隨著社交媒體的快速發(fā)展,越來(lái)越多的用戶開(kāi)始同時(shí)使用多個(gè)社交網(wǎng)絡(luò)平臺(tái)進(jìn)行通信、工作、學(xué)習(xí)和娛樂(lè)等活動(dòng),如何在各種不同社交網(wǎng)絡(luò)中找出共同用戶成為人們關(guān)注的重點(diǎn),我們將這類問(wèn)題稱為網(wǎng)絡(luò)對(duì)齊問(wèn)題,將這里的共同用戶稱為錨節(jié)點(diǎn)。由于網(wǎng)絡(luò)對(duì)齊可以被廣泛應(yīng)用于多個(gè)領(lǐng)域,比如網(wǎng)絡(luò)融合、鏈接預(yù)測(cè)和跨網(wǎng)絡(luò)的推薦等,所以本文的研究目的是去解決社交網(wǎng)絡(luò)中的網(wǎng)絡(luò)對(duì)齊問(wèn)題�，F(xiàn)有的一些方法可以解決網(wǎng)絡(luò)對(duì)齊問(wèn)題,這些方法一般包括兩個(gè)部分,第一部分為網(wǎng)絡(luò)的表示學(xué)習(xí)過(guò)程,即利用網(wǎng)絡(luò)結(jié)構(gòu)信息和用戶的特征信息將每個(gè)用戶表示成為一個(gè)特征向量,我們將這個(gè)特征向量稱為節(jié)點(diǎn)的嵌入表示;第二部分是匹配過(guò)程,即在多個(gè)網(wǎng)絡(luò)之間,學(xué)習(xí)一個(gè)匹配函數(shù)來(lái)預(yù)測(cè)錨節(jié)點(diǎn)。但是這些已有的方法仍然存在以下問(wèn)題:1、匹配混亂:在網(wǎng)絡(luò)表示學(xué)習(xí)過(guò)程中,相鄰的用戶節(jié)點(diǎn)被非常緊密地嵌入到單個(gè)網(wǎng)絡(luò)空間中,使得相鄰節(jié)點(diǎn)之間難以區(qū)分,但是在匹配過(guò)程中,我們需要區(qū)分真正對(duì)應(yīng)的錨節(jié)點(diǎn)和鄰居節(jié)點(diǎn),所以這兩部分的目標(biāo)相互矛盾,從而導(dǎo)致網(wǎng)絡(luò)對(duì)齊效果不理想;2、缺少不確定性信息:之前的模型將節(jié)點(diǎn)表示成簡(jiǎn)單的點(diǎn)向量,而忽略了用戶節(jié)點(diǎn)的潛在不確定性信息;3、點(diǎn)對(duì)點(diǎn)(P2P)匹配限制:之前的...

【文章頁(yè)數(shù)】：78 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)外相關(guān)研究現(xiàn)狀
    1.3 論文的主要研究?jī)?nèi)容
    1.4 論文的創(chuàng)新點(diǎn)
    1.5 論文的結(jié)構(gòu)安排
第二章 相關(guān)原理及技術(shù)
    2.1 神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)
        2.1.1 深度學(xué)習(xí)
        2.1.2 圖神經(jīng)網(wǎng)絡(luò)
        2.1.3 生成對(duì)抗網(wǎng)絡(luò)
        2.1.4 自編碼器模型
        2.1.5 常用的神經(jīng)網(wǎng)絡(luò)框架
    2.2 網(wǎng)絡(luò)表示學(xué)習(xí)
        2.2.1 基于矩陣分解的方法
        2.2.2 基于隨機(jī)游走的方法
        2.2.3 基于圖神經(jīng)網(wǎng)絡(luò)的方法
        2.2.4 基于高斯嵌入的方法
    2.3 深度學(xué)習(xí)模型的可解釋性
    2.4 本章小結(jié)
第三章 基于核方法和圖神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)對(duì)齊
    3.1 基本術(shù)語(yǔ)定義
    3.2 網(wǎng)絡(luò)對(duì)齊模型的實(shí)現(xiàn)過(guò)程
        3.2.1 網(wǎng)絡(luò)的嵌入表示
        3.2.2 用戶嵌入表示的正則化
        3.2.3 錨節(jié)點(diǎn)匹配過(guò)程
        3.2.4 網(wǎng)絡(luò)對(duì)齊算法總結(jié)
    3.3 網(wǎng)絡(luò)對(duì)齊模型的可解釋性
        3.3.1 訓(xùn)練節(jié)點(diǎn)對(duì)于網(wǎng)絡(luò)對(duì)齊模型的影響
        3.3.2 網(wǎng)絡(luò)結(jié)構(gòu)的相似度對(duì)于網(wǎng)絡(luò)對(duì)齊模型的影響
    3.4 本章小結(jié)
第四章 基于高斯嵌入和圖神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)對(duì)齊
    4.1 基本術(shù)語(yǔ)定義
    4.2 網(wǎng)絡(luò)對(duì)齊模型的實(shí)現(xiàn)過(guò)程
        4.2.1 相似度的衡量標(biāo)準(zhǔn)
        4.2.2 網(wǎng)絡(luò)的高斯嵌入表示
        4.2.3 點(diǎn)對(duì)點(diǎn)匹配過(guò)程
        4.2.4 生成對(duì)抗匹配過(guò)程
        4.2.5 網(wǎng)絡(luò)對(duì)齊算法總結(jié)
    4.3 高斯嵌入表示的可解釋性
    4.4 本章小結(jié)
第五章 實(shí)驗(yàn)結(jié)果和算法評(píng)估
    5.1 數(shù)據(jù)集和實(shí)驗(yàn)參數(shù)
        5.1.1 數(shù)據(jù)集介紹
        5.1.2 實(shí)驗(yàn)參數(shù)設(shè)置
    5.2 對(duì)比方法和衡量指標(biāo)
        5.2.1 對(duì)比方法
        5.2.2 衡量指標(biāo)
    5.3 網(wǎng)絡(luò)對(duì)齊的實(shí)驗(yàn)結(jié)果評(píng)估
        5.3.1 模型基本指標(biāo)對(duì)比
        5.3.2 模型參數(shù)對(duì)于實(shí)驗(yàn)結(jié)果的影響
    5.4 模型可解釋性的實(shí)驗(yàn)結(jié)果評(píng)估
        5.4.1 模型實(shí)驗(yàn)結(jié)果的可視化分析
        5.4.2 訓(xùn)練數(shù)據(jù)集對(duì)模型的影響程度分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文總結(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



本文編號(hào)：3953687