現(xiàn)實(shí)生活中大量的復(fù)雜系統(tǒng)都可以建模為網(wǎng)絡(luò)形式進(jìn)行分析。然而,隨著大規(guī)模社會網(wǎng)絡(luò)的出現(xiàn),傳統(tǒng)基于網(wǎng)絡(luò)拓?fù)涞谋硎痉椒媾R著計算效率低下、難以有效融合異構(gòu)信息等問題。為此,研究人員開始研究網(wǎng)絡(luò)表示學(xué)習(xí)方法（Network Representation Learning,NRL）,旨在利用機(jī)器學(xué)習(xí)方法為網(wǎng)絡(luò)中每個節(jié)點(diǎn)學(xué)習(xí)一個低維稠密向量表示,同時該向量能夠充分保留節(jié)點(diǎn)原始網(wǎng)絡(luò)結(jié)構(gòu)信息和其他異構(gòu)信息。進(jìn)而可將其作為特征向量,有效應(yīng)用于后續(xù)網(wǎng)絡(luò)分析任務(wù),如節(jié)點(diǎn)分類、鏈路預(yù)測等。本文旨在研究不同場景下融合異構(gòu)信息的網(wǎng)絡(luò)表示學(xué)習(xí)方法,從而提高網(wǎng)絡(luò)表示學(xué)習(xí)相關(guān)任務(wù)性能。這些異構(gòu)信息包括節(jié)點(diǎn)文本內(nèi)容信息、節(jié)點(diǎn)多維分類信息和連邊符號語義信息。近年來,針對上述三類異構(gòu)信息的融合表示學(xué)習(xí)方法雖取得一定進(jìn)展,但仍然存在以下不足:（1）融合節(jié)點(diǎn)文本內(nèi)容信息的網(wǎng)絡(luò)表示學(xué)習(xí)方法僅關(guān)注文本內(nèi)容信息對網(wǎng)絡(luò)結(jié)構(gòu)信息的約束作用,忽略了網(wǎng)絡(luò)結(jié)構(gòu)信息對文本內(nèi)容信息的反向約束作用,對復(fù)雜多主題的節(jié)點(diǎn)文本內(nèi)容信息的核心語義挖掘不足。（2）融合節(jié)點(diǎn)多維分類信息的網(wǎng)絡(luò)表示學(xué)習(xí)方法僅考慮將多維分類信息作為先驗特征,輔助節(jié)點(diǎn)網(wǎng)絡(luò)結(jié)構(gòu)信息的表示... 

【文章來源】：戰(zhàn)略支援部隊信息工程大學(xué)河南省

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

血型網(wǎng)炸扮搖未音圖

實(shí)現(xiàn)異構(gòu)信息知識交互以及融合表示學(xué)習(xí)，提升節(jié)點(diǎn)表示向量在后續(xù)網(wǎng)絡(luò)分析任務(wù)中的性能。圖1.3給出了一個基于網(wǎng)絡(luò)表示學(xué)習(xí)的網(wǎng)絡(luò)分析任務(wù)流程圖。網(wǎng)絡(luò)表示作為連接原始網(wǎng)絡(luò)數(shù)據(jù)和網(wǎng)絡(luò)分析任務(wù)的橋梁，其主要工作在于合理有效的表示原始網(wǎng)絡(luò)信息，進(jìn)而更好地服務(wù)于后續(xù)網(wǎng)絡(luò)分析任務(wù)。近年來，正是由于網(wǎng)絡(luò)表示學(xué)習(xí)具有提升計算效率、緩解數(shù)據(jù)稀疏的影響、有效融合異構(gòu)信息促進(jìn)知識交互等優(yōu)點(diǎn)，在相似性計算、節(jié)點(diǎn)分類和鏈路預(yù)測等網(wǎng)絡(luò)分析任務(wù)中廣泛應(yīng)用，顯著提升網(wǎng)絡(luò)分析任務(wù)性能。圖 1.3 基于網(wǎng)絡(luò)表示學(xué)習(xí)的網(wǎng)絡(luò)分析任務(wù)流程圖在現(xiàn)實(shí)社會網(wǎng)絡(luò)中，網(wǎng)絡(luò)節(jié)點(diǎn)和連邊包含豐富的異構(gòu)信息，利用這些信息可以作為網(wǎng)絡(luò)結(jié)構(gòu)信息的有效補(bǔ)充。例如，在引文網(wǎng)絡(luò)中，論文的題目摘要等文本內(nèi)容信息是對節(jié)點(diǎn)自身信息的精煉概括，僅依靠節(jié)點(diǎn)間的引用關(guān)系難以有效表示節(jié)點(diǎn)間的語義關(guān)系；在社交網(wǎng)絡(luò)中

間上下文鏈接預(yù)測的表示學(xué)習(xí)模型，通過有區(qū)分性的建模不同類型的上下文鏈接，來挖掘節(jié)點(diǎn)間的復(fù)雜語義關(guān)系，提高表示學(xué)習(xí)模型對連邊符號語義信息的建模能力。論文研究思路和組織框架如圖1.4所示。圖 1.4 論文研究思路和組織結(jié)構(gòu)本文主要研究內(nèi)容包括以下幾點(diǎn)：（1）融合節(jié)點(diǎn)文本內(nèi)容信息的網(wǎng)絡(luò)表示學(xué)習(xí)方法。針對現(xiàn)有融合方法對復(fù)雜多主題的節(jié)點(diǎn)文本內(nèi)容信息核心語義挖掘不足的問題，本文提出一種基于參數(shù)共享的共耦表示學(xué)習(xí)模型。一方面，通過共耦表示學(xué)習(xí)模型建模網(wǎng)絡(luò)結(jié)構(gòu)信息對文本內(nèi)容信息的約束作用，挖掘文本內(nèi)容的核心語義信息。另一方面，通過交叉迭代訓(xùn)練策略，實(shí)現(xiàn)兩方面信息相互約束作用在表示學(xué)習(xí)過程中的動態(tài)競爭，進(jìn)而獲得更加貼合數(shù)據(jù)場景的網(wǎng)絡(luò)表示。（2）融合節(jié)點(diǎn)多維分類信息的網(wǎng)絡(luò)表示學(xué)習(xí)方法。針對現(xiàn)有融合方法在節(jié)點(diǎn)多維分類信息不完備情況下魯棒性較低的問題，本文提出一種基于隨機(jī)擾動和同質(zhì)性約束的表示學(xué)習(xí)模型。一方面，通過隨機(jī)擾動策略進(jìn)行數(shù)據(jù)集變換，提升模型對不完備信息的適應(yīng)能力。另一方面，在學(xué)習(xí)融合表示向量過程中，設(shè)計基于同質(zhì)性原理的屬性相似性保留方法

【參考文獻(xiàn)】：
期刊論文
[1]一種融合節(jié)點(diǎn)先驗信息的圖表示學(xué)習(xí)方法[J]. 溫雯,黃家明,蔡瑞初,郝志峰,王麗娟.  軟件學(xué)報. 2018(03)
[2]符號網(wǎng)絡(luò)研究綜述[J]. 程蘇琦,沈華偉,張國清,程學(xué)旗.  軟件學(xué)報. 2014(01)
[3]復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測[J]. 呂琳媛.  電子科技大學(xué)學(xué)報. 2010(05)



本文編號：3088787