發(fā)布時間：2021-06-25 08:39

　　現(xiàn)實世界中,許多重要的數(shù)據(jù)都以復(fù)雜網(wǎng)絡(luò)或圖的形式存在,比如引文網(wǎng)絡(luò),交通網(wǎng)絡(luò),基因網(wǎng)絡(luò)等。網(wǎng)絡(luò)中節(jié)點本身附帶的特征信息及節(jié)點之間的鏈接關(guān)系包含大量的價值信息。另外,動態(tài)網(wǎng)絡(luò)中的時空依賴信息,對分析動態(tài)網(wǎng)絡(luò)的變化趨勢及預(yù)測網(wǎng)絡(luò)中節(jié)點的行為也有著重要意義。然而當(dāng)前的圖嵌入方法并不能很好的實現(xiàn)網(wǎng)絡(luò)圖嵌入,比如:基于矩陣分解的方法能夠捕獲網(wǎng)絡(luò)中的結(jié)構(gòu)信息,但其受限于龐大的運算量從而無法處理大規(guī)模網(wǎng)絡(luò)�；陔S機游走的方法,也能學(xué)習(xí)到網(wǎng)絡(luò)的結(jié)構(gòu)信息,但不能捕獲網(wǎng)絡(luò)的全局結(jié)構(gòu)信息也不能將節(jié)點屬性、標(biāo)簽等信息利用起來。對于動態(tài)網(wǎng)絡(luò),當(dāng)前的圖嵌入模型主要是通過施加一個時間正則化來增強相鄰動態(tài)網(wǎng)絡(luò)鏡像中節(jié)點表示的平滑性,并且假設(shè)動態(tài)網(wǎng)絡(luò)的時空演化持續(xù)很短（如假設(shè)只持續(xù)兩步變化）。當(dāng)節(jié)點表現(xiàn)出明顯不同的演化行為時,這些方法可能會失效。另外,當(dāng)前的圖嵌入模型多基于淺層模型難以捕獲復(fù)雜網(wǎng)絡(luò)的深層特征。隨著深度學(xué)習(xí)技術(shù)的飛速發(fā)展,其在多個領(lǐng)域取得了長足的進(jìn)步。本文將著重研究基于深度學(xué)習(xí)的圖嵌入模型,并根據(jù)靜態(tài)網(wǎng)絡(luò)和動態(tài)網(wǎng)絡(luò)的特性,提出分別能處理靜態(tài)網(wǎng)絡(luò)和動態(tài)網(wǎng)絡(luò)的圖嵌入模型。具體研究內(nèi)容如下:（1）針對靜態(tài)網(wǎng)絡(luò),... 

【文章來源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

復(fù)雜網(wǎng)絡(luò)實例

江南大學(xué)碩士學(xué)位論文30圖3-2在Cora和Citeseer數(shù)據(jù)集上節(jié)點分類結(jié)果圖3-3在USPowerGrid和Wikipedia數(shù)據(jù)集上節(jié)點分類結(jié)果

第三章基于圖GCN和AE的半監(jiān)督圖嵌入模型31觀察實驗結(jié)果圖3-2、3-3發(fā)現(xiàn)，本章的模型在節(jié)點分類任務(wù)上，性能明顯優(yōu)于其他幾個對比模型，在USPowerGrid數(shù)據(jù)集上更是遙遙領(lǐng)先。對于Wikipedia這樣擁有眾多標(biāo)簽的數(shù)據(jù)集，雖然在只訓(xùn)練10%到20%樣本時1指標(biāo)低于SDNE模型。當(dāng)訓(xùn)練樣本數(shù)達(dá)到80%以上時，本章的模型能夠保持較好的穩(wěn)定性，性能要優(yōu)于其他對比模型�？傮w而言在Wikipebia數(shù)據(jù)集上，本章的模型節(jié)點分類性能優(yōu)于其他對比的模型。由此可以說明本章所提出的Semi-GCNAE模型學(xué)習(xí)到網(wǎng)絡(luò)節(jié)點低維向量表示，相對其他幾個模型在節(jié)點多標(biāo)簽分類上有更好的表現(xiàn)。3.5.2可視化對學(xué)習(xí)到的節(jié)點低維向量表示進(jìn)行可視化，能直觀的評估圖嵌入模型習(xí)得的節(jié)點低維向量表示的水平。本章將嵌入空間的維度亦即習(xí)得的低維向量的維度設(shè)置為128維，并采用t分布隨機嵌入[73,74](t-distributedstochasticneighborembedding，簡稱t-SNE)的方法將128維的向量表示降至為2維向量表示，這些2維向量表示能夠保留網(wǎng)絡(luò)的固有結(jié)構(gòu)，即相似的節(jié)點彼此靠近，不同的節(jié)點彼此分離。反應(yīng)在圖中便是不同的群落分布在不同的位置，其中每個點都對應(yīng)于網(wǎng)絡(luò)中的一個節(jié)點，對于每個點所屬的類別本章使用不同的顏色進(jìn)行標(biāo)注。將習(xí)得的向量表示降維并在圖中繪制出來，以便直觀地觀察復(fù)雜信息網(wǎng)絡(luò)或圖中節(jié)點的群落結(jié)構(gòu)。在Cora和Citeseer數(shù)據(jù)集上可視化結(jié)果顯示本章的模型能夠很好的反應(yīng)網(wǎng)絡(luò)的群落結(jié)構(gòu)，實驗結(jié)果如圖3-4、3-5所示：圖3-4Semi-GCNAE，GCN，GAT，SDNE，HOPE，GF模型在Cora數(shù)據(jù)集上的可視化結(jié)果

【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)
[2]Hawkes過程分支比估計——一種簡單的非參數(shù)方法[J]. 吳奔,張波.  統(tǒng)計研究. 2015(03)



本文編號：3248889