基于子图卷积自编码的网络表示学习算法研究

基于子图卷积自编码的网络表示学习算法研究

论文摘要

在现实世界中,数据通常被组织成图的形式广泛应用于各个领域中,如城市交通网络,电力网络等;图数据中包含着丰富的信息,对图数据进行有效的分析和应用变得越来越重要。因此,利用网络表示学习技术处理图数据己成为当下研究热点。网络表示学习(NRL)旨在将图的顶点映射到低维空间,从而保留网络结构及其固有属性。用于网络表示的大多数现有方法采用浅模型,其具有相对有限的捕获高度非线性网络结构的能力,导致次优网络表示。因此,探索如何有效捕获高度非线性网络结构并保留NRL中的全局和局部结构是非常重要的。为了解决这个问题,本文提出了一种新的图卷积自动编码器体系结构,该体系结构是基于深度的图结构表示,称为基于深度的子图卷积自动编码器(DS-CAE),它集成了全局拓扑、图中的局部连接结构信息以及结点自带特征信息。DS-CAE模型首先将图形分解为一系列以每个顶点为根的K层扩展子图,旨在更好地捕获远程顶点相互依赖性。然后,一组卷积滤波器在顶点的整个子图集上滑动以提取局部结构连通性信息,这类似于对网格数据的标准卷积运算。与大多数用于图形结构数据的无监督学习的现有模型相比,本文所提模型可以通过同时将节点特征和网络结构集成到网络表示学习中来捕获高度非线性结构。实验结果表明,该算法具备较强的表示学习能力,显著提高了许多基准数据集的预测性能并具有良好的可视化表现。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  •   1.1 课题研究背景与意义
  •   1.2 国内外研究现状
  •   1.3 本文主要研究内容
  •   1.4 本文组织架构
  • 第2章 相关理论与技术
  •   2.1 图及其相关定义
  •   2.2 网络表示学习
  •   2.3 图采样
  •   2.4 卷积自编码
  •   2.5 PageRank算法
  •   2.6 本章小结
  • 第三章 基于深度的子图卷积自编码模型
  •   3.1 模型框架
  •   3.2 子图树的构建
  •     3.2.1 候选结点的选取
  •     3.2.2 图嫁接和图裁剪
  •     3.2.3 图映射成树
  •   3.3 模型学习及训练
  •     3.3.1 基于深度的子图卷积自编码抽象模型
  •     3.3.2 损失函数
  •     3.3.3 滤波器参数学习
  •   3.4 本章小结
  • 第四章 实验与分析
  •   4.1 数据集简介
  •   4.2 对比方法简介
  •   4.3 模型超参数设置
  •   4.4 多标签分类实验
  •     4.4.1 性能评估指标
  •     4.4.2 实验结果及分析
  •   4.5 结点可视化实验及结果分析
  •     4.5.1 性能评价指标
  •     4.5.2 实验结果及分析
  •   4.6 参数敏感性
  •   4.7 本章小结
  • 第五章 总结与展望
  •   5.1 研究工作总结
  •   5.2 未来展望
  • 参考文献
  • 硕士期间发表论文情况
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 王栋

    导师: 王备战

    关键词: 网络表示学习,图卷积自编码,无监督学习

    来源: 厦门大学

    年度: 2019

    分类: 基础科学

    专业: 数学

    单位: 厦门大学

    分类号: O157.5

    总页数: 68

    文件大小: 4374K

    下载量: 21

    相关论文文献

    • [1].单图中的近似频繁子图挖掘算法[J]. 华东师范大学学报(自然科学版) 2019(06)
    • [2].《吉祥多子图》临摹[J]. 大众文艺 2018(10)
    • [3].吉祥多子图页[J]. 中国书画 2018(09)
    • [4].在复杂网络中查找k个有限重叠的密集子图[J]. 计算机应用与软件 2016(12)
    • [5].吉祥多子图[J]. 文艺研究 2017(03)
    • [6].吉祥多子图[J]. 美与时代(中) 2017(06)
    • [7].《吉祥多子图》[J]. 老年教育(书画艺术) 2016(01)
    • [8].《吉祥多子图》[J]. 明日风尚 2016(08)
    • [9].《吉祥多子图》[J]. 参花(上) 2016(06)
    • [10].最大公共子图的约束符号求解方法[J]. 广西科学院学报 2017(01)
    • [11].基于改进完全子图模型的关注对象多社区发现研究[J]. 南京理工大学学报 2016(06)
    • [12].一种基于特征子图的不确定图分类算法[J]. 陕西师范大学学报(自然科学版) 2014(05)
    • [13].指令扩展中相关子图的分析与处理[J]. 计算机辅助设计与图形学学报 2009(10)
    • [14].因子图发展及其在定位与导航的应用技术[J]. 全球定位系统 2020(01)
    • [15].具有最多与最少连通子图的单圈图[J]. 宜春学院学报 2015(03)
    • [16].单圈图的连通子图的数目[J]. 南开大学学报(自然科学版) 2011(03)
    • [17].改进的最大频繁子图挖掘算法[J]. 信息与电脑(理论版) 2017(18)
    • [18].从不确定图中发现K紧密子图[J]. 计算机科学与探索 2011(09)
    • [19].频繁子图挖掘研究综述[J]. 微电子学与计算机 2009(03)
    • [20].频繁子图挖掘算法的应用分类[J]. 电脑知识与技术 2020(29)
    • [21].加权最大频繁子图挖掘算法的研究[J]. 计算机工程与应用 2009(20)
    • [22].一种挖掘最大频繁子图的新算法[J]. 系统仿真学报 2008(18)
    • [23].基于子图模式的反恐情报关联图集分析[J]. 现代情报 2019(07)
    • [24].具有结果多样性的近似子图查询算法[J]. 南京大学学报(自然科学) 2019(06)
    • [25].频繁子图挖掘算法的若干问题[J]. 采矿技术 2011(05)
    • [26].基于近似子图的规则空间压缩算法[J]. 自动化学报 2019(08)
    • [27].一个复杂网络中完全子图的搜索算法[J]. 数学理论与应用 2013(03)
    • [28].标签零模型及子图分布算法应用研究[J]. 小型微型计算机系统 2018(05)
    • [29].特殊子图的计数[J]. 淮南职业技术学院学报 2011(03)
    • [30].基于包含度的子图匹配方法[J]. 软件学报 2018(06)

    标签:;  ;  ;  

    基于子图卷积自编码的网络表示学习算法研究
    下载Doc文档

    猜你喜欢