| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-28页 |
| 1.1 课题概述和意义 | 第14-26页 |
| 1.1.1 信息网络和异构信息网络 | 第16-20页 |
| 1.1.2 基于异构网络的数据挖掘任务 | 第20-24页 |
| 1.1.3 基于异构网络的链接预测 | 第24-25页 |
| 1.1.4 意义 | 第25-26页 |
| 1.2 本文的组织结构 | 第26-28页 |
| 第二章 构建生物异构信息网络 | 第28-36页 |
| 2.1 概述 | 第28-31页 |
| 2.1.1 问题简介 | 第28-29页 |
| 2.1.2 数据介绍 | 第29-31页 |
| 2.2 基准模型 | 第31-32页 |
| 2.3 评价标准 | 第32-36页 |
| 第三章 基于表示学习模型的链接预测 | 第36-48页 |
| 3.1 概述 | 第36-38页 |
| 3.1.1 研究背景 | 第36页 |
| 3.1.2 相关工作 | 第36-38页 |
| 3.2 metapath2vec模型 | 第38-42页 |
| 3.2.1 基于Meta-path的随机游走 | 第38-40页 |
| 3.2.2 异构化Skip-Gram模型 | 第40-41页 |
| 3.2.3 metapath2vec++模型 | 第41-42页 |
| 3.3 基于矩阵分解的关系预测 | 第42-43页 |
| 3.4 实验分析 | 第43-47页 |
| 3.4.1 综合实验结果比较 | 第43-45页 |
| 3.4.2 参数设定 | 第45-46页 |
| 3.4.3 两种表示学习预测模型比较 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于归纳矩阵补全算法的链接预测 | 第48-58页 |
| 4.1 概述 | 第48-50页 |
| 4.1.1 研究背景 | 第48页 |
| 4.1.2 相关工作 | 第48-50页 |
| 4.2 归纳矩阵补全 | 第50-53页 |
| 4.2.1 低秩线性模型 | 第50-51页 |
| 4.2.2 归纳矩阵补全 | 第51-52页 |
| 4.2.3 基于主成分的特征提取 | 第52-53页 |
| 4.3 实验分析 | 第53-57页 |
| 4.3.1 综合实验效果比较 | 第53-55页 |
| 4.3.2 参数设置 | 第55-56页 |
| 4.3.3 运用表示学习方法提取特征的结果比较 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 基于元图的链接预测 | 第58-70页 |
| 5.1 概述 | 第58-60页 |
| 5.1.1 研究背景 | 第58页 |
| 5.1.2 相关工作 | 第58-60页 |
| 5.2 基于元图的隐性特征提取模型 | 第60-65页 |
| 5.2.1 概念定义 | 第60-62页 |
| 5.2.2 基于Meta-graph的相似性计算 | 第62-63页 |
| 5.2.3 基于Meta-graph的隐性特征提取 | 第63页 |
| 5.2.4 基于分解机的权值计算 | 第63-65页 |
| 5.3 基于元图的链接预测 | 第65页 |
| 5.4 实验分析 | 第65-68页 |
| 5.4.1 多种预测模型比较 | 第66-67页 |
| 5.4.2 参数设定 | 第67-68页 |
| 5.5 本章小结 | 第68-70页 |
| 第六章 总结和展望 | 第70-74页 |
| 6.1 总结 | 第70-71页 |
| 6.2 展望 | 第71-74页 |
| 参考文献 | 第74-80页 |
| 致谢 | 第80-81页 |