網(wǎng)絡(luò)表示學(xué)習(xí)的理論與應(yīng)用

目錄
序
前言
第1章 網(wǎng)絡(luò)表示學(xué)習(xí) 1
1.1 研究背景 1
1.2 研究目標 2
1.3 研究內(nèi)容 3
第2章 網(wǎng)絡(luò)表示學(xué)習(xí)綜述 5
2.1 同構(gòu)網(wǎng)絡(luò)的表示學(xué)習(xí)模型 5
2.1.1 基于隨機游走的網(wǎng)絡(luò)表示學(xué)習(xí)模型 5
2.1.2 基于矩陣分解的網(wǎng)絡(luò)表示學(xué)習(xí)模型 5
2.1.3 基于深度學(xué)習(xí)的網(wǎng)絡(luò)表示學(xué)習(xí)模型 6
2.1.4 基于雙*空間的網(wǎng)絡(luò)表示學(xué)習(xí)模型 7
2.2 異構(gòu)網(wǎng)絡(luò)的表示學(xué)習(xí)模型 7
第3章 基于圖注意力機制的網(wǎng)絡(luò)表示學(xué)習(xí)方法 9
3.1 復(fù)雜網(wǎng)絡(luò)的基本理論 9
3.2 圖注意力機制的基本理論 10
3.3 基于標記注意力的網(wǎng)絡(luò)表示學(xué)習(xí)方法 12
3.3.1 基于標記注意力的網(wǎng)絡(luò)表示學(xué)習(xí)模型 12
3.3.2 實驗分析 16
3.4 基于鄰域注意力的網(wǎng)絡(luò)表示學(xué)習(xí)方法 24
3.4.1 基于鄰域注意力的網(wǎng)絡(luò)表示學(xué)習(xí)模型 24
3.4.2 實驗分析 31
第4章 基于聯(lián)合注意力的網(wǎng)絡(luò)表示學(xué)習(xí)方法 39
4.1 符號定義 39
4.2 基于聯(lián)合注意力的網(wǎng)絡(luò)表示學(xué)習(xí)模型 40
4.2.1 相似網(wǎng)絡(luò)構(gòu)建模塊 41
4.2.2 基于聯(lián)合注意力分數(shù)的特征加權(quán)聚合模塊 42
4.3 實驗分析 44
4.3.1 數(shù)據(jù)集及實驗配置 44
4.3.2 實驗 45
vi 網(wǎng)絡(luò)表示學(xué)習(xí)的理論與應(yīng)用
4.3.3 可視化 45
4.3.4 對比實驗 46
4.3.5 超參數(shù)分析 47
第5章 基于自編碼器與雙*幾何的網(wǎng)絡(luò)表示學(xué)習(xí)方法 49
5.1 屬性網(wǎng)絡(luò)的基礎(chǔ)理論 49
5.2 自編碼器理論 50
5.3 基于雙路自編碼器的網(wǎng)絡(luò)表示學(xué)習(xí)方法 51
5.3.1 雙路自編碼器的網(wǎng)絡(luò)表示學(xué)習(xí)模型 51
5.3.2 實驗分析 57
5.4 基于雙*幾何的網(wǎng)絡(luò)表示學(xué)習(xí)方法 65
5.4.1 雙*幾何的網(wǎng)絡(luò)表示學(xué)習(xí)模型 66
5.4.2 實驗分析 71
第6章 基于元路徑和圖卷積的異質(zhì)網(wǎng)絡(luò)表示學(xué)習(xí)方法 78
6.1 異質(zhì)網(wǎng)絡(luò)的概念 78
6.1.1 元路徑 79
6.1.2 基于元路徑的子圖 79
6.1.3 基于元路徑的相似性度量 80
6.1.4 平均相似度量 82
6.2 異質(zhì)網(wǎng)絡(luò)相關(guān)理論 83
6.3 元路徑與屬性融合的異質(zhì)信息網(wǎng)絡(luò)表示學(xué)習(xí)方法 94
6.3.1 元路徑與屬性融合的異質(zhì)信息網(wǎng)絡(luò)表示學(xué)習(xí)模型 94
6.3.2 實驗分析 99
6.4 融合元路徑和圖卷積的異質(zhì)信息網(wǎng)絡(luò)表示學(xué)習(xí)方法 106
6.4.1 融合元路徑和圖卷積的異質(zhì)信息網(wǎng)絡(luò)表示學(xué)習(xí)模型 106
6.4.2 實驗分析 110
第7章 基于認知推理的網(wǎng)絡(luò)表示學(xué)習(xí)方法 119
7.1 膠囊網(wǎng)絡(luò) 119
7.2 認知推理 121
7.3 卷積神經(jīng)網(wǎng)絡(luò) 123
7.4 面向結(jié)構(gòu)化數(shù)據(jù)分類任務(wù)的認知推理網(wǎng)絡(luò)表示學(xué)習(xí)模型 123
7.4.1 單路認知推理機制理論 123
7.4.2 面向 ADMET 性質(zhì)分類認知推理網(wǎng)絡(luò)模型 126
7.4.3 實驗分析 132
7.5 面向圖數(shù)據(jù)任務(wù)的認知推理網(wǎng)絡(luò)表示學(xué)習(xí)模型 142
7.5.1 雙路認知推理機制理論 143
7.5.2 面向?qū)傩跃W(wǎng)絡(luò)節(jié)點嵌入的認知推理網(wǎng)絡(luò)模型 146
7.5.3 實驗分析 151
第8章 基于社區(qū)發(fā)現(xiàn)的網(wǎng)絡(luò)表示學(xué)習(xí)方法 160
8.1 真實世界網(wǎng)絡(luò) 160
8.2 社區(qū)發(fā)現(xiàn)應(yīng)用 162
8.3 網(wǎng)絡(luò)模型 164
8.3.1 **網(wǎng)絡(luò)模型 164
8.3.2 動態(tài)網(wǎng)絡(luò)模型 167
8.4 復(fù)雜網(wǎng)絡(luò)注意力模型的社區(qū)發(fā)現(xiàn)方法 170
8.4.1 注意力模型的社區(qū)發(fā)現(xiàn)模型 170
8.4.2 實驗分析 175
8.5 自由能的動態(tài)網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法 185
8.5.1 自由能的動態(tài)網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)模型 185
8.5.2 實驗分析 188
8.5.3 模塊化變分圖自編碼器的無監(jiān)督社區(qū)發(fā)現(xiàn)方法 193
8.5.4 實驗分析 198
參考文獻 204