基于全局信息的图结点特征向量学习算法
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 研究现状 | 第14-17页 |
| 1.2.1 中心性度量 | 第14-15页 |
| 1.2.2 图结点特征向量 | 第15-17页 |
| 1.3 本文工作概述及论文结构 | 第17-21页 |
| 第二章 数学模型建立 | 第21-33页 |
| 2.1 问题抽象及符号定义 | 第21-23页 |
| 2.1.1 图的概念 | 第21-22页 |
| 2.1.2 问题的定义 | 第22-23页 |
| 2.2 相关算法分析 | 第23-27页 |
| 2.2.1 线性结构特征向量生成算法 | 第23-26页 |
| 2.2.2 图结构特征向量生成算法 | 第26-27页 |
| 2.3 全局结构信息提取策略 | 第27-29页 |
| 2.3.1 各阶局部信息提取 | 第27-28页 |
| 2.3.2 各阶局部信息保留 | 第28-29页 |
| 2.4 综合各阶结构信息 | 第29-33页 |
| 2.4.1 衰退函数 | 第29-30页 |
| 2.4.2 衰减随机冲浪模型 | 第30-33页 |
| 第三章 算法设计 | 第33-45页 |
| 3.1 优化目标函数建立 | 第33-35页 |
| 3.1.1 局部优化目标函数 | 第33-34页 |
| 3.1.2 数值优化算法 | 第34-35页 |
| 3.2 解析求解方法 | 第35-37页 |
| 3.2.1 解析解矩阵 | 第35-36页 |
| 3.2.2 基于矩阵分解的优化方法 | 第36-37页 |
| 3.3 深度神经网络与数据降维 | 第37-39页 |
| 3.3.1 深度学习 | 第37-38页 |
| 3.3.2 栈式降噪自动编码器 | 第38-39页 |
| 3.4 算法流程 | 第39-40页 |
| 3.5 GraRep数学本质 | 第40-45页 |
| 3.5.1 SGNS算法与GraRep的联系 | 第40-42页 |
| 3.5.2 采样方法与转移概率 | 第42-45页 |
| 第四章 实验验证 | 第45-55页 |
| 4.1 数据集 | 第45-46页 |
| 4.2 基线算法 | 第46-47页 |
| 4.3 参数设定 | 第47-48页 |
| 4.4 实验结果分析 | 第48-51页 |
| 4.4.1 20-Newsgroup网络 | 第48-49页 |
| 4.4.2 Blogcatalog网络 | 第49-50页 |
| 4.4.3 DBLP网络 | 第50-51页 |
| 4.5 参数敏感性分析 | 第51-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 作者简介 | 第63-64页 |
