| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第15-28页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状及分析 | 第16-23页 |
| 1.2.1 基于网络的半监督学习 | 第16-17页 |
| 1.2.2 网络嵌入技术 | 第17-19页 |
| 1.2.3 属性网络分类 | 第19-20页 |
| 1.2.4 多类标分类 | 第20-21页 |
| 1.2.5 跨网络节点对齐 | 第21-23页 |
| 1.3 研究工作 | 第23-27页 |
| 1.3.1 主要研究内容 | 第23-25页 |
| 1.3.2 主要研究成果 | 第25-27页 |
| 1.4 论文组织结构 | 第27-28页 |
| 第2章 基于网络正则化生成模型的属性网络半监督学习算法 | 第28-57页 |
| 2.1 引言 | 第28-30页 |
| 2.2 基于概率隐含语义分析的多视图学习算法 | 第30-31页 |
| 2.3 基于网络正则化生成模型的多属性网络半监督分类算法 | 第31-43页 |
| 2.3.1 融合多属性信息 | 第31-32页 |
| 2.3.2 融合关系信息 | 第32-33页 |
| 2.3.3 模型拟合 | 第33-35页 |
| 2.3.4 实验结果与分析 | 第35-43页 |
| 2.4 基于多关系集成正则化的多属性多关系网络学习算法 | 第43-56页 |
| 2.4.1 多关系集成正则化 | 第46-48页 |
| 2.4.2 实验结果与分析 | 第48-56页 |
| 2.5 小结 | 第56-57页 |
| 第3章 基于高阶关系挖掘的多属性网络半监督学习算法 | 第57-73页 |
| 3.1 引言 | 第57-58页 |
| 3.2 超图学习 | 第58-59页 |
| 3.3 基于超图学习的半监督分类算法 | 第59-64页 |
| 3.3.1 多属性和高阶关系挖掘 | 第60-61页 |
| 3.3.2 模型拟合 | 第61-64页 |
| 3.4 实验结果与分析 | 第64-70页 |
| 3.4.1 实验数据和实验设置 | 第64-65页 |
| 3.4.2 实验结果 | 第65-67页 |
| 3.4.3 算法收敛性分析 | 第67-68页 |
| 3.4.4 参数选择 | 第68-70页 |
| 3.5 小结 | 第70-73页 |
| 第4章 单属性网络的半监督多类标学习算法 | 第73-91页 |
| 4.1 引言 | 第73-74页 |
| 4.2 单属性网络半监督多类标分类算法 | 第74-77页 |
| 4.3 模型优化 | 第77-80页 |
| 4.4 实验验证 | 第80-89页 |
| 4.4.1 实验数据和对比算法 | 第80-84页 |
| 4.4.2 蛋白质功能预测的结果 | 第84-87页 |
| 4.4.3 蛋白质定位预测的结果 | 第87-89页 |
| 4.4.4 参数选择 | 第89页 |
| 4.5 小结 | 第89-91页 |
| 第5章 基于网络嵌入的跨属性网络半监督节点对齐算法 | 第91-107页 |
| 5.1 引言 | 第91-93页 |
| 5.2 问题定义 | 第93-94页 |
| 5.3 基于网络嵌入的跨属性网络节点对齐 | 第94-100页 |
| 5.3.1 网络嵌入技术 | 第94-96页 |
| 5.3.2 学习属性网络嵌入 | 第96-98页 |
| 5.3.3 半监督节点对齐 | 第98-100页 |
| 5.4 实验验证 | 第100-105页 |
| 5.4.1 数据集和对比算法 | 第100-102页 |
| 5.4.2 实验结果 | 第102-105页 |
| 5.5 小结 | 第105-107页 |
| 结论 | 第107-109页 |
| 参考文献 | 第109-121页 |
| 攻读博士学位期间发表的论文及其他成果 | 第121-124页 |
| 致谢 | 第124-125页 |
| 个人简历 | 第125页 |
