異質信息網絡普遍存在于現(xiàn)實生活中的許多情景中,如社交網絡、學術引用網絡、電影評論網絡等。從這些網絡中挖掘出有價值的信息是十分重要然而面臨許多挑戰(zhàn)的,主要的挑戰(zhàn)是如何構建合適的信息網絡節(jié)點表征。傳統(tǒng)的信息網絡節(jié)點表征方法是將網絡看成由節(jié)點和邊組成的圖模型,并人為地抽取圖中節(jié)點的特征作為節(jié)點的表征。但是這種方法十分依賴于專家的先驗知識以及耗費大量的時間。因此,近年來為了解決以上問題,許多信息網絡節(jié)點表征學習算法被提出來,旨在自動地學習網絡中節(jié)點的表征。代表性的方法有基于圖神經網絡的網絡節(jié)點表征學習算法。其通過聚合目標節(jié)點的鄰居節(jié)點特征信息來獲得目標節(jié)點的低維向量表征,但是目前的這類算法存在以下問題:一是其只關注了同質信息網絡,即網絡只包含了一種類型的節(jié)點和邊,沒有考慮到包含不同類型節(jié)點或邊的異質信息網絡;二是手工設計不同類型鄰居節(jié)點的聚合策略是十分依賴專家的先驗知識且不具有普適性的。為了解決以上問題,本文提出MetaGNN模型,一種基于已有的Deep Q-Network模型的圖神經網絡模型,該模型包含了兩層結構,即Deep Q-network層和圖神經網絡層。其中Deep Q-Networ...

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及意義
    1.2 國內外研究現(xiàn)狀
    1.3 本文的主要工作
    1.4 本文組織結構
    1.5 本章小結
第2章 背景知識與相關工作
    2.1 基礎定義
    2.2 相關工作
        2.2.1 經典維度下降算法
        2.2.2 非基于圖神經網絡的網絡節(jié)點表征學習算法
        2.2.3 基于圖神經網絡的網絡節(jié)點表征學習算法
    2.3 模型背景知識
        2.3.1 圖神經網絡模型
        2.3.2 Deep Q-Network
    2.4 本章小結
第3章 基于深度強化學習的圖神經網絡(MetaGNN)
    3.1 算法框架
    3.2 Deep Q-Network層
        3.2.1 狀態(tài)空間
        3.2.2 動作空間
        3.2.3 獎勵函數(shù)
        3.2.4 損失函數(shù)
    3.3 圖神經網絡層
        3.3.1 聚集函數(shù)
        3.3.2 損失函數(shù)
    3.4 本章小結
第4章 實驗驗證
    4.1 實驗設置
        4.1.1 數(shù)據(jù)集
        4.1.2 對比算法
        4.1.3 評價指標
        4.1.4 元路徑
    4.2 實驗內容
        4.2.1 直推式節(jié)點多分類任務
        4.2.2 歸納式節(jié)點多分類任務
        4.2.3 參數(shù)敏感性分析
    4.3 實驗結果與討論
    4.4 本章小結
結論
參考文獻
攻讀碩士學位期間發(fā)表的論文及其他成果
致謝



本文編號：3921812