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 本文主要研究内容及组织结构
1.3.1 本文主要研究内容
1.3.2 本文组织结构
第二章 网络表示学习
2.1 相关定义
2.2 保持全局结构的网络表示学习
2.2.1 M-NMF算法
2.2.1 GEMSEC算法
2.3 属性网络表示学习
2.3.1 TADW算法
2.3.2 SNE算法
2.4 半监督属性网络表示学习
2.4.1 Planetoid算法
2.4.1 SSNE算法
2.5 本章小结
第三章 保持聚类结构的属性网络表示学习(ANESC)
3.1 研究动机
3.2 ANESC模型框架
3.2.1 模型描述
3.2.2 目标函数
3.2.3 算法优化
3.3 实验设计及结果分析
3.3.1 实验设计
3.3.2 节点聚类
3.3.3 节点分类
3.3.4 参数敏感性分析
3.4 本章小结
第四章 社区增强的属性网络表示学习(CANRL)
4.1 研究动机
4.2 CANRL模型框架
4.2.1 模型描述
4.2.2 目标函数
4.2.3 算法优化
4.3 实验设计及结果分析
4.3.1 实验设计
4.3.2 节点聚类
4.3.3 节点分类
4.3.4 参数敏感性分析
4.4 本章小结
第五章 基于属性网络表示学习的用户兴趣标注
5.1 任务及数据集
5.2 CSDN用户兴趣标注
5.2.1 博客内容处理
5.2.2 属性网络建模
5.2.3 用户特征提取
5.2.4 用户兴趣标注
5.3 本章小结
第六章 结论
参考文献
攻读硕士学位期间发表的论文和科研成果
作者简介
致谢
河北地质大学;