基于深度學習的社會信息挖掘應(yīng)用實例分析

目錄
前言
第1章 緒論 1
1.1 人工智能 1
1.2 機器學習 6
1.3 深度學習 10
第2章 神經(jīng)網(wǎng)絡(luò) 14
2.1 神經(jīng)元 14
2.2 損失函數(shù) 15
2.3 激活函數(shù) 16
2.4 參數(shù)學習 19
2.5 梯度下降法 20
2.6 全連接神經(jīng)網(wǎng)絡(luò) 24
2.7 BP神經(jīng)網(wǎng)絡(luò) 25
2.8 優(yōu)化方案 28
2.9 注意力機制 31
2.10 本章小結(jié) 32
第3章 深度神經(jīng)網(wǎng)絡(luò) 33
3.1 卷積神經(jīng)網(wǎng)絡(luò) 33
3.2 簡單循環(huán)神經(jīng)網(wǎng)絡(luò) 34
3.3 深層循環(huán)神經(jīng)網(wǎng)絡(luò) 36
3.4 本章小結(jié) 37
第4章 基于啟發(fā)知識的學習方法 38
4.1 兄弟學習 38
4.2 頓悟?qū)W習 40
4.3 本章小結(jié) 43
第5章 極限學習機 44
5.1 引言 44
5.2 *小二乘擬和及Moore-Penrose廣義逆 45
5.3 標準SLFN數(shù)學模型 48
5.4 ELM學習算法 50
5.5 ELM的特征映射和特征空間 53
5.6 ELM、RVFL及其一般化結(jié)構(gòu) 56
5.7 ELM的理論基礎(chǔ) 58
5.8 本章小結(jié) 61
第6章 基于深度學習的網(wǎng)站智能信息挖掘 62
6.1 引言 62
6.2 網(wǎng)站信息的計算機自動獲取 63
6.3 基于深度學習的網(wǎng)站相似度研究 64
6.4 網(wǎng)站內(nèi)容豐富度研究 67
6.5 面向任務(wù)的興趣推送 69
6.6 本章小結(jié) 71
第7章 基于卷積神經(jīng)網(wǎng)絡(luò)的甲骨文異體字識別 72
7.1 引言 72
7.2 相關(guān)研究 74
7.3 符號定義及概念 76
7.4 甲骨文異體字識別方法 76
7.5 實驗及分析 85
7.6 總結(jié)與展望 92
第8章 基于LSTM 的小說情節(jié)高潮識別 94
8.1 引言 94
8.2 相關(guān)概念 96
8.3 情節(jié)高潮識別方法 100
8.4 算法實現(xiàn) 102
8.5 實驗及分析 104
8.6 總結(jié)與展望 110
第9章 大規(guī)模復(fù)雜異質(zhì)圖動態(tài)的構(gòu)建 111
9.1 引言 111
9.2 大規(guī)模復(fù)雜異質(zhì)圖舉例 112
9.3 國內(nèi)外現(xiàn)狀及發(fā)展動態(tài) 115
9.4 大規(guī)模復(fù)雜異質(zhì)圖學習的研究內(nèi)容 121
9.5 本章小結(jié) 123
第10章 基于深度學習的大規(guī)模復(fù)雜異質(zhì)圖動態(tài)分析 124
10.1 復(fù)雜異質(zhì)動態(tài)圖數(shù)據(jù)的采集與存儲管理 124
10.2 復(fù)雜異質(zhì)動態(tài)圖的構(gòu)建與表示 125
10.3 動態(tài)圖的演變模式分析 127
10.4 大規(guī)模復(fù)雜異質(zhì)圖動態(tài)變化的優(yōu)化 129
10.5 大規(guī)模復(fù)雜異質(zhì)圖學習的實現(xiàn) 130
10.6 大規(guī)模復(fù)雜異質(zhì)圖學習算法 135
10.7 本章小結(jié) 140
參考文獻 141