隨著硬件計算能力的升級,人們現(xiàn)在已經(jīng)習慣于分析原始數(shù)據(jù)集而不是抽樣得到的小樣本數(shù)據(jù)集。在這樣的背景下,復雜網(wǎng)絡的大規(guī)模分析形成常規(guī)。其中,網(wǎng)絡表示算法可以將非結構化的網(wǎng)絡連接數(shù)據(jù)轉化為結構化的向量數(shù)據(jù),使得復雜網(wǎng)絡上的經(jīng)典任務可以使用機器學習的方法解決。然而復雜網(wǎng)絡的龐大數(shù)量級為實際應用造成了許多難點,因此,如何設計成本低的網(wǎng)絡表示算法應用場景依舊是研究的重點�；ヂ�(lián)網(wǎng)背景下的社交網(wǎng)絡存在廣泛,應用眾多,并且是典型的具有龐大數(shù)量級的復雜網(wǎng)絡。因此,對社交網(wǎng)絡表示學習進行降低成本的流程設計具有重要的現(xiàn)實意義。本文通過設計圖采樣,探尋降低社交網(wǎng)絡表示學習算法運算成本的思路。主要研究內容如下:首先,用文獻分析找出圖采樣應該關注的子圖特征。用機器學習決策樹特征選擇檢驗以上的子圖特征。然后根據(jù)子圖特征設計相對可控的圖采樣方法包括:生成樹,帶參數(shù)的隨機游走采樣,倒排節(jié)點度數(shù)列表的固定變長/滑動窗口采樣法。并使用社交網(wǎng)絡的“優(yōu)先連接原則”的特征,改進倒排節(jié)點度數(shù)列表的滑動窗口采樣法,直接對每個窗口內生成的子圖邊數(shù)進行估算。其次,設計將圖采樣與網(wǎng)絡表示學習結合起來的流程,設計子圖節(jié)點向量表示計算得到全圖節(jié)點向量表示的重心法。以只需要網(wǎng)絡結構信息的鏈接預測作為下游任務。之后,在隨機圖以及真實網(wǎng)絡數(shù)據(jù)集上用該流程進一步考察圖采樣中的其他特征,包括:“最佳邊數(shù)”,前期實驗未驗證的高度數(shù)節(jié)點,以及上文所設計的根據(jù)社交網(wǎng)絡的“優(yōu)先連接原則”特征估算邊數(shù)的改進方案。其中,第一項首先在真實數(shù)據(jù)集的實驗過程中發(fā)現(xiàn),后用隨機圖進行分析驗證;第二項在隨機圖上進行;最后一項在4個真實網(wǎng)絡數(shù)據(jù)集上進行。最后,以一個真實網(wǎng)絡數(shù)據(jù)集為例,展示如何使用設計的圖采樣方法迅速找到適用的子圖。說明在實際中,不需要使得采樣的子圖邊數(shù)達到“最佳邊數(shù)”,用較少的邊在一些簡單任務如“鏈接預測”中也能夠得到很好的效果。本文的主要貢獻以及創(chuàng)新點有:(1)提出了一個將圖采樣和社交網(wǎng)絡表示學習結合起來的框架。包含圖采樣方法的設計,子圖節(jié)點向量表示為全圖節(jié)點向量的重心法。(2)驗證了“高邊數(shù),高平均度數(shù)”的采樣子圖能得到好的全圖網(wǎng)絡表示。(3)提出了“最佳邊數(shù)”。隨機圖上的結果表示,圖密度越高,“最佳邊數(shù)”占邊數(shù)的比率越低。(4)在4個真實數(shù)據(jù)集上驗證了,“優(yōu)先連接法則”可以較準確地估計子圖的邊數(shù)。從而在設計針對社交網(wǎng)絡或是其他無標度網(wǎng)絡表示學習的圖采樣時,用節(jié)點度數(shù)估算得到邊數(shù)能夠有效降低在圖上查找計算邊數(shù)的成本。(5)提出了在規(guī)定成本內,使用設計的改進版倒排節(jié)點度數(shù)列表滑動窗口采樣可迅速得到適用的子圖的步驟。本文的設計和結論不局限于社交網(wǎng)絡。用圖采樣幫助降低網(wǎng)絡表示學習的成本的設計可容易地拓展到其他網(wǎng)絡。其中,“高邊數(shù)”適用于所有的以邊連接信息為直接或隱含輸入的網(wǎng)絡表示算法,即是大部分流行的網(wǎng)絡表示算法,不局限與本文所使用的LINE算法,“多采用高度數(shù)節(jié)點”,以及用“'優(yōu)先連接法則'估算子圖邊數(shù)”可容易地拓展到其他無標度網(wǎng)絡上。
【學位單位】：吉林大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：O157.5
【部分圖文】：

幾個真實網(wǎng)絡對式2.1的擬合

包含的解讀有：①對于 個全圖，在 絡表 使 的節(jié)點之間的信息越多，則訓練出的 絡極 時， 法有效地訓練出 個圖向量表 。明以上①解讀的還有LINE原始論 中的另 個ube數(shù)據(jù)集中的節(jié)點按照度數(shù)(0, 1], [2, 3], [4, 66組，統(tǒng)計了這6組節(jié)點在多標簽分類任務中的表點表現(xiàn)得更好。這可能是因為：點所含的信息量較多，易于訓練。（節(jié)點對全來表 ，其中 是在該圖中節(jié)點度數(shù)為 的 pipidi圖3.1 LINE網(wǎng)絡向量表示質量與參與學習的網(wǎng)絡邊數(shù)的關系

E論 中所給出的“邊采樣次數(shù)—訓練結果”曲線結果次數(shù) 夠多時，訓練結果趨于穩(wěn)定，并且迅速攀升到上的②。從 由①可知圖中的 度數(shù)節(jié)點所含信息量該多采樣圖中的較 度數(shù)節(jié)點。同樣，2）“ 圖中節(jié)e variance）”也 需考慮。因為當訓練中的邊采樣次數(shù) 差 帶來的不均勻的節(jié)點更新的效應會被消除。圖3.2 LINE不同組度數(shù)節(jié)點的訓練效果
【相似文獻】

相關期刊論文 前10條

1 張曉飛;;以社交網(wǎng)絡為基礎的企業(yè)營銷策略[J];商場現(xiàn)代化;2018年22期

2 孫夏卿;;社交網(wǎng)絡媒體對大學生賦權的價值體現(xiàn)[J];傳播力研究;2018年31期

3 孫金銘;吳珎義;任世浛;趙云龍;高寧;鄭嘯航;;杭州市使用社交網(wǎng)絡大學生MSM人群規(guī)模評估研究[J];中國學校衛(wèi)生;2017年09期

4 范國婷;楊穎;孫剛;趙佳;;基于擾動的社交網(wǎng)絡保護方法研究[J];阜陽師范學院學報(自然科學版);2017年04期

5 楊邦林;林媛媛;林谷洋;林惠茹;;社交網(wǎng)絡使用對大學生孤獨感的影響[J];信陽師范學院學報(哲學社會科學版);2018年02期

6 于建偉;;基于社交網(wǎng)絡的人格分析與預測[J];現(xiàn)代計算機(專業(yè)版);2018年04期

7 陳潔;;利用社交網(wǎng)絡增強大學生思想疏導教育實效性研究[J];戲劇之家;2018年11期

8 魏蒙蒙;陳進;;社交網(wǎng)絡招聘的優(yōu)勢分析和應用建議[J];安徽文學(下半月);2018年03期

9 江瑞辰;;大學生人格特征與移動社交網(wǎng)絡使用動機的關系——自尊的中介作用[J];成都師范學院學報;2018年02期

10 王碧;;“神話里少不了惡魔”——原型視域下電影《社交網(wǎng)絡》人物形象闡釋[J];電影評介;2018年07期

相關博士學位論文 前10條

1 王健;突發(fā)公共事件背景下在線社交網(wǎng)絡信息擴散及治理研究[D];南京師范大學;2018年

2 聶原平;面向社交網(wǎng)絡的文本分析關鍵技術研究[D];國防科學技術大學;2017年

3 朱湘;面向社交網(wǎng)絡的信息傳播關鍵技術研究[D];國防科學技術大學;2017年

4 陳偉;社交網(wǎng)絡與時空數(shù)據(jù)連接的關鍵技術及應用研究[D];蘇州大學;2018年

5 唐興;線上社交網(wǎng)絡中用戶個體行為挖掘方法研究[D];西安電子科技大學;2016年

6 蔣志雄;宗教社會資本功能的實證研究[D];武漢大學;2014年

7 姚靜靜;社交網(wǎng)絡用戶過度使用到理性使用的實證研究[D];中國科學技術大學;2017年

8 Adeel Luqman;基于縱向信息系統(tǒng)生命周期視角理解和預測享樂社交網(wǎng)絡的退出意愿[D];中國科學技術大學;2017年

9 彭川;在線社交網(wǎng)絡中的信息傳播預測模型研究[D];武漢大學;2016年

10 劉立;基于多個社交網(wǎng)絡的用戶關系分析[D];北京理工大學;2016年

相關碩士學位論文 前10條

1 陳玙;社交網(wǎng)絡環(huán)境下基于信任約束的觀點演化機制研究[D];南京師范大學;2018年

2 常亞飛;社交網(wǎng)絡中影響力最大化問題的并行算法研究[D];哈爾濱工業(yè)大學;2017年

3 朱一波;面向移動社交網(wǎng)絡的用戶關系強度并行挖掘算法研究[D];南京師范大學;2018年

4 Gordeeva Tatiana;俄羅斯社交網(wǎng)絡上的中國形象[D];上海外國語大學;2018年

5 李杰;基于主題建模和用戶行為分析的藏族微博用戶群體發(fā)現(xiàn)[D];中央民族大學;2018年

6 吳（龍?zhí)欤╋w;移動社交網(wǎng)絡中基于智能優(yōu)化的消息轉發(fā)機制研究[D];蘇州大學;2018年

7 李維杰;基于認知心理學的移動社交網(wǎng)絡信息架構設計研究[D];江南大學;2018年

8 章倩雯;社交網(wǎng)絡中影響最大化及傳播效應的研究[D];華東師范大學;2018年

9 簡興明;社交網(wǎng)絡中緊密子圖發(fā)現(xiàn)與信息推薦算法研究[D];昆明理工大學;2018年

10 方廣;基于社交網(wǎng)絡用戶興趣的組推薦技術的研究[D];昆明理工大學;2018年

本文編號：2851163