多視圖網(wǎng)絡表示學習技術

第1章 緒論
1.1網(wǎng)絡表示學知識
1.2網(wǎng)絡表示學展
1.2.1詞表示學習
1.2.2網(wǎng)絡表示學習
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
2.2.2隨機游走
2.2.3模型建模
2.3 Word2Vec與DeepWalk 的關系
第3章網(wǎng)絡表示學隨機游走
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基于誘導矩陣補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)絡表示學習
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)絡表示學表示學習
6.1網(wǎng)絡表示學表示學應用
6.2基于描述信息約束的詞表示學習
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