| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文结构和内容 | 第14-16页 |
| 第二章 相关技术与算法综述 | 第16-32页 |
| 2.1 网络表示学习相关技术 | 第16-25页 |
| 2.1.1 网络表示学习的基本概念 | 第16-18页 |
| 2.1.2 基于谱方法的网络表示学习 | 第18页 |
| 2.1.3 基于最优化的网络表示学习 | 第18-19页 |
| 2.1.4 基于深度学习的网络表示学习 | 第19-25页 |
| 2.2 点击率预测模型相关技术 | 第25-31页 |
| 2.2.1 基于因子分解的点击率预测模型 | 第25页 |
| 2.2.2 基于深度学习的点击率预测模型 | 第25-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第三章 基于网络指纹数据的异构网络表示学习方法 | 第32-52页 |
| 3.1 论文总体设计 | 第32-33页 |
| 3.2 网络指纹数据的设计与构建 | 第33-36页 |
| 3.3 用户-App-类别网络的构建 | 第36-38页 |
| 3.4 用户-App二分网络的链路预测 | 第38-43页 |
| 3.4.1 双向条件概率相似度BCP | 第39页 |
| 3.4.2 局部最短路径LSP | 第39-40页 |
| 3.4.3 带资源再分配的随机游走RWRR | 第40页 |
| 3.4.4 链路预测实验与分析 | 第40-43页 |
| 3.5 用户-App-类别网络的表示学习 | 第43-51页 |
| 3.5.1 HIE异构网络表示学习 | 第43-47页 |
| 3.5.2 App节点向量可视化与分析 | 第47-49页 |
| 3.5.3 HINE公开数据集实验与分析 | 第49-51页 |
| 3.6 本章小结 | 第51-52页 |
| 第四章 基于网络表示学习的App点击行为预测 | 第52-58页 |
| 4.1 基于多层感知机MLP的App点击行为预测 | 第52-53页 |
| 4.2 基于Attention机制的App点击行为预测 | 第53-55页 |
| 4.3 App点击行为预测实验与分析 | 第55-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 研究工作总结 | 第58页 |
| 5.2 未来工作展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 攻读学位期间发表的学术论文 | 第66页 |