網絡表示學習旨在將網絡中的節(jié)點表示成低維、稠密的實值向量形式,并使所得向量具備表示和推理的能力,從而可直接作為特征,用于分類、預測以及可視化等經典的網絡分析任務。傳統(tǒng)網絡表示學習方法利用矩陣分解進行數(shù)據(jù)降維,由于缺乏擴展性和普適性,已逐步被基于深度學習的新型方法所取代�；谏疃葘W習的方法通常使用隨機游走算法采集節(jié)點序列,并通過神經網絡訓練節(jié)點向量。然而,它們在采樣時均忽略了真實網絡的無標度特性,而對網絡中所有節(jié)點采取全局一致的游走策略,使生成的樣本存在大量冗余信息且無法準確地保留原始網絡的拓撲結構,極大地限制了網絡表示學習的效率和效果。因此,提出一種基于節(jié)點度偏置的可回溯的隨機游走算法DiaRW。在均勻隨機游走的基礎上,首先引入基于節(jié)點度偏置的回溯機制,允許游走路徑在高度節(jié)點處以一定的概率發(fā)生回溯,利用高度節(jié)點的樞紐性對拓撲結構進行更充分的提取;同時,設計一種基于節(jié)點中心性的變長策略取代定長的游走策略,減少隨機游走在低度節(jié)點附近對冗余信息的采集。DiaRW算法充分利用真實網絡的無標度特性,可以更高效且精準地提取原始網絡的拓撲信息,從而有效地提高網絡表示學習的效率和效果。實驗結果表明,在... 

【文章來源】：華中科技大學湖北省211工程院校985工程院校教育部直屬院校

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
    1.3 論文組織結構
2 相關理論與關鍵技術
    2.1 網絡表示學習概述
    2.2 DeepWalk基本原理
    2.3 基于隨機游走的節(jié)點采樣
    2.4 基于Skip-Gram的表示學習
    2.5 本章小結
3 可回溯的變長隨機游走采樣
    3.1 全局統(tǒng)一策略的局限性
    3.2 基于節(jié)點度偏置的回溯機制
    3.3 基于節(jié)點中心性的變長策略
    3.4 可回溯的變長隨機游走算法
    3.5 本章小結
4 測試與分析
    4.1 測試系統(tǒng)及環(huán)境
    4.2 測試數(shù)據(jù)集及對比方法
    4.3 節(jié)點多標簽分類的測試結果及分析
    4.4 鏈接預測的測試結果及分析
    4.5 參數(shù)敏感性分析
    4.6 擴展性測試
    4.7 本章小結
5 總結與展望
    5.1 工作總結
    5.2 研究展望
致謝
參考文獻
附錄1 攻讀碩士學位期間發(fā)表的論文
附錄2 碩士期間參與的課題研究情況


【參考文獻】：
期刊論文
[1]知識表示學習研究進展[J]. 劉知遠,孫茂松,林衍凱,謝若冰.  計算機研究與發(fā)展. 2016(02)



本文編號：3629500