| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.3.1 基于对抗自编码器的网络表示学习算法研究与设计 | 第12页 |
| 1.3.2 金融场景下基于社交网络分析的社会化精确营销系统设计 | 第12-13页 |
| 1.4 论文组织结构 | 第13-16页 |
| 第二章 相关技术与相关工作 | 第16-32页 |
| 2.1 深度学习 | 第16-21页 |
| 2.1.1 自编码器 | 第16-19页 |
| 2.1.2 深度学习中的激活函数 | 第19-20页 |
| 2.1.3 深度学习模型的训练 | 第20-21页 |
| 2.2 生成对抗网络及衍生模型 | 第21-24页 |
| 2.2.1 生成对抗网络的衍生模型 | 第22-24页 |
| 2.3 网络表示学习 | 第24-28页 |
| 2.3.1 基于谱方法的网络表示学习算法 | 第24-25页 |
| 2.3.2 基于深度学习技术的网络表示学习方法 | 第25-26页 |
| 2.3.3 网络表示学习算法的应用与评测 | 第26-28页 |
| 2.4 用户画像与精准营销 | 第28-30页 |
| 2.4.1 精准营销 | 第28页 |
| 2.4.2 用户画像 | 第28-29页 |
| 2.4.3 可视化分析 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 基于对抗自编码器的网络表示学习算法研究与设计 | 第32-48页 |
| 3.1 网络表示学习问题定义 | 第32-34页 |
| 3.2 基于对抗自编码器的网络嵌入(ANE)算法总体框架 | 第34-35页 |
| 3.3 ANE模型的损失函数 | 第35-38页 |
| 3.3.1 重构部分获取二阶近似度 | 第35-36页 |
| 3.3.2 监督学习部分获取一阶近似度 | 第36-37页 |
| 3.3.3 对抗训练部分提升表示效果 | 第37-38页 |
| 3.4 ANE模型的算法流程 | 第38-39页 |
| 3.5 实验设置 | 第39-40页 |
| 3.5.1 实验环境配置 | 第39页 |
| 3.5.2 实验数据集与评价指标 | 第39-40页 |
| 3.6 ANE模型相关实验 | 第40-46页 |
| 3.6.1 对比方法及实验参数设置 | 第40-41页 |
| 3.6.2 网络重建实验 | 第41-42页 |
| 3.6.3 链路预测实验 | 第42-43页 |
| 3.6.4 节点多标签分类实验 | 第43-44页 |
| 3.6.5 参数敏感性实验 | 第44-46页 |
| 3.7 本章小结 | 第46-48页 |
| 第四章 金融场景下基于社交网络分析的社会化精确营销原型系统设计 | 第48-64页 |
| 4.1 项目背景及需求分析 | 第48-49页 |
| 4.2 系统总体架构 | 第49页 |
| 4.3 模块设计方案 | 第49-53页 |
| 4.3.1 分析模块 | 第50-52页 |
| 4.3.2 应用模块 | 第52-53页 |
| 4.4 金融场景下用户画像可视化原型子系统的设计与实现 | 第53-63页 |
| 4.4.1 需求分析 | 第53-54页 |
| 4.4.2 系统架构 | 第54-55页 |
| 4.4.3 系统的实现及使用 | 第55-60页 |
| 4.4.4 案例分析 | 第60-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64-65页 |
| 5.1.1 基于对抗自编码器的网络表示学习算法 | 第64页 |
| 5.1.2 金融场景下基于社交网络分析的社会化精准营销原型系统 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 攻读学位期间取得的研究成果 | 第71页 |
