基于自动编码器的网络表征学习方法与应用研究

目录

声明

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 网络表征学习的应用

1.4 评价指标

1.5 论文研究内容

1.6 论文组织架构

第二章 基于深度堆叠自动编码器的网络表征学习

2.1 引言

2.2 相关工作

2.2.1 基于自动编码器的网络表征学习算法

2.2.2 网络表征学习与自然语言处理

2.3 基于深度堆叠自动编码器的网络表征学习方法（Encoder-AEO）

2.3.1 数据输入处理

2.3.2 目标函数

2.3.3 Encoder-AEO算法步骤

2.3.4 模型训练方法

2.4 实验

2.4.1 实验数据

2.4.2 实验任务

2.4.3 基准算法

2.4.4 参数设置

2.5 实验结果

2.5.1 链路预测

2.5.2 多标签节点分类

2.5.3 可视化

2.6 本章小结

第三章 基于序列自动编码器的网络表征学习

3.1 引言

3.2 相关工作

3.2.1 基于自动编码器的网络表征学习算法

3.2.2 长短期记忆网络

3.3 基于序列自动编码器的网络表征学习方法（Encoder-LSTM）

3.3.1 序列自动编码器

3.3.2 目标函数

3.3.3 Encoder-LSTM 算法步骤

3.4 实验

3.4.1 实验数据

3.4.2 实验任务

3.4.3 基准算法

3.4.4 参数设置

3.5 实验结果

3.5.1 网络重构

3.5.2 链路预测

3.5.3 多标签节点分类

3.6 本章小结

第四章 基于迭代局部搜索和网络表征学习的网络鲁棒性优化方法研究

4.1 引言

4.2 相关工作

4.2.1 迭代局部搜索算法

4.2.2 网络鲁棒性优化

4.3 基于迭代局部搜索和网络表征学习的网络鲁棒性优化方法（LSNE-RO）

4.3.1 结合网络表征学习的网络鲁棒性

4.3.2 优化方法

4.3.3 LSNE-RO算法步骤

4.4 实验

4.4.1 实验数据

4.4.2 实验任务

4.4.3 算法比较

4.5 实验结果

4.5.1 针对节点攻击的鲁棒性

4.5.2 针对链路攻击的鲁棒性

4.5.3 针对随机故障的鲁棒性

4.6 本章小结

第五章 总结和展望

5.1 总结

5.2 展望

参考文献

致 谢

作者简介

1 作者简历

2 攻读硕士学位期间发表的学术论文

3 参与的科研项目及获奖情况

4 发明专利（申请）

学位论文数据集