5个研究背景和意义示例,教你写计算机网络表示论文

今天分享的是关于网络表示的5篇计算机毕业论文范文, 如果你的论文涉及到网络表示等主题,本文能够帮助到你

基于多数据源的群体欺诈攻击检测

这是一篇关于协同过滤,多源用户,网络表示,聚类,映射函数的论文, 主要内容为随着网络技术的不断发展和完善,我们可以在各种电商平台上购买自己中意的产品。在购买产品时,推荐系统因其优秀的信息过滤功能逐渐成为人们依赖的工具。然而,一些不法商家为了商业利益,雇佣灰色组织,有目的性得对某些产品进行虚假评分,给予人们错误的商品推荐。这些灰色组织因利益需求,活跃在各个电商平台中,对推荐系统的安全造成了巨大的威胁。因此,如何有效地检测出这些组织,是推荐系统中急需解决的安全问题。目前的检测算法主要是在单一的数据源中进行研究,忽略了用户在多个数据源中的内在联系,针对这一问题,本文通过分析同一用户在不同数据源中的行为,提出两个基于多数据源的群组攻击检测算法。首先,针对多源用户在不同数据源中的行为差异提出一种基于多源用户行为差异的群组攻击检测算法。该算法首先在单个数据源中,融合用户对项目的评分、时间信息建立用户关系图,利用网络表示学习模型SDNE自动学习用户潜在特征,并采用聚类方法将行为相似的用户划分到一个群组中,利用群组检测指标计算群组可疑度,最后利用多源用户在不同数据源中的行为差异确定群组攻击用户。然后,针对上一个算法只是简单利用多源用户在不同数据源中的表现差异和需要多源用户的先验知识的局限,提出一种基于多源用户特征融合的群组攻击检测算法。该算法对推荐系统中用户间的隐式社交关系进行了探讨,并利用生成对抗网络和少量多源用户信息学习不同数据源之间的映射关系,最后利用学习到的映射关系融合用户多源特征检测攻击群组。最后,在以Netflix和Movielens1M为基础生成的多源合成数据集上进行检测,检测结果表明,本文提出的算法可以使单个数据源上的检测结果进一步优化,本文研究的方向有一定的可行性和未来发展的可能性。

面向图谱分析的表示学习技术研究

这是一篇关于图谱分析,表示学习,图谱表示,网络表示,知识图谱,知识表示的论文, 主要内容为图谱数据是一种重要的数据表示,它出现在各种各样的现实世界场景中,例如,社交网络中的社交图谱,研究领域中的引文图谱,知识图谱等。有效的图谱分析可以使用户更深入地了解数据背后的内容,从而使许多现实中的应用受益,如推荐系统,自然语言处理,可视化等。但是,大多数图谱分析方法都会遇到计算效率低下和空间代价高昂的问题。图谱表示学习,是解决图谱分析问题有效且高效的方法。它将图谱数据映射到低维空间中,最大程度地保留了图谱结构信息和图谱的属性。本文的研究侧重于图谱表示的两种主要学习技术,即网络表示和知识表示学习技术。现有的图谱表示方法面临着计算效率低下和数据稀疏的问题。特别的,现有的网络表示模型也无法处理异构信息网络,这些信息网络在真实场景中比同构信息网络更常见。具体的,本文提出了四个图谱表示模型来解决上述问题,一个用于同构信息网络,两个用于异构信息网络,一个用于知识图谱。首先介绍同构信息网络表示模型BimoNet,该模型基于双模式表示模型和深度神经网络模型。在双模式表示模型中,加法模式和减法模式分别表示边的实体共享特征和实体特定特征。深度自编码器可以表征边的结构信息。之后,通过联合优化这两个模型的目标函数,BimoNet可以保留边的语义和结构信息。在实验中,采用的数据集是一个同构信息网络,它是作者研究领域共享网络,唯一的节点类型是作者。最后在关系提取的基准任务上评估BimoNet。然而,相较于同构信息网络,异构信息网络更为广泛地存在于现实世界的图谱数据中。因此,提出了一种新的异构信息网络表示模型TransPath,它将位移机制与元路径结合在一起。将元路径视为路径中第一个节点至最后一个节点的位移操作。此外,提出了一种用户引导的元路径抽样策略,将用户的偏好作为引导,可以更精确地探索路径的语义,同时通过避免其他噪声和无意义的元路径的干扰来提高模型效率。在两个大型真实数据集DBLP和YELP以及两个基准任务相似性搜索和节点分类上评估所提模型。元路径的表示能力仍然有限,因为当使用路径捕获两个节点之间的邻域结构时存在明显的信息丢失。因此,提出了一种新的机制,通过元图谱捕获节点的特征,这些特征保留了比路径更多的语义和结构信息。模型将节点和元图谱构建为异构信息网络三元组,然后应用Hadamard函数来编码节点和元图谱之间的关系,并且可以评估异构信息网络三元组是否为正的概率。此外,为了更好地区分元图谱对称和非对称情况,引入了一种复数表示的机制,它能够精确地表示异构信息网络节点。最后在真实数据集上评估所提出的模型metagraph2vec的有效性。本文还提出了一个名为Bi-Mult的新知识表示模型,它利用动态双模式表示机制来表征知识图谱并结合了组合模型和位移模型的优点。在双模式表示模型中,实体(关系)表示被分解为两部分,一部分表示实体(关系)的内在状态,另一部分表示实体(关系)的交互状态。双模式的关系表示增强了关系与实体的相互作用,从而增强了模型处理非对称关系的能力。此外,通过映射矩阵将双模式表示的实体应用在位移模型中,构建了用于表征复杂关系的动态表示模型。在实验中,在基准数据集和基准任务链路预测上评估所提模型。总之,许多研究提出了图谱表示学习技术来分析图谱数据背后所隐藏的丰富信息。然而,传统的图谱表示模型存在计算效率低下和数据稀疏性问题。为了解决这些问题,本文提出了四种新的图谱表示方法,更具体的,网络表示和知识表示方法,它们都提供了一种新的角度来实现图谱的表示学习。在实验中,所得结果验证了算法和模型的有效性。

基于网络表示的个性化推荐算法研究与应用

这是一篇关于推荐系统,网络表示,链接预测,能量分配的论文, 主要内容为目前,随着互联网迅速发展,用户通过网络搜索所需信息,购买所需商品。但是在电子商务时代,用户倾向于使用社交网站浏览或传播各种信息,导致网络数据剧增,在这种情况下推荐系统随之而来,并在逐渐发展。推荐算法是一个推荐系统中最重要的部分,虽然传统方法的应用具有很好的推荐效果,但仍存在一些不足之处。目前个性化推荐算法主要基于静态网络,无法准确地对动态网络进行建模并进行有效推荐。同时存在数据稀疏、推荐精度低以及推荐多样性较低的问题。针对以上问题本文提出了相应的解决方法,具体研究如下:(1)为了提取动态网络随时间变化的动态信息及多层网络特征,提出了一种基于动态网络表示的个性化Tner推荐算法,损失函数中加入时间系数,利用不同时间维度调节损失函数进行优化训练。同时根据节点的变化扩展隐藏层数量去处理动态网络中节点随时间变化的问题。多个时序数据集上的结果表明,Tner在精确率、召回率以及F1-Score三种评价指标中均优于其他算法,体现了Tner算法的推荐准确性及高效性。(2)针对传统方法精度低、多样性较差的问题,提出了一种基于能量分配的带权二部网络推荐算法。提出了低频项阈值以删除不同比例的数据中出现频率低的项目,将能量分配与权重公式结合,对于用户项目之间的推荐赋予相应的能量。利用改进的权重公式进行相似度计算从而进行推荐。最终提出逻辑回归方法修正推荐列表,使最终的推荐列表更加准确。在两个数据集上的结果表明,与现有的算法相比推荐准确性以及多样性更高。(3)最后结合以上两种基于网络表示的推荐算法,设计并实现了基于网络表示的推荐系统,实现了个性化电影推荐。该系统集用户账号的注册、登录、电影详细信息的查询、电影的评分以及电影的推荐等功能。