| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第12-24页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.2 问题定义 | 第14-15页 |
| 1.2.1 网络表示学习问题 | 第14页 |
| 1.2.2 网络表示学习的数学定义 | 第14-15页 |
| 1.3 研究现状 | 第15-20页 |
| 1.3.1 网络表示学习方法分类 | 第15-18页 |
| 1.3.2 基于注意力机制的网络表示学习相关工作 | 第18-20页 |
| 1.4 面临的挑战与研究动机 | 第20-21页 |
| 1.4.1 高阶邻域信息在注意力机制中的有效利用 | 第20页 |
| 1.4.2 同时保留网络的拓扑结构信息和节点属性信息 | 第20-21页 |
| 1.5 研究内容及主要贡献 | 第21-22页 |
| 1.6 本文组织结构安排 | 第22-24页 |
| 第2章 基于注意力机制的节点级网络表示学习方法 | 第24-44页 |
| 2.1 引言 | 第24-25页 |
| 2.2 相关工作 | 第25-30页 |
| 2.2.1 基于频谱的方法 | 第25-27页 |
| 2.2.2 基于空间的方法 | 第27-29页 |
| 2.2.3 基于注意力机制的方法 | 第29-30页 |
| 2.3 基于注意力机制的节点级网络表示学习方法 | 第30-35页 |
| 2.3.1 多注意力图卷积层 | 第31-33页 |
| 2.3.2 隐状态聚合层 | 第33-34页 |
| 2.3.3 模型训练 | 第34-35页 |
| 2.4 实验结果与分析 | 第35-43页 |
| 2.4.1 数据集 | 第35-36页 |
| 2.4.2 实验设置 | 第36页 |
| 2.4.3 节点分类实验结果 | 第36-38页 |
| 2.4.4 参数敏感性分析 | 第38-41页 |
| 2.4.5 可视化 | 第41-42页 |
| 2.4.6 与其他模型的对比分析 | 第42-43页 |
| 2.5 本章小结 | 第43-44页 |
| 第3章 基于注意力机制的图级网络表示学习方法 | 第44-64页 |
| 3.1 引言 | 第44-46页 |
| 3.2 相关工作 | 第46-49页 |
| 3.2.1 图核方法 | 第46-47页 |
| 3.2.2 图池化方法 | 第47-48页 |
| 3.2.3 基于注意力机制的方法 | 第48-49页 |
| 3.3 基于注意力机制的图级网络表示学习方法 | 第49-52页 |
| 3.3.1 注意力Mask | 第50页 |
| 3.3.2 池化 | 第50-51页 |
| 3.3.3 模型架构 | 第51-52页 |
| 3.3.4 模型训练 | 第52页 |
| 3.4 实验结果与分析 | 第52-62页 |
| 3.4.1 数据集 | 第52-53页 |
| 3.4.2 实验设置 | 第53页 |
| 3.4.3 图分类实验结果 | 第53-54页 |
| 3.4.4 参数敏感性分析 | 第54-61页 |
| 3.4.5 与其他模型的对比分析 | 第61-62页 |
| 3.5 本章小结 | 第62-64页 |
| 第4章 总结与展望 | 第64-66页 |
| 4.1 主要工作与成果 | 第64-65页 |
| 4.2 未来展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-74页 |
| 在读期间发表的学术论文与取得的研究成果 | 第74页 |