导　　师： 温雯

授予学位： 硕士

作　　者： (）;

机构地区： 广东工业大学

摘　　要： 图结构能够有效、自然地表示物体之间的联系。比如新浪微博、微信等社交网络可以方便地用图结构进行表示。为了更好地发现图数据中蕴含的信息，高效的图挖掘模型一直受到学者的广泛关注。其中图嵌入学习致力于将复杂的图挖掘任务转换为普通的数据挖掘任务，从而能够利用现有的高效数据挖掘算法进行图数据挖掘。　　该类算法的目标是将图节点转换为向量表示，并且期望节点表示能够保留图中节点之间的相似性。然而现有的图嵌入算法主要面临如下挑战：（1）网络结构复杂，节点之间不仅包括一阶相似性而且还包括二阶相似性甚至更高阶相似性。如何充分考虑网络中节点间的相似性是其中的一个挑战;（2）图数据中除了网络结构信息外，还可能包含节点属性信息，如何综合考虑这两种信息是图嵌入的另一个挑战;（3）现实中的图很多都是大型的，如何以较低的时间复杂度学习图嵌入也是一个挑战。　　针对现有图嵌入算法面临的以上挑战，本文提出了利用不同上下文进行图嵌入的系列方法，包括：NINE、GeVI及MERGE。论文主要工作包括：1）为了充分学习图的复杂网络结构，提出NINE模型。主要创新点在于将节点邻居作为一种特殊的上下文，对LINE进行了扩展，提出IO相似性的概念，并且设计有效算法保留图中节点间的IO相似性。IO相似性定义为如果两个节点是直接相连的，那么其中任一节点应该与另一节点的邻居节点相似。IO相似性是一阶相似性和二阶相似性的补充。2）为了有效利用图数据中包含的节点属性信息，提出GeVI模型。主要创新点在于，GeVI模型将节点属性信息作为先验知识，在DeepWalk模型的基础上进行了扩展。DeepWalk中，每个节点都对应两种向量：节点向量和上下文向量，需要同时学习。GeVI模型以节点的属性信�

关 键 词： 多类型上下文 图嵌入模型 表示学习

领　　域： [] []