| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 基于图核函数的图分类算法研究现状 | 第9-11页 |
| 1.2.2 基于特征向量构造的图分类算法研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第二章 图分类相关研究概述 | 第15-24页 |
| 2.1 图的基本定义 | 第15-17页 |
| 2.2 图的常用属性指标 | 第17-18页 |
| 2.2.1 图的节点级属性特征 | 第17-18页 |
| 2.2.2 图的全局属性特征 | 第18页 |
| 2.3 频繁子图挖掘 | 第18-20页 |
| 2.4 图核函数 | 第20-21页 |
| 2.5 基于结构的图分类流程 | 第21-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 基于图集重构与图核降维的图结构分类算法 | 第24-40页 |
| 3.1 图集重构过程细节描述 | 第24-28页 |
| 3.1.1 子图挖掘 | 第24页 |
| 3.1.2 基于判别子图的图集重构 | 第24-28页 |
| 3.2 基于KDA的图核特征降维 | 第28-29页 |
| 3.3 分类框架 | 第29-31页 |
| 3.4 实验设计与分析 | 第31-39页 |
| 3.4.1 数据集描述 | 第31-33页 |
| 3.4.2 不同图核函数对比 | 第33-34页 |
| 3.4.3 参数优化 | 第34-36页 |
| 3.4.4 与其他基于图核的图分类算法对比 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于图结构嵌入的图分类算法 | 第40-58页 |
| 4.1 图嵌入算法原型 | 第40-43页 |
| 4.1.1 Word2Vec词嵌入模型 | 第40-42页 |
| 4.1.2 Doc2Vec文档嵌入模型 | 第42-43页 |
| 4.2 图属性特征的聚合方法 | 第43-45页 |
| 4.3 基于图嵌入的图分类算法 | 第45-51页 |
| 4.3.1 针对图数据的“词汇表”构建 | 第45-49页 |
| 4.3.2 图嵌入神经网络构造 | 第49-51页 |
| 4.3.3 分类框架 | 第51页 |
| 4.4 实验设计与分析 | 第51-57页 |
| 4.4.1 数据集描述 | 第52页 |
| 4.4.2 实验设置 | 第52-53页 |
| 4.4.3 图嵌入效果分析 | 第53-55页 |
| 4.4.4 与其他基于特征向量构造的图分类算法对比 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58页 |
| 5.2 工作展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 作者简介 | 第67页 |