近年來(lái),隨著社交網(wǎng)絡(luò)服務(wù)和其他網(wǎng)絡(luò)應(yīng)用的迅速增長(zhǎng),社交網(wǎng)絡(luò)數(shù)據(jù)出現(xiàn)以指數(shù)級(jí)增長(zhǎng)的態(tài)勢(shì),這些數(shù)據(jù)開始互相關(guān)聯(lián),并出現(xiàn)交集。由于這些數(shù)據(jù)在一定程度上保存了用戶的潛在行為模式,因此,如何從海量的社交網(wǎng)絡(luò)數(shù)據(jù)中挖掘出用戶的潛在關(guān)聯(lián)來(lái)實(shí)現(xiàn)社交網(wǎng)絡(luò)服務(wù)質(zhì)量的提升,成為許多社交網(wǎng)站及相關(guān)企業(yè)亟待解決的問(wèn)題,同樣在學(xué)術(shù)界也引起了一股研究熱潮。鏈路預(yù)測(cè)采用補(bǔ)全社交關(guān)系網(wǎng)絡(luò)的方式,來(lái)挖掘出大數(shù)據(jù)中的潛在商業(yè)價(jià)值。鏈路預(yù)測(cè)是指通過(guò)已知的網(wǎng)絡(luò)節(jié)點(diǎn)以及網(wǎng)絡(luò)結(jié)構(gòu)等信息預(yù)測(cè)出網(wǎng)絡(luò)中尚未產(chǎn)生鏈路的兩個(gè)節(jié)點(diǎn)之間產(chǎn)生鏈路的可能性。由于鏈路預(yù)測(cè)所面對(duì)的數(shù)據(jù)具有多維度和全面性的特點(diǎn),因此數(shù)據(jù)之間常常存在著意想不到的關(guān)聯(lián)性。但傳統(tǒng)的鏈路預(yù)測(cè)沒(méi)有對(duì)這些多維度的數(shù)據(jù)進(jìn)行深挖,忽略了數(shù)據(jù)的關(guān)聯(lián)性。本文對(duì)這些多維度數(shù)據(jù)進(jìn)行層層探索,創(chuàng)建新的鏈路預(yù)測(cè)模型,實(shí)現(xiàn)更準(zhǔn)更高效的預(yù)測(cè)結(jié)果。針對(duì)傳統(tǒng)鏈路預(yù)測(cè)存在的局限性,本文通過(guò)神經(jīng)網(wǎng)絡(luò)構(gòu)建了基于多源異構(gòu)數(shù)據(jù)融合的鏈路預(yù)測(cè)混合模型,主要研究?jī)?nèi)容如下:1.本文提出了一種基于多源異構(gòu)數(shù)據(jù)的鏈路預(yù)測(cè)混合模型。該模型利用基于地理位置的社交網(wǎng)絡(luò)數(shù)據(jù)集中的用戶關(guān)系拓?fù)鋱D和用戶簽到記錄這兩種異構(gòu)數(shù)據(jù)對(duì)用戶行為模... 

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國(guó)內(nèi)外研究歷史與現(xiàn)狀
    1.3 本文的主要內(nèi)容與創(chuàng)新
    1.4 本論文的結(jié)構(gòu)安排
第二章 相關(guān)工作及技術(shù)框架
    2.1 相關(guān)工作
        2.1.1 基于用戶關(guān)系拓?fù)鋱D的鏈路預(yù)測(cè)問(wèn)題
        2.1.2 基于用戶簽到記錄的鏈路預(yù)測(cè)問(wèn)題
        2.1.3 基于多種數(shù)據(jù)源信息融合的鏈路預(yù)測(cè)問(wèn)題
    2.2 技術(shù)框架
        2.2.1 局部敏感哈希
        2.2.2 神經(jīng)網(wǎng)絡(luò)
        2.2.3 網(wǎng)絡(luò)表示學(xué)習(xí)
        2.2.4 矩陣分解
    2.3 本章小結(jié)
第三章 基于多源異構(gòu)數(shù)據(jù)的鏈路預(yù)測(cè)混合模型
    3.1 MHLP的整體框架及工作流程
    3.2 MHLP的基本定義
    3.3 數(shù)據(jù)清洗基本方案
        3.3.1 確定簽到范圍
        3.3.2 選擇簽到時(shí)間
        3.3.3 刪除冗余數(shù)據(jù)
        3.3.4 用戶一致性
    3.4 連通子圖獲取方案及算法
    3.5 訪問(wèn)偏好建模
    3.6 社交表示建模
    3.7 本章小結(jié)
第四章 基于錨鏈接方法和LSH技術(shù)的鏈路預(yù)測(cè)混合模型
    4.1 基于錨鏈接方法的鏈路預(yù)測(cè)混合模型
        4.1.1 ALLP的整體框架及工作流程
        4.1.2 ALLP的基本定義
        4.1.3 ALLP的建模方案及算法
    4.2 基于LSH技術(shù)的鏈路預(yù)測(cè)混合模型
        4.2.1 LSHLP的整體框架及工作流程
        4.2.2 LSHLP的基本定義
        4.2.3 LSHLP的建模方案及算法
    4.3 本章小結(jié)
第五章 實(shí)驗(yàn)配置及相關(guān)性能結(jié)果
    5.1 實(shí)驗(yàn)數(shù)據(jù)集
    5.2 實(shí)驗(yàn)設(shè)置
        5.2.1 實(shí)驗(yàn)參數(shù)設(shè)置
        5.2.2 基準(zhǔn)模型及預(yù)測(cè)評(píng)估指標(biāo)
        5.2.3 F1的兩種實(shí)現(xiàn)策略
    5.3 實(shí)驗(yàn)發(fā)現(xiàn)
        5.3.1 t-SNE降維投影分析
        5.3.2 模型準(zhǔn)確度評(píng)估
        5.3.3 模型性能評(píng)估
    5.4 本章小結(jié)
第六章 全文總結(jié)與未來(lái)展望
    6.1 全文總結(jié)
    6.2 未來(lái)展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]網(wǎng)絡(luò)表示學(xué)習(xí)綜述[J]. 涂存超,楊成,劉知遠(yuǎn),孫茂松.  中國(guó)科學(xué):信息科學(xué). 2017(08)



本文編號(hào)：3717218