基于异构信息融合的网络表示学习方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景 | 第11-14页 |
| 1.2 网络表示学习方法概述 | 第14-17页 |
| 1.2.1 基于网络结构的网络表示学习 | 第14-15页 |
| 1.2.2 融合异构信息的网络表示学习 | 第15-17页 |
| 1.3 问题提出 | 第17页 |
| 1.4 本文主要内容和组织结构 | 第17-21页 |
| 1.4.1 主要内容 | 第17-19页 |
| 1.4.2 组织结构 | 第19-21页 |
| 第二章 融合节点文本内容信息的网络表示学习 | 第21-35页 |
| 2.1 问题描述 | 第21-23页 |
| 2.2 模型框架 | 第23-30页 |
| 2.2.1 问题定义 | 第23页 |
| 2.2.2 基础模型介绍 | 第23-25页 |
| 2.2.3 融合表示学习模型与参数训练 | 第25-29页 |
| 2.2.4 模型小结及算法复杂度分析 | 第29-30页 |
| 2.3 实验设计与结果分析 | 第30-34页 |
| 2.3.1 数据集 | 第31页 |
| 2.3.2 基准方法 | 第31页 |
| 2.3.3 评测任务和实验设置 | 第31-32页 |
| 2.3.4 节点分类实验分析 | 第32-33页 |
| 2.3.5 超参数敏感性分析 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 融合节点多维分类信息的网络表示学习 | 第35-51页 |
| 3.1 问题描述 | 第35-36页 |
| 3.2 模型框架 | 第36-43页 |
| 3.2.1 问题定义 | 第36-37页 |
| 3.2.2 模型框架介绍 | 第37-40页 |
| 3.2.3 联合优化与参数训练 | 第40-41页 |
| 3.2.4 模型小结及算法复杂度分析 | 第41-43页 |
| 3.3 实验设计与结果分析 | 第43-49页 |
| 3.3.1 数据集 | 第43-44页 |
| 3.3.2 基准方法 | 第44页 |
| 3.3.3 评测任务和实验设置 | 第44-46页 |
| 3.3.4 链路预测实验分析 | 第46页 |
| 3.3.5 节点分类实验分析 | 第46-48页 |
| 3.3.6 超参数敏感性分析 | 第48-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第四章 融合连边符号语义信息的网络表示学习 | 第51-63页 |
| 4.1 问题描述 | 第51-52页 |
| 4.2 模型框架 | 第52-57页 |
| 4.2.1 问题定义 | 第52-53页 |
| 4.2.2 关系预测模型 | 第53-54页 |
| 4.2.3 上下文链接关系采样 | 第54-55页 |
| 4.2.4 模型小结及算法复杂度分析 | 第55-57页 |
| 4.3 实验设计与结果分析 | 第57-61页 |
| 4.3.1 数据集 | 第57-58页 |
| 4.3.2 基准方法 | 第58页 |
| 4.3.3 评测任务和实验设置 | 第58-59页 |
| 4.3.4 连边符号预测实验分析 | 第59-60页 |
| 4.3.5 超参数敏感性分析 | 第60-61页 |
| 4.4 本章小结 | 第61-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 本文工作总结 | 第63-64页 |
| 5.2 后续工作展望 | 第64-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 作者简历 | 第71页 |
