| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-14页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 本文主要研究内容 | 第12-13页 |
| 1.3 本文的内容安排 | 第13-14页 |
| 第二章 相关技术与理论概述 | 第14-28页 |
| 2.1 基于网络拓扑结构的网络表示学习研究现状 | 第14-19页 |
| 2.1.1 矩阵分解方法 | 第15-17页 |
| 2.1.2 随机游走方法 | 第17-18页 |
| 2.1.3 深度学习方法 | 第18-19页 |
| 2.1.4 其他方法 | 第19页 |
| 2.2 结合附加信息的网络表示学习研究现状 | 第19-21页 |
| 2.2.1 基于标签的网络表示学习 | 第20页 |
| 2.2.2 基于属性的网络表示学习 | 第20-21页 |
| 2.3 本文涉及的相关知识 | 第21-27页 |
| 2.3.1 基于随机游走的节点采样方法 | 第21-24页 |
| 2.3.2 基于矩阵分解法对随机采样的推广 | 第24-26页 |
| 2.3.3 矩阵摄动理论 | 第26-27页 |
| 2.4 本章小节 | 第27-28页 |
| 第三章 基于相关游走与空间合成的动态网络表示学习方法 | 第28-42页 |
| 3.1 动态环境的网络表示学习问题引入 | 第28-30页 |
| 3.2 方法描述 | 第30-37页 |
| 3.2.1 相关游走序列采样 | 第31-32页 |
| 3.2.2 基于矩阵摄动理论的空间合成 | 第32-35页 |
| 3.2.3 基于矩阵分解的属性信息融入 | 第35-37页 |
| 3.3 实验结果及分析 | 第37-41页 |
| 3.3.1 实验数据集及对比方法 | 第37-39页 |
| 3.3.2 实验结果与分析 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于高斯分布的多源附加信息网络表示方法 | 第42-51页 |
| 4.1 基于高斯分布的多源附加信息网络表示问题引入 | 第42-43页 |
| 4.2 方法描述 | 第43-47页 |
| 4.2.1 基于高斯分布的表示学习 | 第43-45页 |
| 4.2.2 多源附加信息的融入 | 第45-47页 |
| 4.3 实验结果及分析 | 第47-50页 |
| 4.3.1 实验数据集及对比方法 | 第47-49页 |
| 4.3.2 实验结果与分析 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51-52页 |
| 5.2 展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士期间参与的科研项目与学术论文 | 第57-58页 |
| 致谢 | 第58页 |