分享7篇关于符号网络的计算机专业论文

今天分享的是关于符号网络的7篇计算机毕业论文范文, 如果你的论文涉及到符号网络等主题,本文能够帮助到你

融合外部信息的推荐与预测算法的改进

这是一篇关于物质扩散算法,链路预测,信息传播,符号网络的论文, 主要内容为大数据时代,数据不断涌现,如何高效地挖掘数据的价值,如何充分利用数据中蕴含的信息来服务个体,来促进社会的发展,是大数据时代的重要课题。推荐算法和链路预测就是在大数据时代背景下的产物,用于挖掘数据的价值信息。而如今,海量的数据分别来自不同的系统,各个系统之间相互关联,各个系统中的信息相互影响,因此,如何将不同系统中的数据放在一个统一的系统框架下面研究是当前的重要课题。同理,推荐系统和链路预测也应该考虑其他系统的影响,借助其他系统的辅助信息来提升自身的性能。伴随着推荐系统技术的发展,推荐算法也在不断地发展,而基于用户-商品的二部结构的推荐算法成为了推荐算法领域的研究热点。目前,基于物质扩散推荐算法的改进绝大部分是在单一的用户-商品二分网络系统上的改进,并没有引入其他系统的信息来辅助推荐。而在大数据时代,各个系统之间相互关联,在研究物质扩散算法的改进时,不应该只局限于使用单一的用户-商品交互信息来对商品进行推荐。基于此,本文提出了一种耦合社交网络信息的物质扩散推荐算法,来有效耦合社交系统中的社交信息辅助物质扩散推荐算法进行推荐,使得推荐的效果更佳。复杂网络中,链路预测是另一个重要的研究课题,通过定义节点相似性指标来进行预测的算法是链路预测中的重要方法。当前,用于链路预测的节点相似性指标大多只考虑了链路预测系统本身的链接结构信息,忽略了网络中链边的属性信息,而链边的属性信息量是不可忽略的,它能让系统学习出来的节点的相似性指标更能反应出节点的属性。本文也基于该课题提出了自己研究方法:基于图嵌入算法提出的一种新的链路预测相似性指标,该相似性指标能够耦合链接的正负号属性信息。新提出的算法让更多的属性耦合到了节点相似性指标中,使得新的节点相似性指标在链路预测实验中的表现更加优越。

基于图卷积的符号网络推荐系统模型研究

这是一篇关于符号网络,推荐系统,图卷积神经网络,网络表示学习的论文, 主要内容为随着信息技术的不断发展,各互联网平台提供的海量信息使人们面临信息过载问题。推荐系统从海量信息中挖掘关键信息并为用户提供个性化推荐。得益于近年来图卷积神经网络的发展,推荐算法可以使用该技术挖掘网络中的高阶相似性以建模更健壮的节点表示,从而很大程度地提升了推荐系统的性能。然而,大多数基于图卷积神经网络的推荐系统模型都是基于无符号网络的,由于无符号网络中的链接语义与符号网络中的链接语义不同,因此上述模型无法直接应用到符号网络中。鉴于符号网络中包含的链接极性能够提升网络节点表示的质量,因此本文利用图卷积神经网络进行面向符号网络的推荐系统模型构建。具体工作如下:(1)本文提出了一种基于交叉验证缓解社交不一致问题的符号社会化推荐模型。通过项目空间的用户嵌入,获得动态的用户偏好相似度,并以此交叉验证原始符号社交网络中的正负链接。经过交叉验证后,提取了三种更具可信度的符号关系,并以此重构了符号社交网络。通过在重构的符号社交网络和用户-项目二分网络中进行图卷积操作,获得了更健壮的用户表示和项目表示,并通过内积的形式得到了对缺失评分项的预测。在本章的最后,进行的对比实验和消融实验表明了模型具有更好的推荐表现。(2)本文提出了一种基于用户-项目二分网络的隐式符号关系的评分预测推荐模型。通过对评分设定阈值,将原始的用户-项目二分网络重构为隐式符号网络。通过在隐式符号二分网络中的图卷积操作,获得节点的正负嵌入及最终嵌入,并通过以用户的正负嵌入分别与项目嵌入做内积得到两组评分预测值,通过对两组预测值的动态组合,从而获得最终的预测评分。在本章的最后,进行的对比实验和消融实验表明了模型具有更好的推荐表现。针对上述模型的实验结果证明了本文提出模型的有效性,在一定程度上弥补了图卷积神经网络与符号网络推荐系统的结合的空缺。

基于节点相似性的符号网络链接预测研究及应用

这是一篇关于符号网络,链接预测,符号预测,相似性,结构平衡理论,聚集系数的论文, 主要内容为随着以互联网为代表的信息技术的飞速发展,社会网络分析成为了研究的热门领域。有关社会网络分析的大部分研究主要集中在无符号网络,而本文关注带有正负符号属性的社会网络,即符号网络。链接预测作为符号网络研究中的重要问题,有助于揭示符号网络的结构演化规律,在用户决策行为预测、推荐系统以及蛋白质交互作用分析等领域有着广泛的应用价值。本文重点围绕符号网络中的链接预测问题展开研究,主要工作和创新点如下:首先,现有的大多数符号网络链接预测算法仅能对已有链接缺失的符号进行预测,无法实现未知的链接及其符号预测,为快速、准确地实现链接预测与符号预测双重目标,且在达到较高准确率的同时降低计算复杂度,提出一种融合局部与全局结构特征来定义节点间相似性的符号网络链接预测算法TLG。该算法基于结构平衡理论,利用连接两节点的步长为2和3的路径信息分别定义局部链接紧密度和全局链接紧密度,之后有效融合二者得到两节点的总相似性,其绝对值度量了链接建立的可能性,其符号即为链接的符号预测结果,从而实现符号网络中的链接预测与符号预测。其次,针对符号网络中正负链接比例不均衡问题,为了在降低计算复杂度的同时提高符号预测的准确率,提出一种融合共同邻居节点的聚集系数与连边符号影响力的符号网络链路预测算法CNCC＿SI。通过引入路径L基于结构平衡环的符号影响力的概念,有效利用节点的度、聚集系数、路径上的中间传输节点、连边符号等信息,分别定义了两节点基于一阶共同邻居和二阶共同邻居的相似性,最终得到两节点的总相似性得分,用其绝对值度量两节点建立链接的可能性,通过其符号获得链接的符号预测结果,从而实现符号网络中的链路预测。最后,通过可调步长影响因子的分析进一步提高了预测准确率。针对上述所提算法,通过实验验证了其正确性和有效性,并给出了算法在符号网络数据集上的Top K条正负链接的推荐结果。

融合外部信息的推荐与预测算法的改进

基于符号网络的推荐系统模型研究

这是一篇关于推荐系统,符号网络,负链接,信任关系,信息融合的论文, 主要内容为随着互联网的高速发展,网络上信息量的巨幅增长使得信息过载问题日益严重,为了满足用户的个性化需求,推荐系统应运而生。传统的协同过滤(CF)推荐系统通过分析用户的购买行为来了解他们的喜好,根据他们所购买过的项目的评分情况建立用户-项目评分矩阵,然后基于相似的用户具有相似的偏好的这一假设对用户进行推荐。但是,这种方法面临着很多问题,例如数据稀疏问题,由于网络中庞大的用户和项目规模,用户对项目的评分矩阵会很稀疏,系统难以根据现有的信息向用户提供最适当的建议,严重影响推荐系统的性能。信任感知推荐系统(TARS)的出现在一定程度上缓解了这一问题,它主要利用信任的传递性来建立用户之间的信任关系,联合用户与项目之间的用户-项目评分矩阵对用户进行推荐。但该方法没有考虑网络中的负链接信息,数量有限的负链接往往比正链接包含更多的信息,且负链接的存在会降低其他用户对当前用户的信任程度,因此负链接的价值不容忽视。在本文中,我们引入负链接相关信息,并提出一个新的基于符号网络的推荐系统模型,这种融合了符号社会网络中正负关系的推荐系统能有效提高推荐结果的准确性。该模型集成了用户模型与信任和不信任网络,从属性角度加以分析,提取与用户正负链接相关的社会属性以及结构属性,通过逻辑回归的方法融合各属性,并对相关属性加以赋值,计算用户之间的信任强度,从而确定值得信赖的用户,然后将这些用户的建议聚合起来为新用户提供有用的推荐结果。本文的实验是在真实数据集Epinions和Slashdot上进行的,通过和已有推荐算法的对比分析,验证了我们所提方法的有效性,它在准确率、覆盖率等方面均有较好的表现。相比于传统的CF方法,本文方法在准确率上提高了15%,在F值上提高了9%,在覆盖率上提高了6%。由此可见,本文这种结合了网络中的正负信息的推荐系统能为用户提供更好的推荐结果。

基于深度学习与集成学习的符号网络嵌入研究

这是一篇关于符号网络,网络嵌入,深度学习,集成学习的论文, 主要内容为在现实世界中,许多系统都可以用复杂网络表示,如电力系统、蛋白质结构、电商平台、交通系统、金融系统等。随着复杂网络的深入研究,符号网络也受到学者的广泛关注。符号网络是一种边上具有正负属性的复杂网络,其中正边代表朋友、促进、支持、喜欢等属性,负边所代表的属性与正边的正好相反,如敌人、抑制、反对、厌恶等。对符号网络的分析有助于人们认识和理解符号网络的内在机制。有学者提出使用网络嵌入的方法解决符号网络分析问题。网络嵌入是一种用低维、稠密、实值向量来表示网络中节点的表示学习方法,并且这些节点向量保留了网络的结构、特性等信息。通过网络嵌入方法得到的节点向量结合现有的机器学习算法可以较为方便、有效地解决符号网络分析问题。现有的符号网路嵌入算法主要关注于正边与负边的差异,而忽略了符号网络中空边与正边、负边之间的差异。同时,深度学习、集成学习这两种非常优秀的学习模型已经在许多领域都证明了其模型的有效性。因此,本文从空边与正负边的差异入手,结合深度学习、集成学习与领域知识以增强节点向量对网络结构的表示能力。本文主要研究内容和成果如下:1.基于噪声对比估计和深度学习的符号网络嵌入算法。根据符号网络中空边与正负边的差异,设计了含有空边的符号网络嵌入的目标函数。符号网络是一个稀疏网络,因而将所有的空边加入到是没有必要的。基于符号网络平衡理论选择空边加入到目标函数中。深度学习模型已经在许多领域表明其有非常优秀的非线性学习能力,因此符号网络嵌入目标函数通过深度学习模型实现。基于以上两个内容,提出了一种新型的符号网络嵌入算法(Signed Network Embedding Based on Noise Contrastive Estimation and Deep Learning),记为SNE-NEDL。2.基于集成学习的符号网络嵌入算法。集成学习技术在许多比赛中验证了其方法的有效性,例如Kaggle、Netflix等。为了进一步提高节点向量的表示能力,将集成学习的有点融入到符号网络嵌入中,提出了基于深度集成的符号网络嵌入算法。3.通过符号网络分析任务验证符号网络嵌入算法的有效性。符号网络嵌入算法是一个无监督任务,节点向量表示能力越强则表明这一符号网络嵌入算法越好。本文选择了链路预测、社区发现两个符号网络分析任务验证节点向量的表示能力。其中链路预测任务是分类任务,而社区发现是聚类任务。通过这两个不同类型的符号网络分析任务能更为全面地验证节点向量的表示能力。通过分析5个数据集上链路预测和社区发现这两个符号网络分析任务的指标,本文验证了上述算法的有效性。