导读:本文包含了图嵌入论文开题报告文献综述及选题提纲参考文献，主要关键词:图嵌入,网络嵌入,非均匀采样,图卷积网络
图嵌入论文文献综述
陈思,蔡晓东,侯珍珍,李波[1]（2019）在《基于非均匀邻居节点采样的聚合式图嵌入方法》一文中研究指出针对已有聚合式图嵌入方法多采用均匀采样函数为图中节点构建邻域,即仅随机采样邻居节点,而忽略各邻居节点自身性质的差异的问题,提出基于度值的非均匀邻居节点采样方法.针对目标节点,优先采样其度值较大的邻居节点;隐藏一批度值较小的邻居节点,使它们在采样过程中不出现;在邻居节点集中随机采样剩余的节点以保留一定的采样随机性,这些随机采样的节点与优先采样的节点组成目标节点的邻域.将所提出的非均匀邻居节点采样方法应用于图嵌入过程,在Reddit数据集上的图嵌入分类F1分数为91.7%,该结果优于几个知名的图嵌入方法的结果.在重迭社团数据集PPI上的实验证实提出方法能够为图数据生成更高质量的嵌入.(本文来源于《浙江大学学报(工学版)》期刊2019年11期）
滕磊,李苑,李智星,胡峰[2]（2019）在《基于知识图嵌入的跨社交网络用户对齐算法》一文中研究指出针对目前跨社交网络用户对齐算法存在的网络嵌入效果不佳、负采样方法所生成负例质量无法保证等问题,提出一种基于知识图嵌入的跨社交网络用户对齐(KGEUA)算法。在嵌入阶段,利用部分已知的种子锚用户对进行正例扩充,并提出Near_K负采样方法生成负例,最后利用知识图嵌入方法将两个社交网络嵌入到统一的低维向量空间中。在对齐阶段,针对目前的用户相似度度量方法进行改进,将提出的结构相似度与传统的余弦相似度结合共同度量用户相似度,并提出基于自适应阈值的贪心匹配方法对齐用户,最后将新对齐的用户对加入到训练集中以持续优化向量空间。实验结果表明,提出的算法在Twitter-Foursquare数据集上的hits@30值达到了67.7%,比用户对齐现有最佳算法的结果高出3.3～34.8个百分点,显着提升用户对齐效果。(本文来源于《计算机应用》期刊2019年11期）
刘国庆,卢桂馥,张强,周胜[3]（2019）在《基于L21范数的非负低秩图嵌入算法》一文中研究指出现有的非负矩阵分解方法直接在原始高维图像数据集上计算低维表示,同时存在对噪声数据、噪声标签、不可靠图敏感及鲁棒性较差的缺点.为了解决上述问题,文中提出基于L21范数的非负低秩图嵌入算法(NLGEL21),同时考虑原始数据集的有效低秩结构和几何信息.在图嵌入和数据重构函数中引入L21范数,进一步提高鲁棒性,并给出求解NLGEL21的乘性迭代公式和收敛性证明.在ORL、CMU PIE、YaleB人脸数据库上的实验验证NLGEL21的优越性.(本文来源于《模式识别与人工智能》期刊2019年10期）
滕少华,冯镇业,滕璐瑶,房小兆[4]（2019）在《联合低秩表示与图嵌入的无监督特征选择》一文中研究指出大数据应用带来高维数据急剧增加,数据降维已成为重要问题.特征选择降维方法已广泛应用于模式识别领域,近年来提出了许多基于流形学习的特征选择方法,然而这类方法往往容易受到各种噪声影响.对此,本文提出一种联合低秩表示和图嵌入的高效无监督特征选择方法(JLRRGE).通过低秩表示寻找数据在低秩子空间下的表示,降低噪声的影响从而提高算法的鲁棒性,并通过自适应图嵌入方法,使选择特征保持原有的局部关系.实验结果表明,本文提出算法的分类准确率优于其他对比算法.(本文来源于《广东工业大学学报》期刊2019年05期）
黄鸿,陈美利,王丽华,李政英[5]（2019）在《空-谱协同正则化稀疏超图嵌入的高光谱图像分类》一文中研究指出传统依据图嵌入的高光谱图像维数约简算法多数仅利用光谱信息表征像元间单一关系,忽视了数据间的多元几何结构。本文提出了一种面向高光谱图像分类的空-谱协同正则化稀疏超图嵌入算法(SSRSHE)。该算法首先利用稀疏表示揭示像元之间的相关性,自适应选择近邻,并构建稀疏本征超图和惩罚超图,以有效表征像元间的复杂多元关系,并进行正则化处理。然后利用遥感图像空间一致性原则,计算局部空间邻域散度来保持样本局部邻域结构,并引入样本总体散度来保持高光谱数据的整体结构。在低维嵌入空间中,尽可能使类内数据聚集、类间数据远离,提取鉴别特征用于分类。在Indian Pines和PaviaU高光谱遥感数据集上试验结果表明,本文算法总体分类精度分别达到86.7%和92.2%。相比传统光谱维数约简算法,该算法可有效改善高光谱图像地物分类性能。(本文来源于《测绘学报》期刊2019年06期）
李冬青[6]（2019）在《基于空-谱联合图嵌入的高光谱数据降维》一文中研究指出针对高光谱遥感数据数据量大、非线性、样本标记代价昂贵、训练样本少、光谱特征维度高等特点,利用机器学习、图像处理技术、图嵌入降维以及表示学习相关理论,重点研究高光谱数据降维有关问题。包括以下主要研究内容:1.基于空-谱联合增长图嵌入的高光谱数据降维。利用高光谱数据的空间和光谱信息,提出一种空-谱联合增长图嵌入的高光谱数据降维算法。在增长图的迭代构造过程中,训练样本的标签可以传递给与其最近邻的测试样本,直至所有测试样本都有一个伪标签。首先,通过寻找最近的空间近邻实现近邻选择及其邻接权重计算;其次,对于分布在决策边界附近的样本,设计叁种不同的邻接权重计算策略,以提高异类样本的可分性;最后,根据标记样本周围是否存在测试样本,对空间窗口大小以及近邻个数进行自适应调整。2.基于超像素分割和多核联合的空-谱近邻图嵌入高光谱数据降维。图嵌入降维算法的关键步骤在于近邻选择和邻接权重的计算。传统图嵌入降维算法通常采用成对光谱特征相似图反映原始高光谱数据的几何结构。然而,传统图嵌入降维算法忽略了高光谱数据的空间信息,导致构造的图无法充分反映高光谱数据的空间流形结构。因此,提出一种基于超像素分割和多核联合的空-谱近邻图嵌入降维算法,以充分利用高光谱数据的空间信息,进而提高分类性能。首先,采用熵率超像素分割算法将高光谱图像分割成若干超像素块;其次,在每个超像素块中,利用空-谱度量距离来表示样本间的相似程度;然后,基于上述空-谱度量距离构造空-谱近邻图;最后,采用多核支持向量机分类器,对降维后的高光谱数据进行分类。3.基于多尺度超像素最大噪声比率的高光谱数据降维。针对高光谱数据不同空间区域对应不同物体,降维中若采用统一投影变换,容易导致投影子空间中异类样本间差异性变小的问题,根据图像分割和集成学习思想提出一种基于多尺度超像素最大噪声比率高光谱数据降维算法。首先,通过图像分割算法对高光谱图像进行空间区域分块,使得每个空间区域块中的样本具有相似的光谱特征;其次,设定子空间维数,在每个区域块中,采用最大噪声比率构造一个对应的局部空间投影矩阵,并对该区域中的高光谱数据进行降维,得到对应像素在低维子空间中的特征;然后,将不同区域块中像素的低维特征按照原始空间坐标进行合并,得到整个高光谱数据在低维子空间中的特征表示;最后,通过设置不同尺度的超像素,利用最大投票原则确定测试样本的标签。4.基于图正则自适应联合协同表示的高光谱数据降维。针对空间信息利用不充分导致的高光谱图像分类精度较低的问题,提出一种基于图正则自适应联合协同表示的高光谱数据降维算法。首先,采用双边滤波操作对高光谱图像进行空间信息提取,以充分挖掘每个像素的空间信息;其次,在联合协同表示的目标函数中引入图正则约束项,以保持高光谱数据的流形结构;然后,一方面利用图像分割来自适应调整空间邻域的形状,另一方面通过对中心像素的空间近邻赋予不同的权重,提出一种自适应空-谱特征融合策略;最后,基于误差最小原则,得到测试样本的类别标签。在Indian Pines、Pavia University、KSC和Salinas四个高光谱数据集上的实验结果表明,所提算法能有效地利用高光谱图像的空间特征和光谱特征获得较高的整体分类精度和Kappa系数,获得的分类效果图平滑。(本文来源于《中国矿业大学》期刊2019-06-01）
凌春阳,邹艳珍,林泽琦,谢冰,赵俊峰[7]（2019）在《基于图嵌入的软件项目源代码检索方法》一文中研究指出源代码检索是软件工程领域的一项重要研究问题,其主要任务是检索和复用软件项目API(application programinterface,应用程序接口).随着软件项目的规模越来越大、越来越复杂,当前,源代码检索一方面需要提高基于自然语言API查询的准确性,另一方面需要定位和展示目标API及其相关代码之间的关联,以更好地辅助用户理解API的实现逻辑和使用场景.为此,提出一种基于图嵌入的软件项目源代码检索方法.该方法能够基于软件项目源代码自动构建其代码结构图,并通过图嵌入对源代码进行信息表示.在此基础上,用户可以输入自然语言问题、检索并返回相关的API及其关联信息构成的连通代码子图,从而提高API检索和复用的效率.在以开源项目Apache Lucene和POI为例的检索实验中,该方法检索结果的F1值比现有基于最短路径的方法提高了10%,同时显着缩短了平均响应时间.(本文来源于《软件学报》期刊2019年05期）
李瑞雪[8]（2019）在《基于多信息源图嵌入的好友推荐算法研究》一文中研究指出自信息匮乏时代进入信息过载时代,人们面对的信息量呈爆炸式增长,在选择所需信息时变得愈发困难,个性化推荐系统的出现有效地解决了用户选择难的问题。它通过主动地分析用户的历史行为信息,为用户提供所需的准确信息,满足用户的需求。随着社交网络的不断发展,越来越多的用户喜欢通过社交网络结交新朋友,于是好友关系成为社交网络中重要的组成部分。众多社交网站也专门设置好友推荐模块,根据用户的信息找到与用户兴趣相似的其他用户,从而为目标用户推荐新的好友。协同过滤是好友推荐算法中应用最广泛的方法,传统基于用户的协同过滤算法通过用户-用户关系矩阵分析用户之间的相似度,根据相似度大小为用户推荐新的朋友。但在实际生活中,用户-用户交互矩阵中含有大量的缺失值,而且当新用户加入社交网络时无法得到交互信息,造成数据稀疏、用户冷启动等问题。因此为了解决上述问题,将用户的属性信息作为辅助信息加入算法中。在本文中,提出基于多信息源的图嵌入好友推荐算法。首先,该算法同时考虑了节点的结构信息和属性信息,从节点的属性信息中挖掘节点的偏好特征;其次,节点的属性信息和结构信息通过图嵌入方法映射成低维向量,通过嵌入保留了网络的结构相似性和属性相似性,结构相似性捕获节点全局网络结构,属性相似性则解释了同质性影响;最后,两部分信息进行早期融合送入多层感知机进行训练,预测节点间存在链接的概率。为了验证本文提出算法的有效性,我们在叁个真实数据集上进行实验,实验结果表明本文提出的模型确实提高了推荐性能。(本文来源于《东北师范大学》期刊2019-05-01）
李强[9]（2019）在《基于图嵌入的广告推荐模型》一文中研究指出随着互联网的普及,以互联网为载体的信息大量出现,这些信息虽然能够满足用户更多的需求,但是由于信息的爆炸式增长,用户想要在海量的数据中获取自己想要的信息变的越来越困难,即虽然信息的数量增加了,但是信息的利用率却大大降低了,这就导致了信息的超载问题。推荐系统是解决信息超载问题的一种常用手段,往往承担着信息过滤的责任,需要在海量的信息中挑选用户感兴趣的。推荐系统是可以根据用户的特征,信息的属性,用户的历史记录,将其感兴趣的信息和产品推荐给用户的个性化系统。与搜索引擎不同的是,推荐系统会通过用户的行为,进行个性化计算得出用户的兴趣,从众多的候选集中挑选用户感兴趣的内容,从而减少用户的搜索时间,增加信息的利用率。个性化的推荐服务是推荐系统的主要作用,一个好的推荐系统能够使用户对它产生依赖。广告推荐系统是推荐系统的一个重要分支,近些年,学术界科研人员不断地提出专门针对广告推荐场景的模型。在工业界,由于广告推荐能够产生大量的利润,也得到了广泛的关注。广告推荐系统通过分析用户的兴趣以及广告的特征,向用户推荐其感兴趣的广告。论文首先介绍了广告推荐系统的相关概念和研究现状,之后介绍了常用的推荐模型。然后提出了一种基于图嵌入的深度学习广告推荐模型。首先通过用户历史对广告的兴趣构造以广告为节点的图,之后通过图嵌入算法将图中的节点映射成低维的向量,将图嵌入的输出作为深度学习模型的输入。最后通过实验对比其他主流的推荐模型,实验结果表明基于图嵌入的深度学习模型在广告推荐场景中表现最优,又通过实验对比了不同参数对于模型的影响,实验中所有指标的提升也证明了图嵌入算法对于广告推荐系统的有效性。最后对图嵌入的深度学习模型进行进一步的优化,引入注意力机制,将本来通过平均聚合的图嵌入的输出通过自适应的学习权重进行加权平均。算法在特征交叉之后再次引入注意力机制对特征交叉生成的向量做加权平均,注意力机制使得模型能够给予那些对于分类作用更大的部分一个更高的权重。注意力机制是通过神经网络实现的,为了降低它带来的过拟合风险,算法在注意力机制中加入正则化的方式解决过拟合的问题。最后通过实验对比发现加入了注意力机制之后模型的收敛速度更快,相比于之前的模型,所有指标都有一定的提升,通过实验对比发现注意力机制对参数是敏感的。(本文来源于《吉林大学》期刊2019-04-01）
文杰[10]（2019）在《图嵌入聚类模型研究》一文中研究指出随着科技的发展和大数据时代的来临,聚类作为一种典型的无监督机器学习方法近年来受到了众多研究者和工程技术人员关注。从数据所含视角数量的角度可将现有聚类方法简单地分为单视角聚类和多视角聚类两个类别。基于图嵌入的聚类方法是聚类领域的主流方法之一,虽然近几十年学者们提出了众多基于图嵌入的单视角聚类和多视角聚类方法,但是这些方法仍然存在一些缺陷。例如现有基于图嵌入的单视角聚类方法主要存在以下缺陷:1)普遍无法得到捕获数据内在结构的仿射图;2)对噪声鲁棒性弱,在噪声数据中聚类性能显着下降。现有多视角聚类方法,特别是基于图嵌入的多视角聚类方法,由于模型设计上的缺陷大多无法处理视角缺失情形下的多视角聚类任务。本文主要研究基于图嵌入的聚类方法,旨在提出更为鲁棒和灵活的图嵌入聚类模型来解决上述缺陷并提高聚类性能。具体地,本文主要提出了如下聚类方法:(1)针对传统图嵌入方法无法捕获数据内在结构的问题,提出了一种基于低秩表示和自适应图正则的仿射图学习方法。该方法在低秩表示框架中引入基于距离的正则项和非负图约束项,从而能够充分地利用数据的全局表示信息和局部距离信息来指导仿射图的构建;为了确保所得到的仿射图具有精确的连通分量,该方法还在模型中引入了拉普拉斯图的秩约束。通过将以上这些约束和低秩表示融入到一个联合优化框架,该方法能够自适应地从数据中学习到捕获数据内在结构关系的仿射图,进而得到更好的聚类结果。在仿真数据集和真实数据集上的实验结果验证了该方法的有效性。(2)针对现有基于图嵌入的单视角聚类方法大多对噪声鲁棒性弱的问题,提出了一种基于自适应加权非负低秩表示的鲁棒仿射图学习方法。通过对现有基于表示的仿射图学习方法进行分析,发现这些方法在仿射图学习的过程中同等地对待所有特征,使得噪声或离群点干扰甚至主导了自表示仿射图的学习。基于此发现,该方法在自表示的仿射图学习模型中引入加权矩阵约束,使得模型能够自适应地增强重要特征在表示中的贡献,同时削弱噪声的不利影响,进而提高对噪声的鲁棒性;此外,该方法还引入了局部距离约束和非负图约束,不仅使得模型能够同时充分地利用数据的局部和全局信息来指导仿射图的构建,而且还能提高仿射图的解释性。在多组噪声污染下的仿真数据集以及真实数据集上与多种聚类算法进行对比,实验结果表明所提出的算法不仅能够获得更好的聚类效果,而且提高了对噪声的的鲁棒性。(3)针对多视角数据中存在视角缺失的问题,提出了一种基于图嵌入的不完备多视角聚类方法。该方法基于低秩表示模型从现有的未缺失的样例中自适应地学习各个视角的仿射图,并利用矩阵初等变换技术将这些图扩充到同样的维度;为了得到多个视角间一致性的低维表征,该方法还引入了谱聚类约束和协同正则约束。通过对模型的联合优化,该方法能够有效地削弱视角缺失所引起的负面影响,同时充分地利用多视角间的多样化信息和互补性信息来指导一致表征的学习,从而得到更好的聚类效果。在多个不完备数据集上的对比实验验证了该方法在不完备多视角聚类任务上的有效性。(4)现有不完备多视角聚类方法普遍存在如下两个制约性能的缺陷:1)忽略了视角鉴别信息的不平衡性;2)没有充分地利用多个视角间的互补信息。为了克服以上两个缺陷以及提高聚类性能,针对性地提出了一种基于图嵌入和视角推理的不完备多视角聚类方法。该方法在矩阵分解模型中引入基于特征近邻的拉普拉斯约束来恢复缺失的视角信息,这不仅使得多个视角能够自然地对齐,便于模型更好地利用多视角的互补信息,而且有利于使用恢复的缺失视角信息来指导模型的训练;为了挖掘数据的局部信息,该方法引入了反转图约束项,该项的引入还有利于得到更合理的缺失视角;考虑到不同的视角可能含有不同程度的鉴别信息,该方法引入自适应的视角加权项来平衡各视角在模型训练中的作用,从而更充分地利用多视角的多样性信息。在特殊视角缺失和视角任意缺失两种条件下的不完备多视角聚类实验对比结果表明所提出的方法能够有效地提高聚类性能。综上所述,本文针对现有基于图嵌入的聚类方法存在的缺陷提出了多种更为鲁棒和灵活的图嵌入聚类模型,并从理论角度深入地分析了所提出的聚类模型的合理性,在多个数据集上与多种性能优异的聚类方法的实验对比结果验证了本文所提出的聚类模型的有效性。(本文来源于《哈尔滨工业大学》期刊2019-03-01）
图嵌入论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对目前跨社交网络用户对齐算法存在的网络嵌入效果不佳、负采样方法所生成负例质量无法保证等问题,提出一种基于知识图嵌入的跨社交网络用户对齐(KGEUA)算法。在嵌入阶段,利用部分已知的种子锚用户对进行正例扩充,并提出Near_K负采样方法生成负例,最后利用知识图嵌入方法将两个社交网络嵌入到统一的低维向量空间中。在对齐阶段,针对目前的用户相似度度量方法进行改进,将提出的结构相似度与传统的余弦相似度结合共同度量用户相似度,并提出基于自适应阈值的贪心匹配方法对齐用户,最后将新对齐的用户对加入到训练集中以持续优化向量空间。实验结果表明,提出的算法在Twitter-Foursquare数据集上的hits@30值达到了67.7%,比用户对齐现有最佳算法的结果高出3.3～34.8个百分点,显着提升用户对齐效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
图嵌入论文参考文献
[1].陈思,蔡晓东,侯珍珍,李波.基于非均匀邻居节点采样的聚合式图嵌入方法[J].浙江大学学报(工学版).2019
[2].滕磊,李苑,李智星,胡峰.基于知识图嵌入的跨社交网络用户对齐算法[J].计算机应用.2019
[3].刘国庆,卢桂馥,张强,周胜.基于L21范数的非负低秩图嵌入算法[J].模式识别与人工智能.2019
[4].滕少华,冯镇业,滕璐瑶,房小兆.联合低秩表示与图嵌入的无监督特征选择[J].广东工业大学学报.2019
[5].黄鸿,陈美利,王丽华,李政英.空-谱协同正则化稀疏超图嵌入的高光谱图像分类[J].测绘学报.2019
[6].李冬青.基于空-谱联合图嵌入的高光谱数据降维[D].中国矿业大学.2019
[7].凌春阳,邹艳珍,林泽琦,谢冰,赵俊峰.基于图嵌入的软件项目源代码检索方法[J].软件学报.2019
[8].李瑞雪.基于多信息源图嵌入的好友推荐算法研究[D].东北师范大学.2019
[9].李强.基于图嵌入的广告推荐模型[D].吉林大学.2019
[10].文杰.图嵌入聚类模型研究[D].哈尔滨工业大学.2019