多視圖網(wǎng)絡(luò)表示學(xué)習(xí)技術(shù)

第1章 緒論
1.1網(wǎng)絡(luò)表示學(xué)知識
1.2網(wǎng)絡(luò)表示學(xué)展
1.2.1詞表示學(xué)習(xí)
1.2.2網(wǎng)絡(luò)表示學(xué)習(xí)
1.3本書研究內(nèi)容
第2章 Word2Vec與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語言與網(wǎng)絡(luò)
2.2.2隨機(jī)游走
2.2.3模型建模
2.3 Word2Vec與DeepWalk 的關(guān)系
第3章網(wǎng)絡(luò)表示學(xué)隨機(jī)游走
3.1上下文節(jié)點選擇過程
3.1.1問題描述
3.1.2模型框架
3.1.3實驗分析
3.2隨機(jī)游走策略和節(jié)點選擇過程
3.2.1問題描述
3.2.2模型框架
3.2.3實驗分析
第4章二視圖特征聯(lián)合建模
4.1文本特征關(guān)聯(lián)的大隔DeepWalk
4.1.1問題描述
4.1.2模型框架
4.1.3實驗分析
4.2節(jié)點文本特征多元關(guān)系建模
4.2.1問題描述
4.2.2模型框架
4.2.3實驗分析
4.3節(jié)點層次樹多元關(guān)系建模
4.3.1問題描述
4.3.2模型框架
4.3.3實驗分析
第5章三視圖特征聯(lián)合建模
5.1基于誘導(dǎo)矩陣補(bǔ)全的三元特征矩陣融合策略
5.1.1問題描述
5.1.2模型框架
5.1.3實驗分析
5.2三元特征矩陣融合策略與網(wǎng)絡(luò)表示學(xué)習(xí)
5.2.1問題描述
5.2.2模型框架
5.2.3實驗分析
第6章 網(wǎng)絡(luò)表示學(xué)表示學(xué)習(xí)
6.1網(wǎng)絡(luò)表示學(xué)表示學(xué)應(yīng)用
6.2基于描述信息約束的詞表示學(xué)習(xí)
6.2.1問題描述
6.2.2模型框架
6.2.3實驗分析
參考文獻(xiàn)