基于图神经网络的网络对齐及其可解释性研究

发布时间：2024-04-13 22:05

　　随着社交媒体的快速发展,越来越多的用户开始同时使用多个社交网络平台进行通信、工作、学习和娱乐等活动,如何在各种不同社交网络中找出共同用户成为人们关注的重点,我们将这类问题称为网络对齐问题,将这里的共同用户称为锚节点。由于网络对齐可以被广泛应用于多个领域,比如网络融合、链接预测和跨网络的推荐等,所以本文的研究目的是去解决社交网络中的网络对齐问题。现有的一些方法可以解决网络对齐问题,这些方法一般包括两个部分,第一部分为网络的表示学习过程,即利用网络结构信息和用户的特征信息将每个用户表示成为一个特征向量,我们将这个特征向量称为节点的嵌入表示;第二部分是匹配过程,即在多个网络之间,学习一个匹配函数来预测锚节点。但是这些已有的方法仍然存在以下问题:1、匹配混乱:在网络表示学习过程中,相邻的用户节点被非常紧密地嵌入到单个网络空间中,使得相邻节点之间难以区分,但是在匹配过程中,我们需要区分真正对应的锚节点和邻居节点,所以这两部分的目标相互矛盾,从而导致网络对齐效果不理想;2、缺少不确定性信息:之前的模型将节点表示成简单的点向量,而忽略了用户节点的潜在不确定性信息;3、点对点(P2P)匹配限制:之前的...

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 国内外相关研究现状
    1.3 论文的主要研究内容
    1.4 论文的创新点
    1.5 论文的结构安排
第二章 相关原理及技术
    2.1 神经网络和深度学习
        2.1.1 深度学习
        2.1.2 图神经网络
        2.1.3 生成对抗网络
        2.1.4 自编码器模型
        2.1.5 常用的神经网络框架
    2.2 网络表示学习
        2.2.1 基于矩阵分解的方法
        2.2.2 基于随机游走的方法
        2.2.3 基于图神经网络的方法
        2.2.4 基于高斯嵌入的方法
    2.3 深度学习模型的可解释性
    2.4 本章小结
第三章 基于核方法和图神经网络的网络对齐
    3.1 基本术语定义
    3.2 网络对齐模型的实现过程
        3.2.1 网络的嵌入表示
        3.2.2 用户嵌入表示的正则化
        3.2.3 锚节点匹配过程
        3.2.4 网络对齐算法总结
    3.3 网络对齐模型的可解释性
        3.3.1 训练节点对于网络对齐模型的影响
        3.3.2 网络结构的相似度对于网络对齐模型的影响
    3.4 本章小结
第四章 基于高斯嵌入和图神经网络的网络对齐
    4.1 基本术语定义
    4.2 网络对齐模型的实现过程
        4.2.1 相似度的衡量标准
        4.2.2 网络的高斯嵌入表示
        4.2.3 点对点匹配过程
        4.2.4 生成对抗匹配过程
        4.2.5 网络对齐算法总结
    4.3 高斯嵌入表示的可解释性
    4.4 本章小结
第五章 实验结果和算法评估
    5.1 数据集和实验参数
        5.1.1 数据集介绍
        5.1.2 实验参数设置
    5.2 对比方法和衡量指标
        5.2.1 对比方法
        5.2.2 衡量指标
    5.3 网络对齐的实验结果评估
        5.3.1 模型基本指标对比
        5.3.2 模型参数对于实验结果的影响
    5.4 模型可解释性的实验结果评估
        5.4.1 模型实验结果的可视化分析
        5.4.2 训练数据集对模型的影响程度分析
    5.5 本章小结
第六章 总结与展望
    6.1 本文总结
    6.2 未来展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：3953687