 對比方法和衡量指標
        5.2.1 對比方法
        5.2.2 衡量指標
    5.3 網(wǎng)絡對齊的實驗結(jié)果評估
        5.3.1 模型基本指標對比
        5.3.2 模型參數(shù)對于實驗結(jié)果的影響
    5.4 模型可解釋性的實驗結(jié)果評估
        5.4.1 模型實驗結(jié)果的可視化分析
        5.4.2 訓練數(shù)據(jù)集對模型的影響程度分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 未來展望
致謝
參考文獻
攻讀碩士學位期間取得的成果



本文編號：3953687