基于圖的機(jī)器學(xué)習(xí)是一項(xiàng)重要且無處不在的任務(wù),其應(yīng)用已逐漸遍布在我們的日常生活中。該研究領(lǐng)域的主要挑戰(zhàn)是找到一種表示或編碼圖結(jié)構(gòu)的方法,以便機(jī)器學(xué)習(xí)模型可以輕松利用它。然而,傳統(tǒng)的圖表示法由于依賴圖鄰接矩陣、鄰接表或人工構(gòu)造特征,已經(jīng)無法適應(yīng)大規(guī)模網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)需求。網(wǎng)絡(luò)表示學(xué)習(xí)旨在將網(wǎng)絡(luò)中的節(jié)點(diǎn)表示為低維稠密的向量,并用低維向量解決后續(xù)的機(jī)器學(xué)習(xí)任務(wù)。近年來,由于該方法可以有效降低各種網(wǎng)絡(luò)分析任務(wù)的復(fù)雜性,已成為新的研究熱點(diǎn)。然而,現(xiàn)有的網(wǎng)絡(luò)表示學(xué)習(xí)方法大多針對靜態(tài)網(wǎng)絡(luò),無法表示動態(tài)演變網(wǎng)絡(luò)。針對上述問題,本文旨在研究動態(tài)異構(gòu)信息網(wǎng)絡(luò)的表示學(xué)習(xí)問題,并采用了基于隨機(jī)游走的方式學(xué)習(xí)網(wǎng)絡(luò)節(jié)點(diǎn)的表示。基于隨機(jī)游走的網(wǎng)絡(luò)表示學(xué)習(xí)方法首先通過隨機(jī)游走構(gòu)造節(jié)點(diǎn)序列,然后將節(jié)點(diǎn)序列輸入SKIP-GRAM模型以學(xué)習(xí)節(jié)點(diǎn)的低維表示。然而現(xiàn)有的這類方法由于在進(jìn)行隨機(jī)游走時(shí)沒有同時(shí)利用網(wǎng)絡(luò)拓?fù)�、語義、文本與時(shí)間戳等信息,網(wǎng)絡(luò)表示學(xué)習(xí)的效果有待提升。鑒于此,本文提出了一種新的基于動態(tài)隨機(jī)游走的異構(gòu)信息網(wǎng)絡(luò)的表示學(xué)習(xí)方法。本文首先構(gòu)造了一個(gè)動態(tài)異構(gòu)信息網(wǎng)絡(luò),然后提出了一種新的自動提取并延長元路徑的方法,還結(jié)合邊... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－４?Ｗａｌｋｌｅｔｓ原理示意圖【１７１??Ｋｅｉｋｈａ等人指出，現(xiàn)有網(wǎng)絡(luò)表示學(xué)習(xí)方法僅考慮了局部網(wǎng)絡(luò)拓?fù)洌瑳]有同時(shí)??

?（２＿６）??目標(biāo)函數(shù)的正則化項(xiàng)，可用于減弱過擬合現(xiàn)象。??如圖２－５所示，自編碼器的中間層位于編碼器和解碼器的交界處，擁有的神??經(jīng)元數(shù)量最少。因此，取自編碼器的中間層作為網(wǎng)絡(luò)節(jié)點(diǎn)的低維向量表示以得到??維度盡可能小的向量。??８??

圖３－１?ＨＩＮ＿ＤＲＬ總體框架??

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



本文編號：3021442