現(xiàn)今,網(wǎng)絡(luò)作為數(shù)據(jù)的重要載體,其結(jié)構(gòu)隨著互聯(lián)網(wǎng)數(shù)據(jù)的指數(shù)級增長變得越發(fā)復(fù)雜。在一個網(wǎng)絡(luò)中,除了節(jié)點(diǎn)本身蘊(yùn)含的信息外,節(jié)點(diǎn)之間的關(guān)系也擁有巨大的數(shù)據(jù)挖掘價值。網(wǎng)絡(luò)表示學(xué)習(xí)的出現(xiàn)是為了解決傳統(tǒng)網(wǎng)絡(luò)分析技術(shù)的局限性,以應(yīng)用于現(xiàn)在的大規(guī)模網(wǎng)絡(luò)以及復(fù)雜的機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘任務(wù)�；诰仃嚪纸獾木W(wǎng)絡(luò)表示學(xué)習(xí)方法能夠做到重建網(wǎng)絡(luò),但是很容易產(chǎn)生過擬合現(xiàn)象,整體的表現(xiàn)并不盡如人意;基于自然語言模型的網(wǎng)絡(luò)表示學(xué)習(xí)算法雖然能夠不同程度地利用網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行網(wǎng)絡(luò)表示學(xué)習(xí),但是它們均屬于淺層模型,這也就意味著它們很難學(xué)習(xí)到網(wǎng)絡(luò)結(jié)構(gòu)深層的、更復(fù)雜的特征。深度學(xué)習(xí)近幾年發(fā)展迅速,在多個領(lǐng)域取得了重要進(jìn)展,其本質(zhì)就是對數(shù)據(jù)特征進(jìn)行深層次的抽象,學(xué)習(xí)高維數(shù)據(jù)到低維特征的映射函數(shù)。而網(wǎng)絡(luò)表示學(xué)習(xí)也可以看做是將節(jié)點(diǎn)的表示從原網(wǎng)絡(luò)的高維空間轉(zhuǎn)換到一個低維向量空間中的過程,其本質(zhì)問題是學(xué)習(xí)兩個向量空間之間的映射函數(shù)。因此,出現(xiàn)了基于深度學(xué)習(xí)的網(wǎng)絡(luò)表示學(xué)習(xí)方法。然而,現(xiàn)有的基于深度學(xué)習(xí)的網(wǎng)絡(luò)表示學(xué)習(xí)方法大多僅使用網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行網(wǎng)絡(luò)表示學(xué)習(xí),未使用節(jié)點(diǎn)標(biāo)簽以及節(jié)點(diǎn)的自身屬性,無法更好的反映節(jié)點(diǎn)的真實(shí)性,因此,本文針對基于深度學(xué)習(xí)的網(wǎng)絡(luò)表...

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
        1.2.1 網(wǎng)絡(luò)表示學(xué)習(xí)研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)研究現(xiàn)狀
    1.3 研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 相關(guān)技術(shù)
    2.1 網(wǎng)絡(luò)表示學(xué)習(xí)概述
        2.1.1 相關(guān)定義
        2.1.2 基于矩陣分解的網(wǎng)絡(luò)表示學(xué)習(xí)
        2.1.3 基于自然語言模型的網(wǎng)絡(luò)表示學(xué)習(xí)
        2.1.4 加入節(jié)點(diǎn)屬性的網(wǎng)絡(luò)表示學(xué)習(xí)
    2.2 深度學(xué)習(xí)概述
        2.2.1 自編碼器AE(Auto-Encoder)
        2.2.2 其他深度學(xué)習(xí)模型
    2.3 基于深度學(xué)習(xí)的網(wǎng)絡(luò)表示學(xué)習(xí)概述
    2.4 直推式學(xué)習(xí)
    2.5 本章小結(jié)
第三章 基于壓縮自編碼器的半監(jiān)督網(wǎng)絡(luò)表示學(xué)習(xí)
    3.1 LSDNE模型
        3.1.1 基于壓縮自編碼器的半監(jiān)督網(wǎng)絡(luò)表示學(xué)習(xí)模型框架
        3.1.2 損失函數(shù)
        3.1.3 模型優(yōu)化
        3.1.4 LSDNE模型的訓(xùn)練算法偽代碼
    3.2 實(shí)驗(yàn)與結(jié)果分析
        3.2.1 數(shù)據(jù)集與環(huán)境配置
        3.2.2 實(shí)驗(yàn)指標(biāo)與對比算法
        3.2.3 參數(shù)設(shè)置
        3.2.4 實(shí)驗(yàn)一：標(biāo)簽預(yù)測實(shí)驗(yàn)
        3.2.5 實(shí)驗(yàn)二：參數(shù)敏感度實(shí)驗(yàn)
        3.2.6 實(shí)驗(yàn)三：模型收斂實(shí)驗(yàn)
        3.2.7 實(shí)驗(yàn)四：泛化能力對比實(shí)驗(yàn)
    3.3 本章小結(jié)
第四章 基于鄰居結(jié)構(gòu)的半監(jiān)督深度屬性網(wǎng)絡(luò)表示學(xué)習(xí)
    4.1 基于鄰居結(jié)構(gòu)的半監(jiān)督網(wǎng)絡(luò)表示學(xué)習(xí)模型SLLDNE
        4.1.1 SLLDNE模型
        4.1.2 目標(biāo)函數(shù)
        4.1.3 實(shí)驗(yàn)及結(jié)果分析
    4.2 基于鄰居結(jié)構(gòu)的半監(jiān)督深度屬性網(wǎng)絡(luò)表示學(xué)習(xí)模型SILDNE
        4.2.1 SILDNE模型
        4.2.2 算法偽代碼
    4.3 實(shí)驗(yàn)與結(jié)果分析
        4.3.1 數(shù)據(jù)集與環(huán)境配置
        4.3.2 實(shí)驗(yàn)指標(biāo)與baseline
        4.3.3 參數(shù)設(shè)置
        4.3.4 實(shí)驗(yàn)一：標(biāo)簽預(yù)測實(shí)驗(yàn)
        4.3.5 實(shí)驗(yàn)二：參數(shù)敏感度實(shí)驗(yàn)
        4.3.6 實(shí)驗(yàn)三：模型收斂實(shí)驗(yàn)
        4.3.7 實(shí)驗(yàn)四：權(quán)重有效性實(shí)驗(yàn)
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 未來工作
致謝
參考文獻(xiàn)



本文編號：3849689