本文主要研究内容
作者孔馨（2019）在《融合文本情感信息的链接预测》一文中研究指出：随着互联网技术的发展,以微博、Twitter、Facebook等为代表的社交平台及以Yelp等为代表的生活消费平台逐渐形成了包含社交属性的复杂网络。这些网络所包含的数据种类繁多、数据量巨大,挖掘这些数据包含的信息,对于改进平台功能改善用户体验都具有十分重要的意义。如微博、QQ等可以通过挖掘网络节点间存在的潜在链接为用户推荐好友。链接预测就是根据已知的网络结构和节点属性来预测网络中尚未产生连边的节点之间产生连接的可能性。典型的方法主要是通过网络结构信息进行预测,但当网络比较稀疏或网络结构可见程度比较低时,仅依靠网络结构特征进行预测无法提供足够的数据信息,从而导致预测算法的性能大幅度下降。本文提出了融合文本情感信息的链接预测方法来弥补网络结构信息不足的问题。首先构造文本情感特征提取模型来提取网络节点文本数据包含的情感特征,其次将提取的特征作为一种补充信息与网络结构特征融合并输入到分类器中进行链接预测,从而在一定程度上解决了稀疏网络中信息不足的问题。本文主要工作和创新点如下:(1)文本情感特征提取。首先,根据词语的情感极性以及词性设计了词语特征,然后根据词语特征将文本中的每个词语映射成情感词向量。其次,引入卷积神经网络用于文本情感特征提取,并以情感词向量表示的文本作为输入。最后,在卷积操作之前加入注意力机制,强调了每对节点的文本之间的联系,在卷积操作之后也加入注意力机制,以区分不同单词对文本表示的贡献程度。(2)网络结构特征提取。实验对比了Deepwalk、Node2vec、LINE、SDNE这四个网络嵌入算法的特征提取能力,最终选择Node2vec算法作为本文的网络结构特征提取方法。(3)网络结构特征和文本情感特征融合。首先,将得到的网络结构特征向量和文本情感特征向量通过向量串接的方式融合以得到最终的节点特征向量。然后,根据节点特征向量计算链接特征向量,并将网络中存在的链接作为正样本,不存在的链接作为负样本。(4)使用融合特征进行链接预测。本文将链接预测问题看作链接的二分类问题,即将融合后的特征输入到SVM分类模型中进行链接预测。实验结果表明,与基于网络结构信息的链接预测方法相比,本文的方法不仅大幅度提高了预测准确率而且在一定程度上解决了稀疏网络中因网络结构信息不足造成的预测性能下降问题。
Abstract
sui zhao hu lian wang ji shu de fa zhan ,yi wei bo 、Twitter、Facebookdeng wei dai biao de she jiao ping tai ji yi Yelpdeng wei dai biao de sheng huo xiao fei ping tai zhu jian xing cheng le bao han she jiao shu xing de fu za wang lao 。zhe xie wang lao suo bao han de shu ju chong lei fan duo 、shu ju liang ju da ,wa jue zhe xie shu ju bao han de xin xi ,dui yu gai jin ping tai gong neng gai shan yong hu ti yan dou ju you shi fen chong yao de yi yi 。ru wei bo 、QQdeng ke yi tong guo wa jue wang lao jie dian jian cun zai de qian zai lian jie wei yong hu tui jian hao you 。lian jie yu ce jiu shi gen ju yi zhi de wang lao jie gou he jie dian shu xing lai yu ce wang lao zhong shang wei chan sheng lian bian de jie dian zhi jian chan sheng lian jie de ke neng xing 。dian xing de fang fa zhu yao shi tong guo wang lao jie gou xin xi jin hang yu ce ,dan dang wang lao bi jiao xi shu huo wang lao jie gou ke jian cheng du bi jiao di shi ,jin yi kao wang lao jie gou te zheng jin hang yu ce mo fa di gong zu gou de shu ju xin xi ,cong er dao zhi yu ce suan fa de xing neng da fu du xia jiang 。ben wen di chu le rong ge wen ben qing gan xin xi de lian jie yu ce fang fa lai mi bu wang lao jie gou xin xi bu zu de wen ti 。shou xian gou zao wen ben qing gan te zheng di qu mo xing lai di qu wang lao jie dian wen ben shu ju bao han de qing gan te zheng ,ji ci jiang di qu de te zheng zuo wei yi chong bu chong xin xi yu wang lao jie gou te zheng rong ge bing shu ru dao fen lei qi zhong jin hang lian jie yu ce ,cong er zai yi ding cheng du shang jie jue le xi shu wang lao zhong xin xi bu zu de wen ti 。ben wen zhu yao gong zuo he chuang xin dian ru xia :(1)wen ben qing gan te zheng di qu 。shou xian ,gen ju ci yu de qing gan ji xing yi ji ci xing she ji le ci yu te zheng ,ran hou gen ju ci yu te zheng jiang wen ben zhong de mei ge ci yu ying she cheng qing gan ci xiang liang 。ji ci ,yin ru juan ji shen jing wang lao yong yu wen ben qing gan te zheng di qu ,bing yi qing gan ci xiang liang biao shi de wen ben zuo wei shu ru 。zui hou ,zai juan ji cao zuo zhi qian jia ru zhu yi li ji zhi ,jiang diao le mei dui jie dian de wen ben zhi jian de lian ji ,zai juan ji cao zuo zhi hou ye jia ru zhu yi li ji zhi ,yi ou fen bu tong chan ci dui wen ben biao shi de gong suo cheng du 。(2)wang lao jie gou te zheng di qu 。shi yan dui bi le Deepwalk、Node2vec、LINE、SDNEzhe si ge wang lao qian ru suan fa de te zheng di qu neng li ,zui zhong shua ze Node2vecsuan fa zuo wei ben wen de wang lao jie gou te zheng di qu fang fa 。(3)wang lao jie gou te zheng he wen ben qing gan te zheng rong ge 。shou xian ,jiang de dao de wang lao jie gou te zheng xiang liang he wen ben qing gan te zheng xiang liang tong guo xiang liang chuan jie de fang shi rong ge yi de dao zui zhong de jie dian te zheng xiang liang 。ran hou ,gen ju jie dian te zheng xiang liang ji suan lian jie te zheng xiang liang ,bing jiang wang lao zhong cun zai de lian jie zuo wei zheng yang ben ,bu cun zai de lian jie zuo wei fu yang ben 。(4)shi yong rong ge te zheng jin hang lian jie yu ce 。ben wen jiang lian jie yu ce wen ti kan zuo lian jie de er fen lei wen ti ,ji jiang rong ge hou de te zheng shu ru dao SVMfen lei mo xing zhong jin hang lian jie yu ce 。shi yan jie guo biao ming ,yu ji yu wang lao jie gou xin xi de lian jie yu ce fang fa xiang bi ,ben wen de fang fa bu jin da fu du di gao le yu ce zhun que lv er ju zai yi ding cheng du shang jie jue le xi shu wang lao zhong yin wang lao jie gou xin xi bu zu zao cheng de yu ce xing neng xia jiang wen ti 。
论文参考文献
论文详细介绍
论文作者分别是来自吉林大学的孔馨，发表于刊物吉林大学2019-06-25论文，是一篇关于链接预测论文,分类模型论文,网络嵌入论文,文本情感信息嵌入论文,特征融合论文,吉林大学2019-06-25论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自吉林大学2019-06-25论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：链接预测论文; 分类模型论文; 网络嵌入论文; 文本情感信息嵌入论文; 特征融合论文; 吉林大学2019-06-25论文;