移動互聯(lián)網(wǎng)的高速發(fā)展帶來了大量具有圖結(jié)構(gòu)的數(shù)據(jù),如社交網(wǎng)絡(luò)等,這些具有圖結(jié)構(gòu)的數(shù)據(jù)越來越得到人們的關(guān)注。為了深入挖掘空間結(jié)構(gòu)信息,人們提出了圖卷積神經(jīng)網(wǎng)絡(luò)。然而,圖卷積神經(jīng)網(wǎng)絡(luò)雖然能很好的挖掘出圖結(jié)構(gòu)的信息,但當(dāng)一個新的領(lǐng)域出現(xiàn)時,訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)并不能不加修改的直接應(yīng)用于新的領(lǐng)域。遷移學(xué)習(xí)可以利用已有域即源域的知識幫助解決新的領(lǐng)域即目標(biāo)域的問題。根據(jù)源域的個數(shù),可以分為單源域和多源域,單源域?qū)嶋H上是多源域的一個特例,因此本文主要研究多源域的情況。本文根據(jù)源域與目標(biāo)域特征空間的異同,提出了兩種基于圖卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)方法,分別解決同構(gòu)社交網(wǎng)絡(luò)圖模型下的節(jié)點識別問題和異構(gòu)社交網(wǎng)絡(luò)圖模型下的節(jié)點識別問題。針對同構(gòu)社交網(wǎng)絡(luò)圖模型下的節(jié)點識別問題,首先,本文提出了一種基于混合度量的分布距離衡量方法,選擇分布距離與目標(biāo)域較小的源域進(jìn)行融合,然后對融合的源域和目標(biāo)域進(jìn)行分布對齊,減小它們的分布差異,最后使用圖卷積神經(jīng)網(wǎng)絡(luò)提取他們的空間特征信息,預(yù)測目標(biāo)域標(biāo)簽。最后在具有圖結(jié)構(gòu)的公開數(shù)據(jù)集上驗證了本文的多源同構(gòu)遷移學(xué)習(xí)方法,證明了該方法的有效性。針對異構(gòu)社交網(wǎng)絡(luò)圖模型下的節(jié)點識別問題,首先,本文... 

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究的背景
        1.1.1 課題研究背景
        1.1.2 課題研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 遷移學(xué)習(xí)研究現(xiàn)狀
        1.2.2 圖卷積的研究現(xiàn)狀
        1.2.3 圖模型的遷移研究
    1.3 主要研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 本文相關(guān)技術(shù)
    2.1 分布距離度量
        2.1.1 最大均值差異MMD
        2.1.2 地球搬土距離EMD
        2.1.3 KL散度
    2.2 圖卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 GCN模型
        2.2.2 Graph SAGE模型
        2.2.3 GAT模型
    2.3 本章小結(jié)
第3章 同構(gòu)社交網(wǎng)絡(luò)圖模型下的遷移問題
    3.1 問題描述
    3.2 基于圖卷積的多源同構(gòu)遷移方法設(shè)計
        3.2.1 多源同構(gòu)數(shù)據(jù)的融合
        3.2.2 同構(gòu)數(shù)據(jù)的遷移
        3.2.3 空間特征的提取
    3.3 數(shù)據(jù)說明及預(yù)處理
    3.4 實驗部分
        3.4.1 實驗結(jié)果及分析
        3.4.2 參數(shù)影響分析
    3.5 本章小結(jié)
第4章 異構(gòu)社交網(wǎng)絡(luò)圖模型下的遷移問題
    4.1 問題描述
    4.2 基于圖卷積的多源異構(gòu)遷移方法設(shè)計
        4.2.1 異構(gòu)數(shù)據(jù)的轉(zhuǎn)換
        4.2.2 多源異構(gòu)圖卷積模型的訓(xùn)練
        4.2.3 多源異構(gòu)圖卷積模型的融合
    4.3 輿情數(shù)據(jù)實驗
        4.3.1 數(shù)據(jù)預(yù)處理
        4.3.2 實驗結(jié)果及分析
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]大數(shù)據(jù)時代下計算機(jī)網(wǎng)絡(luò)技術(shù)中人工智能應(yīng)用研究[J]. 付達(dá).  電子世界. 2020(04)
[2]圖卷積神經(jīng)網(wǎng)絡(luò)綜述[J]. 徐冰冰,岑科廷,黃俊杰,沈華偉,程學(xué)旗.  計算機(jī)學(xué)報. 2020(05)
[3]拉普拉斯矩陣在聚類中的應(yīng)用[J]. 劉穎,張艷邦.  天津科技大學(xué)學(xué)報. 2019(03)
[4]歸納式遷移學(xué)習(xí)在跨領(lǐng)域情感傾向性分析中的應(yīng)用[J]. 孟佳娜,趙丹丹,于玉海,孫世昶.  南京大學(xué)學(xué)報(自然科學(xué)). 2016(01)
[5]基于Agent強(qiáng)化學(xué)習(xí)的地圖遷移學(xué)習(xí)算法[J]. 張炎,劉博文.  電子世界. 2014(15)
[6]遷移學(xué)習(xí)研究進(jìn)展[J]. 莊福振,羅平,何清,史忠植.  軟件學(xué)報. 2015(01)
[7]基于EMD度量的圖像匹配技術(shù)[J]. 錢亮于,高世偉,柴珠利.  計算機(jī)工程與設(shè)計. 2008(11)

碩士論文
[1]基于主動遷移學(xué)習(xí)的多網(wǎng)絡(luò)關(guān)系預(yù)測及推薦研究[D]. 張凱.南京郵電大學(xué) 2019
[2]基于關(guān)系映射的遷移模型研究及應(yīng)用[D]. 吁松.哈爾濱工業(yè)大學(xué) 2018
[3]面向多領(lǐng)域的異構(gòu)關(guān)系數(shù)據(jù)遷移學(xué)習(xí)界限研究[D]. 周奉蘭.哈爾濱工業(yè)大學(xué) 2017
[4]基于圖譜遷移的協(xié)同過濾算法研究[D]. 龔丹.華僑大學(xué) 2016
[5]多源遷移學(xué)習(xí)算法研究[D]. 嚴(yán)海銳.華南理工大學(xué) 2016
[6]異構(gòu)關(guān)系數(shù)據(jù)的遷移學(xué)習(xí)界限及其在角色識別問題中的應(yīng)用[D]. 趙蕾.哈爾濱工業(yè)大學(xué) 2015
[7]基于知識遷移的網(wǎng)絡(luò)輿論多維度識別系統(tǒng)的設(shè)計與實現(xiàn)[D]. 劉閩.哈爾濱工業(yè)大學(xué) 2013
[8]基于圖結(jié)構(gòu)挖掘算法的研究與應(yīng)用[D]. 康艷榮.重慶大學(xué) 2005



本文編號：3680849