面向属性网络图的表示学习与链接预测
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景 | 第14-16页 |
| 1.2 本文工作与主要贡献 | 第16-18页 |
| 1.3 组织结构 | 第18-20页 |
| 第二章 研究现状 | 第20-28页 |
| 2.1 属性网络图挖掘研究现状 | 第20-22页 |
| 2.1.1 图划分 | 第20-21页 |
| 2.1.2 图聚类 | 第21页 |
| 2.1.3 社群搜索 | 第21-22页 |
| 2.1.4 异常检测 | 第22页 |
| 2.2 网络表示学习研究现状 | 第22-24页 |
| 2.2.1 基于谱方法的学习模型 | 第22-23页 |
| 2.2.2 基于词向量模型的表示学习模型 | 第23-24页 |
| 2.3 网络图链接预测研究现状 | 第24-26页 |
| 2.3.1 基于节点相似度的方法 | 第24-25页 |
| 2.3.2 基于概率模型的方法 | 第25-26页 |
| 2.3.3 基于矩阵分解的方法 | 第26页 |
| 2.3.4 基于分类模型的方法 | 第26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 属性网络图表示模型 | 第28-46页 |
| 3.1 预备知识 | 第28-36页 |
| 3.1.1 CBOW词向量训练模型 | 第29-33页 |
| 3.1.2 SkipGram词向量训练模型 | 第33-35页 |
| 3.1.3 网络图中的随机游走 | 第35-36页 |
| 3.2 属性网络图表示学习问题定义 | 第36页 |
| 3.3 模型介绍 | 第36-44页 |
| 3.3.1 带权随机游走路径生成器 | 第37页 |
| 3.3.2 AttrCBOW模型 | 第37-41页 |
| 3.3.3 AttrSkipGram模型 | 第41-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第四章 基于表示学习模型的链接预测 | 第46-58页 |
| 4.1 问题定义 | 第46-47页 |
| 4.2 算法介绍 | 第47-48页 |
| 4.3 基于LSH与BMH的优化 | 第48-55页 |
| 4.3.1 基于图拓扑结构的LSH | 第49-50页 |
| 4.3.2 结合节点属性与拓扑结构的LSH | 第50-52页 |
| 4.3.3 BalancedMin-Hash方法 | 第52-53页 |
| 4.3.4 时间复杂度分析 | 第53-55页 |
| 4.3.5 空间优化策略 | 第55页 |
| 4.4 节点向量的相似度计算方法 | 第55-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第五章 实验设计与结果分析 | 第58-74页 |
| 5.1 数据集介绍 | 第58-59页 |
| 5.2 多标签分类实验 | 第59-64页 |
| 5.2.1 对比方法 | 第59-60页 |
| 5.2.2 分类准确率对比 | 第60-62页 |
| 5.2.3 参数敏感度验证 | 第62-64页 |
| 5.3 链接预测实验 | 第64-68页 |
| 5.3.1 对比方法 | 第64-65页 |
| 5.3.2 评价指标 | 第65页 |
| 5.3.3 实验结果与分析 | 第65-68页 |
| 5.4 BMH方法有效性验证 | 第68-72页 |
| 5.4.1 对比方法 | 第68页 |
| 5.4.2 评价指标 | 第68-69页 |
| 5.4.3 实验结果与分析 | 第69-72页 |
| 5.5 本章小结 | 第72-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74-75页 |
| 6.2 未来工作展望 | 第75-76页 |
| 参考文献 | 第76-84页 |
| 致谢 | 第84-86页 |
| 攻读硕士学位期间发表论文和科研情况 | 第86页 |
