| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 引言 | 第8-13页 |
| 1.1. 研究的目的和意义 | 第8-9页 |
| 1.2. 国内外相关领域研究现状 | 第9-10页 |
| 1.3. 本文研究内容 | 第10-12页 |
| 1.4. 本文组织结构 | 第12-13页 |
| 第二章 网络表示学习方法介绍 | 第13-25页 |
| 2.1 基于谱方法的网络表示学习方法 | 第13-15页 |
| 2.1.1 多维尺度变换(MDS) | 第13页 |
| 2.1.2 等距特征映射(IsoMap) | 第13-14页 |
| 2.1.3 拉普拉斯特征映射(LE) | 第14-15页 |
| 2.2 基于神经网络的网络表示学习方法 | 第15-23页 |
| 2.2.1 Word2vec | 第15-18页 |
| 2.2.2 DeepWalk | 第18-19页 |
| 2.2.3 LINE | 第19-20页 |
| 2.2.4 SDNE | 第20-21页 |
| 2.2.5 Node2Vec | 第21-23页 |
| 2.3 结合关系类型信息的知识图谱表示学习方法 | 第23-24页 |
| 2.3.1 TransE | 第23-24页 |
| 2.3.2 TransR | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于边采样的网络表示学习模型NEEs | 第25-36页 |
| 3.1 问题定义 | 第25页 |
| 3.2 整体框架 | 第25-29页 |
| 3.3 边向量模型 | 第29-31页 |
| 3.4 节点向量模型 | 第31-34页 |
| 3.5 分析和讨论 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 边向量模型分析 | 第36-45页 |
| 4.1 数据集和参数设置 | 第36页 |
| 4.2 知识图谱WORDNET、FREEBASE案例分析 | 第36-42页 |
| 4.3 《悲惨世界》人物网络案例分析 | 第42-44页 |
| 4.4 边向量模型应用方向 | 第44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 实验结果与分析 | 第45-58页 |
| 5.1 实验设置 | 第45-46页 |
| 5.2 评价指标 | 第46-48页 |
| 5.3 多标签分类任务 | 第48-50页 |
| 5.4 边预测任务 | 第50-52页 |
| 5.5 可视化分析 | 第52-54页 |
| 5.6 抗干扰性分析 | 第54-55页 |
| 5.7 参数敏感性测试 | 第55-56页 |
| 5.8 可规模化分析 | 第56-57页 |
| 5.9 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 研究工作总结 | 第58页 |
| 6.2 下一步工作展望 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 硕士期间发表的论文列表 | 第62-63页 |
| 附件 | 第63-66页 |
| 附件1: 语言知识图谱WN18单词表 | 第63-65页 |
| 附件2: 《悲惨世界》人物表 | 第65-66页 |
| 致谢 | 第66-67页 |