發(fā)布時間：2024-01-12 08:27

　　隨著網(wǎng)絡(luò)科學(xué)的飛速發(fā)展,鏈路預(yù)測逐漸成為復(fù)雜網(wǎng)絡(luò)領(lǐng)域中的重要課題。鏈路預(yù)測算法是通過復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)信息及節(jié)點間相似性,對網(wǎng)絡(luò)中不相連的節(jié)點間可能產(chǎn)生邊緣的概率進行預(yù)測。網(wǎng)絡(luò)表示學(xué)習(xí)可以將復(fù)雜網(wǎng)絡(luò)映射至低維向量空間,很好地捕捉網(wǎng)絡(luò)的拓撲結(jié)構(gòu)性質(zhì),降低算法的時間復(fù)雜度以及空間復(fù)雜度。本文以網(wǎng)絡(luò)表示學(xué)習(xí)為基礎(chǔ)在同構(gòu)網(wǎng)絡(luò)數(shù)據(jù)集和異構(gòu)網(wǎng)絡(luò)數(shù)據(jù)集上進行鏈路預(yù)測算法相關(guān)研究,主要內(nèi)容如下:(1)傳統(tǒng)的鏈路預(yù)測算法多數(shù)是基于網(wǎng)絡(luò)的鄰接矩陣進行設(shè)計的。此類算法計算復(fù)雜度較高,無法保留網(wǎng)絡(luò)的高階結(jié)構(gòu)特性,且存在因隨機初始化而陷入局部最小值的風(fēng)險。因此,本文提出一種生成對抗式分層網(wǎng)絡(luò)表示學(xué)習(xí)的鏈路預(yù)測算法(GAHNRL)。首先根據(jù)網(wǎng)絡(luò)圖的一階鄰近性和二階鄰近性,遞歸地對網(wǎng)絡(luò)圖進行邊緣折疊和節(jié)點合并,形成逐層規(guī)模變小的子網(wǎng)絡(luò)圖。其次,使用Node2vec算法對規(guī)模最小的子網(wǎng)絡(luò)圖進行預(yù)處理,并將預(yù)處理結(jié)果輸入到生成對抗網(wǎng)絡(luò)模型中,學(xué)習(xí)到最小子網(wǎng)絡(luò)圖節(jié)點的低維向量表示。再次,將學(xué)習(xí)到的最小子網(wǎng)絡(luò)圖節(jié)點的低維向量表示,輸入至上一層子網(wǎng)絡(luò)的生成對抗網(wǎng)絡(luò)模型中,學(xué)習(xí)上一層子網(wǎng)絡(luò)圖節(jié)點的低維向量表示。按照此方法進行逐層向上...

【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 研究背景與意義
    1.2 鏈路預(yù)測算法的國內(nèi)外研究現(xiàn)狀
        1.2.1 基于相似性的鏈路預(yù)測算法
        1.2.2 基于最大似然估計的鏈路預(yù)測算法
        1.2.3 基于機器學(xué)習(xí)的鏈路預(yù)測算法
    1.3 本文研究內(nèi)容及主要貢獻
    1.4 本文的章節(jié)安排
第二章 相關(guān)理論與技術(shù)概述
    2.1 網(wǎng)絡(luò)概述
        2.1.1 網(wǎng)絡(luò)的定義
        2.1.2 網(wǎng)絡(luò)的類型及表示
        2.1.3 復(fù)雜網(wǎng)絡(luò)定義及性質(zhì)
    2.2 網(wǎng)絡(luò)的拓撲結(jié)構(gòu)性質(zhì)
        2.2.1 度、平均度與網(wǎng)絡(luò)密度
        2.2.2 度分布與度異質(zhì)性
        2.2.3 聯(lián)合概率分布
        2.2.4 路徑與連通性
        2.2.5 距離、平均距離
        2.2.6 直徑
        2.2.7 聚類系數(shù)
    2.3 鏈路預(yù)測概述
        2.3.1 問題描述
        2.3.2 數(shù)據(jù)劃分
        2.3.3 評價指標
        2.3.4 經(jīng)典算法介紹
    2.4 本章小結(jié)
第三章 生成對抗式分層網(wǎng)絡(luò)表示學(xué)習(xí)的鏈路預(yù)測算法
    3.1 相關(guān)工作
    3.2 算法描述
        3.2.1 定義描述
        3.2.2 算法框架
        3.2.3 網(wǎng)絡(luò)圖分層
        3.2.4 Embed GAN網(wǎng)絡(luò)框架
        3.2.5 GAHNRL算法
        3.2.6 復(fù)雜度分析
    3.3 實驗結(jié)果分析
        3.3.1 實驗數(shù)據(jù)集
        3.3.2 評價標準
        3.3.3 實驗設(shè)置
        3.3.4 結(jié)果分析
    3.4 本章小結(jié)
第四章 場景驅(qū)動異構(gòu)網(wǎng)絡(luò)表示學(xué)習(xí)的鏈路預(yù)測算法
    4.1 相關(guān)工作
    4.2 算法描述
        4.2.1 定義描述
        4.2.2 算法框架
        4.2.3 場景生成算法
        4.2.4 場景向量表示的學(xué)習(xí)
        4.2.5 節(jié)點向量表示的學(xué)習(xí)
        4.2.6 Scene2vec算法
        4.2.7 復(fù)雜度分析
    4.3 實驗結(jié)果分析
        4.3.1 實驗數(shù)據(jù)集
        4.3.2 評價標準
        4.3.3 實驗設(shè)置
        4.3.4 實驗結(jié)果分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻
附錄 :作者在攻讀碩士學(xué)位期間發(fā)表的論文



本文編號：3877877