包邮多视图网络表示学习技术

第1章 绪论 1.1 网络表示学习基础知识 1.2 网络表示学习研究进展 1.2.1 词表示学习 1.2.2 网络表示学习 1.3 本书研究内容 第2章 Word2Vec与DeepWalk 2.1 Word2Vec 2.1.1 NEG 2.1.2 HS 2.1.3 CBOW模型 2.1.4 Skip-Gram模型 2.2 DeepWalk 2.2.1 语言与网络 2.2.2 随机游走 2.2.3 模型建模 2.3 Word2Vec与DeepWalk的关系 第3章 网络表示学习中的随机游走 3.1 改进上下文节点选择过程 3.1.1 问题描述 3.1.2 模型框架 3.1.3 实验分析 3.2 改进随机游走策略和节点选择过程 3.2.1 问题描述 3.2.2 模型框架 3.2.3 实验分析 第4章 二视图特征联合建模 4.1 文本特征关联的*大隔DeepWalk 4.1.1 问题描述 4.1.2 模型框架 4.1.3 实验分析 4.2 节点文本特征多元关系建模 4.2.1 问题描述 4.2.2 模型框架 4.2.3 实验分析 4.3 节点层次树多元关系建模 4.3.1 问题描述 4.3.2 模型框架 4.3.3 实验分析 第5章 三视图特征联合建模 5.1 基于诱导矩阵补全的三元特征矩阵融合策略 5.1.1 问题描述 5.1.2 模型框架 5.1.3 实验分析 5.2 三元特征矩阵融合策略与网络表示学习 5.2.1 问题描述 5.2.2 模型框架 5.2.3 实验分析 第6章 网络表示学习与词表示学习 6.1 网络表示学习与词表示学习中的应用 6.2 基于描述信息约束的词表示学习 6.2.1 问题描述 6.2.2 模型框架 6.2.3 实验分析 参考文献