检索结果-内蒙古大学图书馆

计算机应用 2019年第12期39卷 3467-3475页

作者：陈婉杰盛益强国家网络新媒体工程技术研究中心(中国科学院声学研究所) 北京100190 中国科学院大学北京100049

针对现有的社区发现算法难以解决网络的多维性问题的现象,提出一种基于网络表示学习的非单一维度的社区发现算法。该算法从节点属性特征和网络结构特征两个维度考虑节点的差异性,首先根据节点属性相似度计算得到节点转移概率,结合小世... 详细信息

针对现有的社区发现算法难以解决网络的多维性问题的现象,提出一种基于网络表示学习的非单一维度的社区发现算法。该算法从节点属性特征和网络结构特征两个维度考虑节点的差异性,首先根据节点属性相似度计算得到节点转移概率,结合小世界模型的六度分离理论设置网络节点随机游走路径的长度。依据转移概率选择节点的邻居节点,得到节点的游走路径,然后用神经网络模型训练节点的游走路径得到节点的网络特征向量,将节点网络特征向量的相似度重置为节点连接边的权重,在Louvain算法的基础上完成社区划分。最后,在Facebook和Giraffe两个数据集上进行了实验,选用基于初始网络结构的Louvain算法和基于单一维度的社区发现算法作为对比算法。实验结果表明,在Giraffe数据集中,相比于Louvain算法,基于节点属性的社区发现算法的模块度指标提升了2.7%,基于网络结构的社区发现算法的模块度指标提升了3.0%,提出的非单一维度的社区发现算法的模块度指标提升了3.7%。所提算法聚焦于网络的多维性,有效提升了社区发现算法的模块度。

关键词：节点属性网络结构可扩展性社区发现网络表示学习节点差异性

来源：评论

学校读者我要写书评

暂无评论

结构增强的属性网络表示学习

引用

计算机工程与应用 2021年第18期57卷 149-155页

作者：窦伟张维玉翁自强夏忠秀齐鲁工业大学(山东省科学院)计算机科学与技术学院济南250353

属性网络表示学习旨在结合结构信息与属性信息为网络中的节点学习统一的向量表示。现有的属性网络表示学习方法在学习属性信息时与其互补的结构信息增强不足,从而影响最终表示。针对这一问题,提出一种结构增强的属性网络表示学习方法,... 详细信息

属性网络表示学习旨在结合结构信息与属性信息为网络中的节点学习统一的向量表示。现有的属性网络表示学习方法在学习属性信息时与其互补的结构信息增强不足,从而影响最终表示。针对这一问题,提出一种结构增强的属性网络表示学习方法,以提高表示质量。该方法基于网络归一化邻接矩阵和属性矩阵通过自动编码器提取增强网络全局结构特性的属性信息,使用skip-gram模型捕捉局部结构信息,引入一个联合损失函数使结构信息与属性信息在同一向量空间中得以表示。在三个真实属性网络数据上进行节点分类和链路预测实验,效果较目前流行的网络表示学习方法优势明显。

关键词：网络表示学习属性网络深度学习

来源：评论

学校读者我要写书评

暂无评论

基于多维信息融合的网络表示学习算法研究

基于多维信息融合的网络表示学习算法研究

引用

作者：李玉吉林大学

学位级别：博士

随着信息技术发展和大数据时代来临,实际生活中的数据规模呈现爆炸式增长,数据之间通过对应的关联规则相互连接,形成了多种形式的网络数据。如何从网络数据中挖掘潜在的复杂关联模式,并构建预测演化模型,对社会发展具有重要意义。随着... 详细信息

随着信息技术发展和大数据时代来临,实际生活中的数据规模呈现爆炸式增长,数据之间通过对应的关联规则相互连接,形成了多种形式的网络数据。如何从网络数据中挖掘潜在的复杂关联模式,并构建预测演化模型,对社会发展具有重要意义。随着网络规模的不断增长,传统的网络分析方法受到时间和空间等计算成本的限制,无法得到灵活应用。网络表示学习旨在将网络中的节点映射到低维的向量表示空间,凭借其在网络分析领域所展现出的卓越网络表征能力,得到了研究者广泛关注。现实世界网络中通常蕴含多种维度的信息,而当前的网络表示学习算法主要针对网络中单一维度信息进行建模,或对多维信息挖掘不充分,影响网络表示学习算法的性能。鉴于此,本文将开展基于多维信息融合的网络表示学习算法研究,探索更有效的多维信息融合和模型构建方法,充分挖掘和利用网络中的多维信息,实现更全面、准确的网络表征,提升节点向量表示质量。具体研究内容和贡献总结如下:(1)提出基于高阶近似与社群结构信息融合的网络表示学习算法,实现网络中隐性社群结构信息的有效挖掘与利用。该算法基于相同社群内部的节点具有相似向量表示,以及节点之间近似程度越大则节点的向量表示越相似的基本假设,利用非负矩阵分解技术将节点间的高阶近似关系和社群结构信息,分别映射到低维向量表示空间,并引入低维社群向量表示建立起他们之间的关系,进而构建多维结构信息融合表征模型,同时提出一种高效的交替迭代优化求解策略,以解决模型求解过程中遇到的非凸优化问题。该算法能够学习到表征能力更强的节点向量表示,其有效性在节点分类、网络重构和链接预测等网络分析任务得到了有效验证。(2)提出基于双重语义信息融合的网络表示学习算法,实现节点冲突语义下的双重语义信息融合。该算法通过为网络中节点学习双重的向量表示,来表征节点在网络中不同角色和相互冲突的语义,引入注意力机制评估不同语义下节点之间的重要性系数,同时基于平衡理论提出图注意力神经网络模型,有效捕获节点之间复杂的语义交互关系,融合节点相互冲突的双重语义信息,并设计一个新颖的目标函数优化该模型。该算法的有效性在真实符号网络的链接符号预测任务上得到了验证。(3)提出基于低频信息与高频信息融合的网络表示学习算法,实现单个向量表示空间中的节点双重相似性融合。该算法基于网络中相似的节点和不相似的节点在向量表示空间中应分别接近或疏远的基本假设,借助谱图理论和图信号处理技术,提出利用网络中的低频信息和高频信息来表征节点之间的相似性和不相似性,通过设计相应的低频图卷积滤波器和高频图卷积滤波器,提取网络中的低频信息和高频信息,并将所有的图卷积滤波器组合成统一的消息传递框架,实现低频信息和高频信息的有效融合,同时设计了一种自门控机制评估低频信息和高频信息的影响。在真实符号网络的链接符号预测任务上的实验结果验证了该算法的有效性,其明显优于最先进的相关研究工作,实现了显著的性能提升。

关键词：网络表示学习多维信息融合同质性理论平衡理论谱图理论

来源：评论

学校读者我要写书评

暂无评论

基于网络表示学习的车险欺诈溯因分析研究

引用

计算机科学 2023年第2期50卷 300-309页

作者：李炜卓卢冰洁杨骏铭那崇宁南京邮电大学现代邮政学院南京210003 之江实验室金融科技研究中心杭州311100 南京大学计算机软件新技术国家重点实验室南京210093 东南大学计算机网络和信息集成教育部重点实验室南京211189

车险欺诈检测对促进汽车保险业的良性健康发展有着重要意义。由于欺诈的判断涉及公民权利等核心内容,需要车险专家对案件进行核查,提供欺诈原因。尽管基于机器学习的方法泛化能力强、精确度高,但缺少可解释性,而基于专家系统的规则方法... 详细信息

车险欺诈检测对促进汽车保险业的良性健康发展有着重要意义。由于欺诈的判断涉及公民权利等核心内容,需要车险专家对案件进行核查,提供欺诈原因。尽管基于机器学习的方法泛化能力强、精确度高,但缺少可解释性,而基于专家系统的规则方法尽管有较好的可解释性,但受限于规则复杂的触发条件。为了解决未触发专家系统欺诈规则而被机器学习方法检测为“欺诈”的案件无法被解释的问题,文中提出了基于网络表示学习的车险欺诈溯因分析方法。该方法首先定义了车险欺诈溯因分析任务,然后采用网络表示学习对已触发专家系统中欺诈规则的案件进行案件-规则因子网络的建模,学习欺诈规则中因子的分布式向量表示。为了更好地度量“欺诈”案件与专家系统中因子未全部触发规则之间的相似度,该方法基于溯因缺省原理,设计了一种规则因子的加权拼接策略来缓解训练数据不足的问题。实验结果表明,所提方法相较于已有方法在车险欺诈溯因预测任务的3项指标中均能取得更好的效果。

关键词：汽车保险欺诈网络表示学习溯因推理专家系统可解释性

来源：评论

学校读者我要写书评

暂无评论

融合邻域信息的网络表示学习算法研究

融合邻域信息的网络表示学习算法研究

引用

作者：乔子越中国科学院大学

学位级别：博士

网络数据因其可以融合异构数据源的信息和建模许多类型不同的互联对象被广泛的研究。其中一个关键的研究目标是找到有效的网络表示学习方法，以高效地进行模式发现、分析，预测和知识问答等高级应用任务。网络表示学习的一般过程是将网... 详细信息

网络数据因其可以融合异构数据源的信息和建模许多类型不同的互联对象被广泛的研究。其中一个关键的研究目标是找到有效的网络表示学习方法，以高效地进行模式发现、分析，预测和知识问答等高级应用任务。网络表示学习的一般过程是将网络中的拓扑结构和节点属性进行编码融合成节点向量，并在某种约束下优化这些编码后的节点向量，使其满足某种临近分布。网络表示学习从节点的层面来看，就是将节点的邻域即与节点相连的多跳之内的邻居节点的属性以及相应的关系组成的拓扑结构融合到节点表示中。因此对于节点邻域信息的编码和优化学习在网络表示学习中至关重要。　　然而，随着海量的网络数据的采集，网络中的节点的邻域也展示出了越来越复杂的特性，传统的网络表示学习模型遇到一些新的挑战。(a)网络数据具有异质性。随着网络数据的不断扩展，网络中往往不只包含着一种类型的节点和关系，而是存在着各种不同类型的具有不同属性的节点和关系。(b)网络数据具有复杂性。随着网络数据的规模不断扩大，异质网络体现出拓扑链接稠密度高，节点属性信息量大，信息冗余等特点，为网络上的邻域信息抽取的效率和效果提出了新的挑战。(c)网络数据上的标签稀疏。海量的网络数据造成了人工标注标签耗时耗力，引起节点标签稀缺的问题，使得传统的半监督网络表示学习模型易于过拟合，在下游应用上的表现结果不佳。针对以上网络数据呈现出的三种新特性，本研究从采样和融合邻域信息为出发点，分别面向异质信息网络、知识图谱网络、复杂社区网络、少标签网络等新型的网络结构数据提出相应的更适用于目标网络的网络表示学习模型。本论文的主要贡献如下:　　(1)基于层次树结构邻域编码的网络表示学习。真实的异质信息网络中不同类型的节点之间的连接往往呈现一对多的特性，节点的邻域因此也呈现出层次的树形结构。为了解决传统的网络学习方法往往缺乏对异质信息网络中层次树结构信息的挖掘，进而无法充分抽取到异质网络中丰富的节点邻域信息的问题，本研究提出了一个基于层次树结构邻域编码的异质网络表示学习模型，可以有效地聚合的层次树结构的多跳邻域，同时使用一个关系度量学习模块将节点嵌入其特定类型空间以克服不同类型节点分布上的相互干扰问题。在节点聚类和分类，链接预测等实验上的结果表明，该方法能够更好地提取丰富的邻域信息，提高节点表示的质量。　　(2)基于实体和关系邻域编码的知识图谱表示学习。知识图谱将现实世界中的大量知识存储到结构化图中，其实体和关系的邻域信息，即与实体和关系出现在同一三元组中的其他实体和关系的上下文信息对于下游任务是很有价值的，现有知识图谱表示学习模型通常没有利用知识图谱中的实体或关系的邻域信息。为了解决这个问题，本研究提出了一个在知识图谱上的迭代聚合模型，将多层的实体和关系的的邻域信息聚合以增强的的实体和关系表示。在知识图谱补全的实验上，提出的模型取得了比基线模型更优异的结果。　　(3)基于节点属性和邻域对比学习的网络表示学习。随着网络数据的规模不断扩大，网络数据例如复杂网络体现出拓扑链接稠密度高，节点属性信息量大等特点，这为传统的网络表示学习的效率和效果提出了新的挑战。为了解决这个问题，本研究提出了一个采用预训练框架的复杂网络表示学习模型来解决研究人员数据挖掘任务。该模型使用高效的网络编码器抽取研究人员的多个属性的语义信息和社区网络邻域信息。在预训练阶段，使用多任务自监督学习目标对大量未标记的研究人员数据进行预训练，并得到高质量的研究人员表示向量。在微调阶段，RPT具有两种迁移学习模式。在实验中，提出的模型在研究人员分类，合作关系预测，Top-K相关检索等下游任务中都取得了优异的实验结果。　　(4)基于双通道邻域知识迁移学习的网络表示学习。网络数据中节点的边信息例如标签信息的引入也为网络表示学习带来了新的挑战，在这样的少标签网络上的学习任务中容易出现过拟合和欠拟合的问题。为了解决这个问题，本研究提出了一种基于双通道知识转移和元学习的图的半监督表示学习框架，用于节点分类任务。该框架使用双通道模型分别对节点邻域编码得到其分类概率和无监督嵌入，并使用一个基于知识迁移学习的损失函数将无监督嵌入学习到的知识通过重构邻域的形式引入到分类通道中，以提高分类通道的泛化能力。基于元学习的优化进一步提高知识迁移的有效性，避免了两个通道之间的负迁移。在节点分类的实验中取得了优于目前先进的基线模型的结果。

关键词：网络表示学习异质网络知识图谱迁移学习异质信息

来源：评论

学校读者我要写书评

暂无评论

面向融合异构信息的网络表示学习技术的研究

面向融合异构信息的网络表示学习技术的研究

引用

作者：张乐中国科学院大学

学位级别：博士

互联网的普及与应用，产生了丰富的网络数据。这些数据是人们社会生活的真实写照，对其进行挖掘与分析具有非常高的研究价值和社会效益。然而，网络数据具有高维稀疏、多源异构、关联紧密等特点，使网络数据挖掘与分析面临着挑战。为有... 详细信息

互联网的普及与应用，产生了丰富的网络数据。这些数据是人们社会生活的真实写照，对其进行挖掘与分析具有非常高的研究价值和社会效益。然而，网络数据具有高维稀疏、多源异构、关联紧密等特点，使网络数据挖掘与分析面临着挑战。为有效应对挑战，并实现数据的智能化处理，一个重要前提是如何对网络上的数据信息进行有效地表示。为此，研究人员提出了网络表示学习，其旨在为网络中的节点学习一个低维稠密的向量表示，所学习的节点表示较好保留了原始网络的信息及其关联，因而被作为特征向量输入到后续的网络分析任务，如节点分类、链接预测等。在众多网络表示学习技术中，面向融合异构信息的网络表示学习技术因表示效果好，数据融合度高，在近年来受到了广泛关注。　　然而，现有的研究依旧存在一些问题:一是大多数已有方法未能有效建模网络上异构信息间的关联，存在信息丢失的问题，致使无法生成更高质量的网络节点表示;二是大部分现有工作未能充分重视网络表示学习与异常节点挖掘二者间的交互性，它们或是未考虑网络上存在异常信息的情况，或仅将异常节点挖掘作为生成更优节点表示的“副产品”，由此得到了不理想的异常节点挖掘结果。　　鉴于此，本文提出了新的面向融合异构信息的网络表示学习技术框架，旨在设计更有效的模型来学习更高质量的网络节点表示，以及提高网络分析任务的效果。为此，本文展开了如下研究工作:　　1.提出了基于同质性建模的无监督网络表示学习模型SAHP(Structure At-tribute Homophily Preserved Social Network Embedding)。社交网络上网络结构与节点属性存在着同质性关系，其从微观和宏观两个维度强化了节点之间的相关性。大多数现有的模型学习到的节点表示仅保留关联节点在微观上的同质性，忽略它们在宏观上的同质性。针对此问题，本文提出了SAHP模型，该模型将网络结构与节点属性之间的同质性也作为网络上的一种异构信息，并将其与网络结构、节点属性这三种信息映射到同一表示空间中，来最大化节点的关联性，来学习更优的网络节点表示。在三个真实网络数据集上的节点分类实验和节点聚类实验，证实了SAHP模型的有效性。　　2.提出了基于同质性建模的半监督网络表示学习模型LHONE(Label Ho-mophily Oriented Network Embedding)。信息网络常含有节点链接与节点标签，这两个异构信息分别从局部和整体描述了节点的同质性。大部分已有研究在建模时仅考虑异构信息在局部上的同质性，忽略了整体上的同质性，面临信息丢失的问题。为解决该问题，本文提出了LHONE模型，其引入一个联合学习框架来同时建模节点标签与节点链接在局部和整体上的同质性，以此生成更优的网络节点表示。在两个真实网络数据集上的节点分类实验和案例分析，都表明LHONE模型的有效性。　　3.提出基于一致性建模的无监督网络表示学习模型REMAD(A Robust Em-bedding Method for Anomaly Detection on Attributed Networks)。给定的属性网络存在异常的节点，该节点蕴含的属性信息与结构上邻近的大多数正常节点有着显著的差异。大多数已有的方法忽视了网络表示学习与异常节点挖掘二者间的交互性，因而无法得到理想的节点挖掘效果。为填补该问题，本文提出了REMAD模型，其设计了统一学习框架，将基于一致性建模的网络表示学习和基于残差分析的异常节点挖掘相结合。通过强化二者间的交互性，REMAD更准确地发现网络上存在的异常节点。模拟和真实数据集上进行的异常节点挖掘实验，验证了REMAD模型的有效性。

关键词：数据挖掘网络表示学习社交网络异常节点

来源：评论

学校读者我要写书评

暂无评论

基于网络表示学习的机场群同质化分析研究

基于网络表示学习的机场群同质化分析研究

引用

作者：蔡蕤中国民航大学

学位级别：硕士

机场群在带动区域经济一体化发展的同时也应确保民航资源的统筹效率,形成统一化管理、差异化发展、分工式协作的格局。研究分析机场群同质化程度对以协同运行和差异化发展为主要特征的机场群发展有着重要意义,也可以为后续机场群航线网... 详细信息

机场群在带动区域经济一体化发展的同时也应确保民航资源的统筹效率,形成统一化管理、差异化发展、分工式协作的格局。研究分析机场群同质化程度对以协同运行和差异化发展为主要特征的机场群发展有着重要意义,也可以为后续机场群航线网络布局提供决策依据。针对现有机场群同质化研究指标较为单一、缺乏在不同抽象层次的分析以及缺乏对机场群外部通航机场的考虑等问题,论文结合网络相关理论与方法,以京津冀机场群为例,着重分析探究机场群发展过程中的同质化程度。具体研究工作如下:针对现有机场群同质化研究存在指标单一、分析层面单一等问题,从机场本身出发,综合考虑机场运营效益,机场保障能力、业务水平及通航情况,研究提出了分析机场群同质化多层多维指标。并以此为依据,构建机场群同质化程度分析模型。结合各层级各维度指标特点,分别提出了基于机场属性分析的同质化计算方法和基于机场网络表示学习的同质化计算方法。在此基础上,融合机场属性和机场网络指标,提出了多层同质化级联分析方法。在京津冀机场群相关数据集上进行算法验证,结果表明,融合机场属性和机场网络的机场群同质化分析方法相较之基于复杂网络结构特征接近中心性的机场群同质化分析方法更加符合客观实际,能较好表征机场群的同质化程度。基于机场群机场节点、通航机场节点构建的机场网络中,每个机场节点都具备独有省份、行政区域、地理位置等信息,而不仅仅是抽象网络结构中的一个任意节点。结合属性网络表示学习方法,将位置信息作为机场节点属性信息,提出基于属性网络表示学习的机场群同质化分析。构建机场节点网络结构特征表示向量和机场节点属性信息特征表示向量,融合形成统一的机场节点表示向量,以计算机场群同质化程度。在京津冀机场群相关数据集上进行实验,结果表明,基于属性网络表示学习的机场群同质化分析方法相较于上述基于机场网络表示学习的同质化分析方法,在评价机场群同质化发展程度方面更准确可信。

关键词：机场群同质化同质化级联分析网络表示学习属性网络网络结构特征节点属性信息

来源：评论

学校读者我要写书评

暂无评论

基于网络表示学习的社交网络取证分析建模研究

基于网络表示学习的社交网络取证分析建模研究

引用

作者：胡天岳吉林大学

学位级别：硕士

随着网络技术的快速发展,越来越多的人际交流通过互联网完成。人们通过微信、邮件、网络电话等进行交流的同时,也在这些消息载体上留下了大量的记录,其中隐藏着非常具有价值的信息,如何挖掘出这些隐藏的信息成为社交网络研究领域重要课... 详细信息

随着网络技术的快速发展,越来越多的人际交流通过互联网完成。人们通过微信、邮件、网络电话等进行交流的同时,也在这些消息载体上留下了大量的记录,其中隐藏着非常具有价值的信息,如何挖掘出这些隐藏的信息成为社交网络研究领域重要课题。特别当网络是一个犯罪团伙的信息交流网时,这种研究往往可以标记出一个犯罪团伙的重要成员或者重要头目,这对于案件侦破和打击犯罪具有重要意义,吸引着包括公安刑侦领域、社会心理学领域、计算机取证领域的许多学者对此不懈研究。利用社交网络进行的计算机取证分析已经成为社交网络研究领域的一个重要方向。近年来,针对犯罪社交网络的取证分析取得了一定的成功,能够较准确的分析出某个犯罪网络的层次结构和重要成员,但也存在着明显的局限性:只能分析出存在直接相邻成员之间的关系,对具有间接关系的成员之间,难以准确衡量他们之间的亲密程度。因此,针对社交网络取证领域中成员间接关系难以衡量的问题,本文将网络中每一个成员表示成一个结点,使用神经网络语言概率模型对结点进行网络表示学习(Network Representation Learning,NRL),将结点转成结点向量的形式,通过采样和编码将结点附近的拓扑信息嵌入到向量中,利用向量所隐藏的丰富含义解决了不相邻成员间关系衡量问题,实现了更丰富的语义表达。同时本文基于向量提出了一个新的寻找犯罪集团‘犯罪头目’的分析取证方法:向量证据分析模型(Vector Forensic Analysis Model,VFAM)。主要工作和创新点如下:(1)利用网络表示学习后的向量克服了不相邻结点间的关系难以衡量问题。本文利用向量蕴含的丰富语义信息来表示结点间关系,并深入研究了几种典型的神经语言概率模型,选择网络表示学习效果较好的node2vec方法将结点数据预处理成结点向量。将数据预处理成向量具有两个优势:一方面,在向量化过程中,node2vec中会根据与其他结点的亲密程度产生不同向量值,两个结点之间关系越疏远、得到的向量值距离就越大,反之得到的向量值距离越小,因此可直接使用向量距离表征不相邻结点之间的关系。另一方面,向量具有良好的数学计算性,方便进行后续建模和计算。(2)改进了网络表示学习算法node2vec的梯度更新过程。Node2vec在训练结点向量时,对非叶子结点按照‘均等’原则构建哈夫曼树作为加速更新架构,并使用向量叠加和作为投影层。但node2vec在利用哈夫曼树进行梯度更新时,最终得到的梯度上升值并非‘均等’的贡献到每一个非叶子结点上,这样可能会使得叶子结点更新值不准确,且更新过程不符合投影层构建逻辑。VFAM模型针对这一问题做出改进,让迭代每一步的梯度值平均贡献到所有非叶子结点上,使算法更准确且符合算法构建逻辑。(3)提出了基于向量的犯罪团伙重要成员找寻算法。本文给出了基于结点向量的社交网络取证分析工具VFAM的层次架构和数学公式。VFAM将待取证分析的社交网络分成三层结构,通过聚类算法和权值计算,找寻每一层的重要成员并分配给这些成员不同权值,权值越高代表该成员结点越重要。VFAM通过计算重要成员和其他结点的向量距离和权值期望,最终找到整个网络的领导成员。对于由犯罪分子构成的犯罪社交网络,这个结果往往代表着该犯罪团伙大头目或大Boss。(4)通过实验评估本文提出的取证方案的正确率。本文选择安然公司邮件作为实验数据集合,使用VFAM分析邮件数据寻找安然犯罪集团领导人,并将寻找结果和经典取证分析工具CrimeNet Explorer、LogAnalysis做对比。实验结果证明,VFAM模型在寻找犯罪团伙领导人方面具有更好的取证分析能力,在多个正确率指标上具有优势。

关键词：社交网络取证 node2vec 结点向量神经网络网络表示学习

来源：评论

学校读者我要写书评

暂无评论

基于耦合视角的网络表示学习算法研究

基于耦合视角的网络表示学习算法研究

引用

作者：倪琦瑄南京财经大学

学位级别：硕士

网络表示学习通过将大规模复杂网络映射为低维、实值、稠密的向量形式,能够有效地捕捉网络的各种信息,从而应用到下游网络分析任务中。传统的网络表示学习算法大多依赖于网络中节点之间的连接,通过迭代聚合节点的邻居信息来学习其表示向... 详细信息

网络表示学习通过将大规模复杂网络映射为低维、实值、稠密的向量形式,能够有效地捕捉网络的各种信息,从而应用到下游网络分析任务中。传统的网络表示学习算法大多依赖于网络中节点之间的连接,通过迭代聚合节点的邻居信息来学习其表示向量,同时边的表示也严重依赖于节点的表示。然而,许多现实网络面临着稀疏性的挑战,仅能观察到有限的节点连接,传统的信息聚合机制学习到的节点表示向量并不能有效地保持网络结构,进一步影响边的表示。本文在真实网络上的经验分析表明,在边图中进行随机游走会产生与原始图不同节点分布的采样序列,进而会带来更丰富的结构信息。因此,如何有效融合原始图和边图中的不同信息仍然是当前值得探讨的问题。此外,许多现实网络中的节点和边都包含了丰富的属性信息。通过有效的融合方式,属性信息可以很好地补充网络结构信息的不足,从而学习得到更有效的网络表示。然而,由于结构信息和属性信息之间的异构性,如何充分并有效地利用网络中的节点与边的属性信息,同样是当前需要研究的重点。有鉴于此,本文将研究重点从单一的原始图转向原始图和边图的耦合视角,主要工作如下:(1)针对网络的结构稀疏性问题,本文提出了一种基于耦合视角的网络表示学习算法(CPBNE),该方法首先基于边图进行随机游走以获得不同于原始图的节点采样结果,然后融合基于原始图随机游走得到的节点采样序列进行联合训练,在这种训练机制中,节点和边的表示是可以被同时学习的。实验结果表明,相较于现有的网络表示学习算法,CPBNE能更好保留网络拓扑结构信息,并在下游任务中获得较好的效果。在稀疏网络中,CPBNE具有良好的可扩展性,执行效率比现有的基于深度学习的方法高了三倍以上。(2)为了更好地利用网络中的信息,解决节点属性和边属性与结构信息的融合问题,本文在考虑原始图和边图不同网络结构的基础上,进一步完善在随机游走序列中缺乏的节点和边的属性信息,提出了一种基于耦合视角和属性信息的网络表示学习算法(AE-CPBNE),将节点和边的属性在原始图和边图中分别构建为新的属性节点,通过获取带有距离衰减的属性上下文,与结构信息共同融合在联合训练过程中。本文在两个真实的属性网络中验证了AE-CPBNE的性能,其在节点分类、边分类、链路预测和链路重构任务中的效果始终排在前两位。

关键词：耦合视角边图属性网络网络表示学习

来源：评论

学校读者我要写书评

暂无评论

基于深度自编码的局部增强网络表示学习研究及应用

基于深度自编码的局部增强网络表示学习研究及应用

引用

作者：张珊珊河北地质大学

学位级别：硕士

社交网络是信息的一种载体,不仅节点的链接关系中蕴藏着丰富的信息,而且节点本身也具有多样的信息。因此,对社交网络进行数据挖掘具有重要意义。随着互联网的普及,社交网络的节点个数逐渐增多,网络结构也变的越发复杂,给现有的网络挖掘... 详细信息

社交网络是信息的一种载体,不仅节点的链接关系中蕴藏着丰富的信息,而且节点本身也具有多样的信息。因此,对社交网络进行数据挖掘具有重要意义。随着互联网的普及,社交网络的节点个数逐渐增多,网络结构也变的越发复杂,给现有的网络挖掘技术带来了前所未有的挑战。如何将稀疏且高维的网络数据,映射为稠密而低维的特征向量成为解决问题的关键,因此网络表示学习模型一度成为研究热点。网络表示学习是指使用某种方法将稀疏、高维的原始输入数据表示为稠密、低维的向量,同时保留网络信息,发现数据内在规律。随着深度学习技术的出现,出现了一些基于深度模型的表示学习模型,SDNE(Structural Deep Network Embedding)模型是其中一种基于深度自编码的网络表示学习模型。SDNE模型使用一阶和二阶近邻关系保持网络结构,采用深度自编码学习网络结构信息的低维特征向量。但它只利用了网络的结构信息,忽略了网络节点自身具有的属性信息,同时没有充分利用网络中的成对约束信息。针对上述问题,采用的改进方法为:在SDNE模型的基础上,融入了网络属性信息,利用深度自编码器学习融合网络结构和属性信息的特征表示,同时充分利用网络的局部信息,最终生成LEANE(Locally Enhanced Attribute Network Embedding Via Deep Auto-encoder)模型。本文围绕SDNE表示学习模型展开研究,主要研究内容如下:***模型研究。在SDNE模型基础上,增加多个深度自编码器学习融合网络结构和属性信息的低维特征表示;同时借鉴拉普拉斯特征映射思想来实现局部增强;最终形成LEANE模型。利用该模型进行网络特征表示学习,将学到的低维特征向量进行分类和聚类实验,在5个真实数据集上与7个同类模型比较,效果均优于同类模型。2.模型应用。将CSDN社交网络数据进行预处理,利用LEANE模型学习到融合CSDN社交关系和属性信息的低维特征表示,将特征表示分别运用k-means,GMM(Gaussian Mixture Model),BIRCH(Balanced Iterative Reducing and Clustering Using Hierarchies)三种聚类算法完成用户聚类任务,综合三种聚类结果分析用户成长类型,并为每簇用户制定针对性的营销措施和服务,实现精细化运营。

关键词：网络表示学习属性网络深度自编码器用户聚类

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：