| 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 研究现状 | 第11-13页 |
| 1.2.1 网络表示学习研究现状 | 第11-13页 |
| 1.2.2 深度学习研究现状 | 第13页 |
| 1.3 研究内容 | 第13-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第二章 相关技术 | 第16-30页 |
| 2.1 网络表示学习概述 | 第16-21页 |
| 2.1.1 相关定义 | 第16-18页 |
| 2.1.2 基于矩阵分解的网络表示学习 | 第18-19页 |
| 2.1.3 基于自然语言模型的网络表示学习 | 第19-20页 |
| 2.1.4 加入节点属性的网络表示学习 | 第20-21页 |
| 2.2 深度学习概述 | 第21-25页 |
| 2.2.1 自编码器AE(Auto-Encoder) | 第21-23页 |
| 2.2.2 其他深度学习模型 | 第23-25页 |
| 2.3 基于深度学习的网络表示学习概述 | 第25-26页 |
| 2.4 直推式学习 | 第26-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 基于压缩自编码器的半监督网络表示学习 | 第30-44页 |
| 3.1 LSDNE模型 | 第30-35页 |
| 3.1.1 基于压缩自编码器的半监督网络表示学习模型框架 | 第30-32页 |
| 3.1.2 损失函数 | 第32-34页 |
| 3.1.3 模型优化 | 第34页 |
| 3.1.4 LSDNE模型的训练算法伪代码 | 第34-35页 |
| 3.2 实验与结果分析 | 第35-43页 |
| 3.2.1 数据集与环境配置 | 第36页 |
| 3.2.2 实验指标与对比算法 | 第36-37页 |
| 3.2.3 参数设置 | 第37-38页 |
| 3.2.4 实验一：标签预测实验 | 第38-39页 |
| 3.2.5 实验二：参数敏感度实验 | 第39-42页 |
| 3.2.6 实验三：模型收敛实验 | 第42页 |
| 3.2.7 实验四：泛化能力对比实验 | 第42-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第四章 基于邻居结构的半监督深度属性网络表示学习 | 第44-58页 |
| 4.1 基于邻居结构的半监督网络表示学习模型SLLDNE | 第45-48页 |
| 4.1.1 SLLDNE模型 | 第45-46页 |
| 4.1.2 目标函数 | 第46-47页 |
| 4.1.3 实验及结果分析 | 第47-48页 |
| 4.2 基于邻居结构的半监督深度属性网络表示学习模型SILDNE | 第48-50页 |
| 4.2.1 SILDNE模型 | 第48-50页 |
| 4.2.2 算法伪代码 | 第50页 |
| 4.3 实验与结果分析 | 第50-57页 |
| 4.3.1 数据集与环境配置 | 第51页 |
| 4.3.2 实验指标与baseline | 第51-52页 |
| 4.3.3 参数设置 | 第52-53页 |
| 4.3.4 实验一：标签预测实验 | 第53-54页 |
| 4.3.5 实验二：参数敏感度实验 | 第54-55页 |
| 4.3.6 实验三：模型收敛实验 | 第55-56页 |
| 4.3.7 实验四：权重有效性实验 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 未来工作 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
