【摘要】：隨著大數據思維逐漸深入人心以及深度學習的廣泛研究和應用,圖結構逐漸被用來表征現實世界中大規(guī)模的、錯綜復雜的數據,而深層挖掘大規(guī)模圖數據內部隱含的信息也逐漸成為了研究的熱點。在信息爆炸的時代,傳統(tǒng)的基于關鍵字匹配的搜索引擎已經難以滿足用戶希望迅速、準確、簡便地獲取信息的需求,為此知識圖譜通過建立基于語義的信息實體圖來滿足人們新的查詢需求。本文首先通過回顧學者、科研機構及公司對知識圖譜的研究內容,對知識圖譜的發(fā)展和構建方法作了全面的介紹,包括知識圖譜概念的起源、發(fā)展以及最終形成過程;構建知識圖譜的數據來源;構建過程中涉及的方法,包括本體和實體的抽取,圖譜的構建、更新、維護,以及面向知識圖譜的內部結構挖掘和外部擴展應用。最后,對知識圖譜的未來發(fā)展方向和面臨的挑戰(zhàn)作了展望。針對大規(guī)模圖數據挖掘面臨的計算復雜、數據稀疏的問題,本文在word2vec算法基礎上進行改進設計了一種基于深度學習的網絡表示學習算法,通過將圖結點表示為低維向量為圖數據挖掘工作中能夠使用成熟的機器學習算法和線性代數的理論和工具提供了可能。該算法針對圖結點的多標簽分類任務,利用部分標簽信息指導在結點間游走的過程,然后使用邏輯回歸分類模型對結點的特征表示進行多標簽分類。實驗結果顯示通過有指導地游走,標簽分類準確率有明顯提升。另外,本文利用網絡表示學習算法得到的圖結點的向量表示設計了一種生成邊特征表示的組合方法,同時通過構建深度置信網絡的分類模型,實現了對復雜網絡的鏈路預測。
[Abstract]:With the extensive research and application of big data's thinking and deep learning, the graph structure is gradually used to represent the large-scale and complicated data in the real world. And deep mining the hidden information inside the large scale map data has gradually become the hot spot of research. In the era of information explosion, the traditional search engine based on keyword matching has been difficult to meet the needs of users who want to obtain information quickly, accurately and easily. Therefore, the knowledge map can meet the new query needs by building semantic information entity graph. Firstly, by reviewing the research contents of knowledge atlas by scholars, scientific research institutions and companies, this paper gives a comprehensive introduction to the development and construction methods of knowledge atlas, including the origin, development and final forming process of the concept of knowledge atlas; The methods involved in constructing knowledge map include ontology and entity extraction, graph construction, updating, maintenance, and knowledge map oriented internal structure mining and external extension application. Finally, the future development direction and challenges of knowledge map are prospected. Aiming at the problem of complex computation and sparse data in large-scale graph data mining, a network representation learning algorithm based on deep learning is proposed in this paper, which is improved on the basis of word2vec algorithm. By representing graph nodes as low-dimensional vectors, it is possible to use mature machine learning algorithms and linear algebra theories and tools in graph data mining. According to the multi-label classification task of graph nodes, the algorithm uses partial label information to guide the process of walking between nodes, and then uses the logical regression classification model to classify the feature representation of nodes. The experimental results show that the accuracy of label classification is significantly improved by guided walking. In addition, using the vector representation of graph nodes obtained by network representation learning algorithm, a combination method of generating edge feature representation is designed. At the same time, the link prediction of complex networks is realized by constructing a classification model of depth confidence networks.
【學位授予單位】：南京郵電大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP311.13;TP181

【參考文獻】

相關期刊論文 前10條

1 劉知遠;孫茂松;林衍凱;謝若冰;;知識表示學習研究進展[J];計算機研究與發(fā)展;2016年02期

2 方濱興;賈焰;李愛平;殷麗華;;網絡空間大搜索研究范疇與發(fā)展趨勢[J];通信學報;2015年12期

3 曹倩;趙一鳴;;知識圖譜的技術實現流程及相關應用[J];情報理論與實踐;2015年12期

4 莊嚴;李國良;馮建華;;知識庫實體對齊技術綜述[J];計算機研究與發(fā)展;2016年01期

5 陳維政;張巖;李曉明;;網絡表示學習[J];大數據;2015年03期

6 王元卓;賈巖濤;劉大偉;靳小龍;程學旗;;基于開放網絡知識的信息檢索與數據挖掘[J];計算機研究與發(fā)展;2015年02期

7 王知津;王璇;馬婧;;論知識組織的十大原則[J];國家圖書館學刊;2012年04期

8 楊思洛;韓瑞珍;;知識圖譜研究現狀及趨勢的可視化分析[J];情報資料工作;2012年04期

9 呂琳媛;;復雜網絡鏈路預測[J];電子科技大學學報;2010年05期

10 祝忠明;馬建霞;盧利農;李富強;劉巍;吳登祿;;機構知識庫開源軟件DSpace的擴展開發(fā)與應用[J];現代圖書情報技術;2009年Z1期

相關碩士學位論文 前5條

1 袁旭萍;基于深度學習的商業(yè)領域知識圖譜構建[D];華東師范大學;2015年

2 項靈輝;基于圖數據庫的海量RDF數據分布式存儲[D];武漢科技大學;2013年

3 曹浩;基于機器學習的雙語詞匯抽取問題研究[D];南開大學;2011年

4 關鍵;面向中文文本本體學習概念抽取的研究[D];吉林大學;2010年

5 曾錦麒;語義WEB的知識表示語言及其應用研究[D];中南大學;2004年

，

本文編號：2235752