圖譜數(shù)據(jù)是一種重要的數(shù)據(jù)表示,它出現(xiàn)在各種各樣的現(xiàn)實世界場景中,例如,社交網(wǎng)絡(luò)中的社交圖譜,研究領(lǐng)域中的引文圖譜,知識圖譜等。有效的圖譜分析可以使用戶更深入地了解數(shù)據(jù)背后的內(nèi)容,從而使許多現(xiàn)實中的應(yīng)用受益,如推薦系統(tǒng),自然語言處理,可視化等。但是,大多數(shù)圖譜分析方法都會遇到計算效率低下和空間代價高昂的問題。圖譜表示學(xué)習(xí),是解決圖譜分析問題有效且高效的方法。它將圖譜數(shù)據(jù)映射到低維空間中,最大程度地保留了圖譜結(jié)構(gòu)信息和圖譜的屬性。本文的研究側(cè)重于圖譜表示的兩種主要學(xué)習(xí)技術(shù),即網(wǎng)絡(luò)表示和知識表示學(xué)習(xí)技術(shù)�，F(xiàn)有的圖譜表示方法面臨著計算效率低下和數(shù)據(jù)稀疏的問題。特別的,現(xiàn)有的網(wǎng)絡(luò)表示模型也無法處理異構(gòu)信息網(wǎng)絡(luò),這些信息網(wǎng)絡(luò)在真實場景中比同構(gòu)信息網(wǎng)絡(luò)更常見。具體的,本文提出了四個圖譜表示模型來解決上述問題,一個用于同構(gòu)信息網(wǎng)絡(luò),兩個用于異構(gòu)信息網(wǎng)絡(luò),一個用于知識圖譜。首先介紹同構(gòu)信息網(wǎng)絡(luò)表示模型BimoNet,該模型基于雙模式表示模型和深度神經(jīng)網(wǎng)絡(luò)模型。在雙模式表示模型中,加法模式和減法模式分別表示邊的實體共享特征和實體特定特征。深度自編碼器可以表征邊的結(jié)構(gòu)信息。之后,通過聯(lián)合優(yōu)化這兩個模型的目標... 

【文章來源】：國防科技大學(xué)湖南省 211工程院校 985工程院校

【文章頁數(shù)】：101 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號使用說明
第一章 緒論
    1.1 研究背景與意義
    1.2 研究應(yīng)用
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 網(wǎng)絡(luò)表示研究現(xiàn)狀
        1.3.2 知識表示研究現(xiàn)狀
    1.4 研究內(nèi)容
        1.4.1 圖譜表示面臨的主要挑戰(zhàn)
        1.4.2 本文主要研究內(nèi)容
    1.5 論文結(jié)構(gòu)
第二章 基于雙模式和深度神經(jīng)網(wǎng)絡(luò)的同構(gòu)信息網(wǎng)絡(luò)表示方法
    2.1 引言
    2.2 相關(guān)工作
        2.2.1 知識圖譜中的關(guān)系抽取
        2.2.2 深度神經(jīng)網(wǎng)絡(luò)
        2.2.3 網(wǎng)絡(luò)表示
    2.3 模型結(jié)構(gòu)與分析
        2.3.1 雙模式表示
        2.3.2 深度自編碼器
        2.3.3 聯(lián)合模型
    2.4 實驗與分析
        2.4.1 數(shù)據(jù)集
        2.4.2 基線算法
        2.4.3 實驗設(shè)置
        2.4.4 實驗結(jié)果與分析
        2.4.5 關(guān)系比較
        2.4.6 參數(shù)敏感性
        2.4.7 討論
    2.5 總結(jié)
第三章 通過位移機制和元路徑學(xué)習(xí)異構(gòu)信息網(wǎng)絡(luò)的表示
    3.1 引言
    3.2 相關(guān)工作
    3.3 模型準備
    3.4 模型結(jié)構(gòu)與機理
        3.4.1 基于位移的表示學(xué)習(xí)
        3.4.2 訓(xùn)練數(shù)據(jù)預(yù)處理
    3.5 實驗分析與結(jié)論
        3.5.1 數(shù)據(jù)集和基線模型
        3.5.2 相似度搜索
        3.5.3 節(jié)點分類
        3.5.4 討論
    3.6 總結(jié)
第四章 通過元圖譜學(xué)習(xí)異構(gòu)信息網(wǎng)絡(luò)的表示
    4.1 引言
    4.2 相關(guān)工作
    4.3 模型結(jié)構(gòu)與機理
        4.3.1 模型準備
        4.3.2 模型結(jié)構(gòu)
        4.3.3 訓(xùn)練目標
    4.4 實驗與分析
        4.4.1 實驗設(shè)置
        4.4.2 節(jié)點分類
        4.4.3 鏈路預(yù)測
    4.5 總結(jié)
第五章 通過動態(tài)雙模式表示進行關(guān)系知識預(yù)測
    5.1 引言
    5.2 相關(guān)工作
        5.2.1 組合模型（Compositional model）
        5.2.2 位移模型（Translation-based model）
    5.3 模型原理與分析
        5.3.1 雙模式表示
        5.3.2 與TransD比較
        5.3.3 與組織模型相結(jié)合
        5.3.4 訓(xùn)練目標
    5.4 實驗評估與結(jié)果分析
        5.4.1 實驗設(shè)置
        5.4.2 鏈路預(yù)測
    5.5 小結(jié)
第六章 總結(jié)與展望
    6.1 本文主要工作
    6.2 未來研究方向
致謝
參考文獻
作者在學(xué)期間取得的學(xué)術(shù)成果


【參考文獻】：
期刊論文
[1]一種改進的基于翻譯的知識圖譜表示方法[J]. 方陽,趙翔,譚真,楊世宇,肖衛(wèi)東.  計算機研究與發(fā)展. 2018(01)
[2]大規(guī)模復(fù)雜信息網(wǎng)絡(luò)表示學(xué)習(xí):概念、方法與挑戰(zhàn)[J]. 齊金山,梁循,李志宇,陳燕方,許媛.  計算機學(xué)報. 2018(10)
[3]網(wǎng)絡(luò)表示學(xué)習(xí)綜述[J]. 涂存超,楊成,劉知遠,孫茂松.  中國科學(xué):信息科學(xué). 2017(08)



本文編號：3106324