隨著以Facebook、Twitter、微信和微博為代表的大型社交媒體的快速發(fā)展,產(chǎn)生了海量的網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù),如何合理地表示這些數(shù)據(jù)是實(shí)現(xiàn)大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)高效挖掘的基礎(chǔ)。網(wǎng)絡(luò)表示學(xué)習(xí)(Network Representation Learning),又稱為網(wǎng)絡(luò)嵌入(Network Embedding),就是為解決這一問題而興起的研究方向�，F(xiàn)有網(wǎng)絡(luò)表示學(xué)習(xí)方法主要利用網(wǎng)絡(luò)結(jié)構(gòu)信息和其他異質(zhì)信息,采用矩陣分解或神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練得到網(wǎng)絡(luò)節(jié)點(diǎn)的低維向量表示。但面對(duì)海量、動(dòng)態(tài)、異質(zhì)的社交媒體數(shù)據(jù),現(xiàn)有網(wǎng)絡(luò)表示學(xué)習(xí)方法仍存在以下問題與挑戰(zhàn):1)社交媒體中用戶種類復(fù)雜多樣,用戶關(guān)系交叉重疊,使得現(xiàn)有網(wǎng)絡(luò)表示學(xué)習(xí)方法生成的用戶表示向量相互混雜、難以區(qū)分;2)社交媒體用戶間的網(wǎng)絡(luò)結(jié)構(gòu)動(dòng)態(tài)變化,現(xiàn)有動(dòng)態(tài)網(wǎng)絡(luò)表示學(xué)習(xí)方法對(duì)用戶節(jié)點(diǎn)演化過程建模不足;3)社交媒體的不同對(duì)象間存在復(fù)雜的語(yǔ)義關(guān)系,在將網(wǎng)絡(luò)連邊中豐富的語(yǔ)義關(guān)系信息融入節(jié)點(diǎn)表示上還存在不足;4)社交媒體中用戶數(shù)據(jù)來源多樣且包含大量噪聲,現(xiàn)有融合異質(zhì)信息的網(wǎng)絡(luò)表示學(xué)習(xí)方法在噪聲干擾場(chǎng)景中魯棒性不強(qiáng)。針對(duì)上述問題,本論文依托某裝備預(yù)研項(xiàng)目和國(guó)家自然科學(xué)基金項(xiàng)...

【文章頁(yè)數(shù)】：132 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
符號(hào)定義
英文縮略語(yǔ)表
第一章 緒論
    1.1 研究背景及意義
    1.2 相關(guān)基本概念
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 基于網(wǎng)絡(luò)結(jié)構(gòu)的網(wǎng)絡(luò)表示學(xué)習(xí)方法
        1.3.2 融合異質(zhì)信息的網(wǎng)絡(luò)表示學(xué)習(xí)方法
        1.3.3 面向社交媒體的網(wǎng)絡(luò)表示學(xué)習(xí)所面臨的挑戰(zhàn)
    1.4 問題的提出
    1.5 本文主要內(nèi)容和章節(jié)架構(gòu)
        1.5.1 本文的主要內(nèi)容
        1.5.2 本文的章節(jié)架構(gòu)
第二章 融合節(jié)點(diǎn)標(biāo)簽信息的網(wǎng)絡(luò)表示學(xué)習(xí)方法
    2.1 引言
    2.2 問題描述
        2.2.1 問題定義
        2.2.2 符號(hào)說明
    2.3 基于深度度量學(xué)習(xí)的網(wǎng)絡(luò)表示學(xué)習(xí)
        2.3.1 目標(biāo)函數(shù)
        2.3.2 節(jié)點(diǎn)采樣過程
        2.3.3 模型訓(xùn)練過程
        2.3.4 復(fù)雜度分析
    2.4 仿真實(shí)驗(yàn)
        2.4.1 評(píng)價(jià)指標(biāo)
        2.4.2 數(shù)據(jù)集及對(duì)比算法
        2.4.3 實(shí)驗(yàn)結(jié)果
    2.5 本章小結(jié)
第三章 融合時(shí)空變化信息的網(wǎng)絡(luò)表示學(xué)習(xí)方法
    3.1 引言
    3.2 問題描述
        3.2.1 問題定義
        3.2.2 符號(hào)說明
    3.3 基于時(shí)空軌跡圖的動(dòng)態(tài)網(wǎng)絡(luò)表示學(xué)習(xí)
        3.3.1 模型介紹
        3.3.2 時(shí)空軌跡圖的構(gòu)建
        3.3.3 引入遺忘機(jī)制的隨機(jī)游走過程
        3.3.4 目標(biāo)函數(shù)
    3.4 仿真實(shí)驗(yàn)
        3.4.1 評(píng)價(jià)指標(biāo)
        3.4.2 數(shù)據(jù)集及對(duì)比算法
        3.4.3 實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
第四章 融合連邊語(yǔ)義信息的網(wǎng)絡(luò)表示學(xué)習(xí)方法
    4.1 引言
    4.2 問題描述
    4.3 基于語(yǔ)義信息融合的異質(zhì)網(wǎng)絡(luò)表示學(xué)習(xí)
        4.3.1 模型架構(gòu)
        4.3.2 基于元路徑的隨機(jī)游走
        4.3.3 帶權(quán)子網(wǎng)絡(luò)的構(gòu)建
        4.3.4 節(jié)點(diǎn)表示向量的生成
    4.4 仿真實(shí)驗(yàn)
        4.4.1 評(píng)價(jià)指標(biāo)
        4.4.2 數(shù)據(jù)集及對(duì)比算法
        4.4.3 實(shí)驗(yàn)結(jié)果
    4.5 本章小結(jié)
第五章 基于D-S證據(jù)理論的網(wǎng)絡(luò)表示決策融合方法
    5.1 引言
    5.2 問題描述
        5.2.1 問題定義
        5.2.2 符號(hào)說明
        5.2.3 網(wǎng)絡(luò)節(jié)點(diǎn)特征表示的構(gòu)建
    5.3 基于D-S證據(jù)理論的網(wǎng)絡(luò)表示決策融合
        5.3.1 模型介紹
        5.3.2 非線性SVM后驗(yàn)概率計(jì)算
        5.3.3 基于混淆矩陣的后驗(yàn)概率校正
        5.3.4 復(fù)雜度分析
    5.4 仿真實(shí)驗(yàn)
        5.4.1 評(píng)價(jià)指標(biāo)
        5.4.2 數(shù)據(jù)集及對(duì)比算法
        5.4.3 實(shí)驗(yàn)結(jié)果
    5.5 本章小結(jié)
第六章 基于網(wǎng)絡(luò)表示學(xué)習(xí)的用戶行為分析方法
    6.1 引言
    6.2 基于網(wǎng)絡(luò)表示學(xué)習(xí)的用戶行為分析方法
        6.2.1 系統(tǒng)框架
        6.2.2 數(shù)據(jù)編碼
    6.3 基于網(wǎng)絡(luò)表示學(xué)習(xí)的微博網(wǎng)絡(luò)異常用戶檢測(cè)
        6.3.1 用戶特征分析
        6.3.2 微博異常用戶檢測(cè)
        6.3.3 仿真實(shí)驗(yàn)
    6.4 基于網(wǎng)絡(luò)表示學(xué)習(xí)的電信網(wǎng)用戶通話模式挖掘
        6.4.1 用戶特征分析
        6.4.2 用戶通話模式挖掘
        6.4.3 仿真實(shí)驗(yàn)
    6.5 本章小結(jié)
第七章 總結(jié)與展望
    7.1 主要?jiǎng)?chuàng)新點(diǎn)和貢獻(xiàn)
    7.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
作者簡(jiǎn)歷



本文編號(hào)：3857169