基于高斯分布的无监督图嵌入表示学习算法研究

目录

第1章绪 论

1.1 课题来源

1.2 课题背景和意义

1.2.1 研究背景

1.2.2 研究意义

1.3 国内外研究现状

1.3.1 基于因子分解的方法

1.3.2 基于随机游走的方法

1.3.3 深度学习方法

1.4 本文主要内容

1.5 本文结构安排

第2章图嵌入算法模型

2.1 基于随机游走的算法模型

2.1.1 Node2vec算法模型

2.1.2 TADW算法模型

2.2 基于神经网络的算法模型

2.2.1 TRIDNR算法模型

2.2.2 变分图自编码器算法模型

2.3 本章小结

第3章基于Wasserstein距离的G2G算法改进

3.1 高斯分布

3.1.1 联合高斯分布的条件分布

3.1.2 联合高斯分布的边缘分布

3.1.3 高斯分布的贝叶斯定理

3.2 Graph2Gauss神经网络模型

3.2.1 通过K跳排序方法表征网络结构

3.2.2 深层解码器

3.2.3 隐藏层特征测量差异性方法

3.3 基于Wasserstein距离的Graph2Gauss算法改进

3.3.1 KL散度

3.3.2 Wasserstein距离

3.3.3 基于Wasserstein距离的G2G算法改进

3.4 基于Wasserstein距离的G2G算法改进实验结果及分析

3.4.1 数据集介绍

3.4.2 链接预测实验结果与分析

3.4.3 节点分类实验结果与分析

3.5 本章小结

第4章基于Householder Flow的G2G算法改进

4.1 Householder Flow简介及改进后的神经网络结构

4.1.1 Householder Flow

4.1.2 基于Householder Flow的G2G算法改进神经网络结构

4.2 基于Householder Flow的Graph2Gauss算法改进

4.2.1 Householder Flow对均值和方差变换

4.2.2 Householder Flow只对方差变换

4.2.3 基于Householder Flow的G2G算法改进复杂度分析

4.3 基于Wasserstein距离和Householder Flow的算法改进

4.3.1 基于Wasserstein距离且Householder Flow对方差变换

4.3.2 基于Wasserstein距离且Householder Flow对均值和方差变换

4.4 基于Householder flow的G2G算法改进实验结果及分析

4.4.1 链接预测实验结果与分析

4.4.2 节点分类实验结果与分析

4.4.3 隐藏层维度和训练边比例对改进模型表现的影响

4.5 本章小结

结 论

参考文献

攻读硕士学位期间发表的论文及其它成果

声明

致谢