隨著新型社交網(wǎng)絡(luò)的興起,社會(huì)網(wǎng)絡(luò)服務(wù)得到了飛速的發(fā)展,這促使人們可以更加快捷方便地進(jìn)行信息傳播與實(shí)時(shí)交流。但是社交網(wǎng)絡(luò)在促進(jìn)社會(huì)經(jīng)濟(jì)發(fā)展和人文交流的同時(shí),也帶來(lái)了“信息爆炸”的問(wèn)題。由于社交網(wǎng)絡(luò)可能包含數(shù)以萬(wàn)計(jì)的節(jié)點(diǎn)和邊關(guān)系,因此整個(gè)網(wǎng)絡(luò)關(guān)系推理的過(guò)程會(huì)非常的復(fù)雜,如果可以將節(jié)點(diǎn)表示為低維的向量,就可以很大程度上解決這一問(wèn)題。網(wǎng)絡(luò)表示學(xué)習(xí)就是將網(wǎng)絡(luò)中節(jié)點(diǎn)的特征,嵌入至低維向量中的方法,而學(xué)習(xí)到的這些向量將會(huì)保留節(jié)點(diǎn)的相似性。針對(duì)以上問(wèn)題,本文提出了一種基于粒度劃分的社交網(wǎng)絡(luò)關(guān)系發(fā)現(xiàn)方法,該方法結(jié)合社交網(wǎng)絡(luò)用戶的結(jié)構(gòu)特征和文本特征來(lái)獲得用戶節(jié)點(diǎn)的低維表示,然后利用得到的節(jié)點(diǎn)表示分析用戶之間的關(guān)系。本文的主要研究工作如下:(1)利用知識(shí)圖譜中的實(shí)體信息作為先驗(yàn)知識(shí)與深度神經(jīng)網(wǎng)絡(luò)結(jié)合來(lái)增加粒度信息。先驗(yàn)知識(shí)的加入使數(shù)據(jù)集得到擴(kuò)充的同時(shí)也使得原本屬于同一類型的文本更容易聚集,這樣就弱化了模型的過(guò)擬合問(wèn)題,并減少模型對(duì)樣本的依賴性,從而進(jìn)一步提高文本特征提取的效果。(2)多層神經(jīng)網(wǎng)絡(luò)模型會(huì)隨著深度增加而出現(xiàn)梯度消失、功能退化的問(wèn)題,本文利用殘差塊來(lái)代替原來(lái)的深度神經(jīng)網(wǎng)絡(luò)層,同時(shí)空洞卷積與原始卷積...

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究意義及背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文主要工作
    1.4 論文組織結(jié)構(gòu)
第2章 相關(guān)理論介紹
    2.1 卷積神經(jīng)網(wǎng)絡(luò)模型介紹
        2.1.1 詞向量層
        2.1.2 卷積層
        2.1.3 池化層
        2.1.4 Batch Normalization
    2.2 知識(shí)圖譜
        2.2.1 知識(shí)抽取
        2.2.2 知識(shí)融合
        2.2.3 知識(shí)推理
    2.3 本章小結(jié)
第3章 基于知識(shí)圖譜先驗(yàn)知識(shí)的多層卷積神經(jīng)網(wǎng)絡(luò)模型
    3.1 問(wèn)題描述
    3.2 文本預(yù)處理
        3.2.1 輕量級(jí)多語(yǔ)言實(shí)體鏈接工具包-Fast Entity Linker
        3.2.2 預(yù)訓(xùn)練向量
    3.3 參數(shù)設(shè)定
    3.4 對(duì)比實(shí)驗(yàn)
        3.4.1 數(shù)據(jù)集介紹
        3.4.2 對(duì)比實(shí)驗(yàn)
        3.4.3 先驗(yàn)知識(shí)的必要性
    3.5 本章小結(jié)
第4章 多模態(tài)特征下的社交網(wǎng)絡(luò)節(jié)點(diǎn)表示方法
    4.1 問(wèn)題描述
    4.2 基于知識(shí)圖譜先驗(yàn)知識(shí)的殘差網(wǎng)絡(luò)模型
        4.2.1 空洞卷積介紹
        4.2.2 殘差網(wǎng)絡(luò)模型
        4.2.3 對(duì)比實(shí)驗(yàn)
    4.3 多模態(tài)特征下的社交網(wǎng)絡(luò)節(jié)點(diǎn)表示方法
        4.3.1 多模態(tài)子空間學(xué)習(xí)
        4.3.2 多模態(tài)特征的聯(lián)合訓(xùn)練
    4.4 實(shí)驗(yàn)結(jié)果分析
    4.5 本章小結(jié)
第5章 朋友網(wǎng)絡(luò)情景數(shù)據(jù)下的用戶關(guān)系發(fā)現(xiàn)
    5.1 朋友網(wǎng)絡(luò)數(shù)據(jù)的獲取
    5.2 數(shù)據(jù)預(yù)處理
        5.2.1 圖片數(shù)據(jù)預(yù)處理
        5.2.2 文本翻譯
    5.3 用戶相似性計(jì)算
    5.4 用戶關(guān)系挖掘系統(tǒng)分析
        5.4.1 系統(tǒng)功能分析
        5.4.2 系統(tǒng)流程圖
    5.5 用戶關(guān)系挖掘系統(tǒng)實(shí)現(xiàn)
        5.5.1 數(shù)據(jù)分析功能展示
        5.5.2 數(shù)據(jù)可視化功能展示
    5.6 本章小結(jié)
第6章 總結(jié)與展望
    6.1 文章總結(jié)
    6.2 未來(lái)工作展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果



本文編號(hào)：3869626