导读:本文包含了相似度网络论文开题报告文献综述及选题提纲参考文献，主要关键词:事件推荐,社交网络,用户相似度,拓扑结构
相似度网络论文文献综述
马铁民,周福才,王爽[1]（2019）在《基于用户相似度的随机游走社交网络事件推荐算法》一文中研究指出针对基于社交网络的事件推荐覆盖性和准确性不够高的问题,提出了基于用户相似度Si-user Walker算法.该算法利用基于事件的社交网络特征,将线上用户群组数据抽象为图,以重启随机游走算法为基础,改变了传统的完全基于图的拓扑结构进行随机游走的策略.根据地理位置划分事件类型,提出了新的用户相似度计算方法,然后根据用户相似度矩阵作为随机游走的转移概率,既保留了图的传递性,又保证了图节点游走的真实性.与其他推荐算法在真实的数据集上实验表明,该算法在均方根误差、准确率及覆盖率上均得到提升.(本文来源于《东北大学学报(自然科学版)》期刊2019年11期）
刘露,胡封晔,牛亮,彭涛[2]（2019）在《异质网络中基于节点影响力的相似度度量方法》一文中研究指出异质网络相似度学习,即分析两个不同类型对象间的相关程度.不同类型对象在异质网络中的重要程度不同,它们在相似度学习过程中的发挥的作用也不同.针对异质网络,提出了一种基于节点影响力的相似度度量方法NISim,该模型既考虑了网络中的链接结构,也保留了网络中的语义信息,同时区分不同类型节点对异质网络的作用.在异质信息网络环境下,通过启发式规则区分并量化不同类型节点的影响力权值,并结合网络链接结构和节点间语义关系,解决了提高相似度学习准确性的问题.实验结果表明,该方法能够有效地对异质信息网络不同类型节点进行相似度度量,可以应用在网络搜索、推荐系统以及知识图谱构建等不同领域.(本文来源于《电子学报》期刊2019年09期）
关晓菡,韩建辉[3]（2019）在《基于双向字交互卷积网络的句子相似度计算》一文中研究指出为解决基于Siamese模型缺乏句子间交互的问题和基于匹配模型的匹配因子单一问题,提出双向字粒度交互的卷积神经网络模型。在输入侧通过建立句子交互序列改善Siamese模型交互问题;在特征提取侧和输出侧通过对交互序列进行卷积,建立动态匹配因子改善匹配模型的匹配因子单一问题。实验结果表明,该模型在语义相似性计算数据集Quora和自然语言推理数据集SNLI的准确度相较其它算法均有提升,验证了算法的有效性和可行性。(本文来源于《计算机工程与设计》期刊2019年08期）
史爱静,王盼盼[4]（2019）在《面向D2D移动社交网络的用户相似度分析方法》一文中研究指出为了缓解海量社交信息传播给底层通信网络带来的负担,越来越多的社交网络开始利用Device-to-Device(D2D)技术传播信息,基于D2D的社交网络应运而生。作为社交网络分析领域的重要研究方向,用户行为分析在舆情分析、网络安全、社区发现、民意调查、市场预测方面发挥重要作用。为此,该文将针对D2D移动社交网络的用户行为分析开展工作,重点研究此类社交网络中的用户相似度建模方法。针对现有的用户相似度分析方法未考虑用户主观因素的问题,参考传统的用户相似度分析方法,提出了适用于D2D移动社交网络的、基于内容偏好的用户相似度模型。该模型将用户活跃度、用户空间特征和用户偏好等作为度量因素,建立用户相似度模型,并在真实环境中对模型进行验证。(本文来源于《电脑知识与技术》期刊2019年18期）
张文田,凌卫新[5]（2019）在《基于相似度的神经网络多源迁移学习算法》一文中研究指出为了解决迁移学习中的"负迁移"问题,提出了基于相似度的神经网络多源迁移学习算法。该算法是以经典的BP神经网络模型为基分类器,利用梯度下降法对各个源领域与目标域之间的相似度进行学习和优化,把各个源领域的网络权重参数信息按照与目标域之间的相似程度迁移到目标域中,提高机器学习算法在目标域的分类性能。在UCI数据的Letter-recognition数据集以及20Newsgroups文本数据集上进行实验。实验结果表明了MTL-SNN算法比传统的多源迁移学习算法以及BP神经网络算法在分类准确率上有所提升,因此MTL-SNN算法有效地解决了"负迁移"问题。(本文来源于《科学技术与工程》期刊2019年15期）
靳丽[6]（2019）在《结合神经网络的文本语义相似度研究》一文中研究指出随着科学技术的发展和人工智能技术的进步,以及各类新业务、新需求的不断涌现,人们逐渐从信息匮乏走向了信息过载的时代。在当今这个信息爆炸的时代,人们迫切希望能够从海量的信息中获取与自身需要和吻合度更高的内容。为了满足人们的需求,多种应用应运而生,如搜索引擎、自动问答系统、文档分类与聚类、文献查重、文献精准推送等,而文本相似度计算技术就是其中的关键技术之一。近年来,文本相似度计算的研究受到的关注度越来越高,有研究学者对相关文献进行了整理,并总结了部分文本相似度计算方法。一般来说,文本相似度计算分为语义相似度计算和非语义相似度计算。传统的基于统计的文本相似度计算方法,如向量空间模型,隐含狄利克雷分布模型等。目前测量文本语义相似度常用的一种方法是利用word2vec等方法预先训练好的词嵌入,然后利用深度神经网络提取句子表征及其相互作用;接着,从表征和相互作用中训练出最终的多层感知器来适应文本语义相似度标签。还有一种方法是把句子长度和词汇相似度等多种独立于语言的特征信息综合起来,实现一个集成模型,但同时也需要更多的实时计算资源。本文在总结传统文本相似度计算的缺点以及借鉴近年来的文本相似度算法优点的基础上,针对句子级别的问题对进行文本语义相似度研究,提出了结合神经网络的文本语义相似度算法模型。该模型工作过程可如下描述:首先对文本数据进行预处理,训练词向量,该模型的词嵌入由不可训练的词嵌入,随机初始化的词嵌入,随机初始化的字符嵌入以及精确标识符四部分进行连接操作而得到;然后利用堆迭的Bi-LSTM神经网络和Attention机制的有效结合,每一层都使用连接注意力特征的串联信息,以及前面所有堆迭层的隐藏特征,对句子进行编码,获取更加丰富的句法和语义信息,继而通过句子匹配层,获取两个句子的交互信息,然后输入稠密连接的DenseNet网络层中解码,提取特征信息,最后经过全连接层分类,计算两个句子之间的语义相似度。本文模型的亮点在于(1)在词嵌入层采用了不可训练的Glove词嵌入和随机初始化的词嵌入拼接操作使得词嵌入的效果更好,并提升了模型效果:(2)采用了堆迭结构的Bi-LSTM神经网络,同时句子1和句子2的Bi-LSTM权重共享,即有Bi-LSTM1=Bi-LSTM2,并引入DenseNet网络的思想,当前层的输入不仅包括前一层的隐藏状态,还包括前一层的输入,通过参数的传递,一定程度上使得模型保留了前面的特征信息,增强了特征信息的传播;(3)引入了 Attention机制,不仅考虑了句子内部单词与单词之间的信息,同时考虑了句子1和句子2之间的交互信息,获取更加丰富的句子语义信息;;(4)在Bi-LSTM对句子进行编码阶段,引入了 Autoencoder,随着网络的堆迭,拼接操作导致网络参数不断增加,通过Autoencoder进行降维操作,维护了网络的稳定,并提高了模型准确率;;(5)在句子解码阶段,我们引入了 DenseNet网络,由于DenseNet网络结构的特点,增强了特征信息的传播,减轻了梯度弥散带来的问题,同时大大减少了参数量,使得网络更深入、更准确:(6)对交叉熵损失函数进行了正则化,避免了模型出现过拟合的问题。(本文来源于《山东大学》期刊2019-05-25）
杨润琦[7]（2019）在《用于语义相似度评估的基于句法树的神经网络研究》一文中研究指出基于深度神经网络的模型在语义相似度评估的任务上取得了优异的效果。深度神经网络中的基于句法树的神经网络通过语言内在的句法树树形结构对语言进行建模,建模得到的句子向量表示进一步运用在语义相似度评估网络中进行语义相似度的预测。基于句法树的神经网络相比其他用于建模句子级别的表示的神经网络而言,在建模长距离依赖上更具优势,并且可以利用外部树形结构的标记增强模型的性能,拥有良好的应用前景。然而,已有的用于建模句法树树形结构的神经网络中也存在着一些问题,比如递归神经网络难以建模跨越多层的依赖关系,循环递归网络建模句子整体表示的能力较弱,使用有序元方法建模树形结构时对于外部的树形结构标记无法直接利用等等,这些存在的问题限制了基于句法树的神经网络在语义相似度评估任务中的应用。本文从用于语义相似度评估任务的基于句法树的神经网络中存在的问题入手,对已有的基于句法树的神经网络进行了若干改进,并通过实验验证并分析了本文提出的改进的效果。针对使用递归神经网络建模树形结构的过程中存在的难以建模跨越多层的依赖的问题,本文借鉴了在循环神经网络中用于增强对长距离依赖的建模的门限结构设计,对门限循环网络的结构进行了改造并将其引入递归神经网络中,给出了针对依存关系句法树和成分分析句法树的两种版本的实现:总和门限递归结构和密连接门限递归结构,实验分析表明该方法在语义相似度评估的任务上在拥有良好的预测性能的同时,对比其他基于门限结构来优化跨越多层的依赖建模的模型而言,拥有更高计算效率。针对使用循环递归网络在建模句法树树形结构并用于语义相似度评估的任务的过程中,存在的对句子整体表示建模能力不足的问题,本文借鉴了递归神经网络中对整体表示建模的设计,将递归单元引入循环递归网络中作为其合并单元的实现,并给出了从两个方向对文本进行建模的扩展版本,实验分析表明该方法在语义相似度评估的任务上对于句法树的树形结构拥有出色的建模能力和预测性能。针对使用有序元方法建模树形结构的过程中存在的无法直接利用外部树形结构资源的问题,本文基于门限循环网络对有序元方法进行了更高效的重新设计,并在这个更高效的模型的基础上探索了对海量无标记数据的利用,利用语言模型的无监督预训练增强模型的性能,弥补了有序元方法无法直接利用外部树形结构资源的不足,实验表明该方法在语义相似度评估的任务上可以利用无标记数据上的无监督预训练显着增强模型的性能,分析表明经过预训练的有序元方法可以通过有序元的异步更新进行树形结构的迁移,该方法拥有良好的应用前景。(本文来源于《南京大学》期刊2019-05-24）
李伟民[8]（2019）在《基于相似度聚类的网络异常快速识别方法研究》一文中研究指出传统网络异常识别方法速度慢、准确率低。为此,笔者提出基于相似度聚类的网络异常快速识别方法,经过详细分析相似度聚类算法,提出网络异常快速识别五步流程;并对网络安全权限机制识别和签名机制进行强化设计。实验对比表明,提出的识别方法能在短时间内识别网络异常,准确率高,对于保证网络安全有重要意义。(本文来源于《信息与电脑(理论版)》期刊2019年09期）
孙阳[9]（2019）在《基于卷积神经网络的中文句子相似度计算》一文中研究指出近年来网络文本数据呈爆发式增长,其具有数据规模大、增长速度快和价值密度低等特点,如何对这些文本数据进行分类、检索和过滤等管理成为信息领域的研究重点。短文本处理如句子相似度计算是信息管理的核心技术之一,在文本分类、信息检索、自动问答等领域应用广泛,本文利用卷积神经网络模型,实现中文句子相似度计算。本文主要包括两方面的研究内容,具体如下:第一,提出了一种融合句子结构信息的中文句子相似度计算方法。大部分的句子模型的输入只是句子本身信息,人们为了提高模型的特征信息提取,会考虑到加入两个句子之间的交互信息,更有甚者认为标签之间存在关联性,从而加入标签信息。但这些都对模型的性能提高有限。中文较英语而言,句子具有非常灵活的语法,句子中的各成分有复杂的关系,本文通过外部工具,分析句子的依存句法结构,作为句子的结构信息。在MPCNN模型的基础上,本文提出融合句子结构信息的DP-MPCNN模型,对于句子表示矩阵使用全维度的卷积核进行卷积,对于句子结构信息使用单维度的卷积核进行卷积,用于提取更多的语句特征。在数据集ChineseSTS上进行了实验,实验结果表明,本文提出的方法不仅在输入句子结构信息上具有有效性,而且DP-MPCNN模型在网络结构上也实现了效果的提升。第二,提出了一种基于注意力机制的中文句子相似度计算方法。经过调研发现,一方面,在大部分针对句对匹配问题的模型中,句对在建模过程中是完全独立的,很大程度上忽略了输入句子之间的上下文交互作用,无法识别句对中关键的词语,缺乏语义细节;另一方面,卷积神经网络实际上只能获取句子的局部信息,通过层迭来增大感受野,循环神经网络通过递归进行序列建模,其本质是一个马尔科夫过程,因此也无法很好地学习句子中存在关联的词语。本文针对以上两个问题,利用交互注意力提前计算句对之间在词汇层面的关联信息,并且通过自注意力一步到位的提取当前词语与句中其他词之间的关系,帮助理解整句话的意思,然后将这两部分的注意力矩阵融合在一起,作为卷积神经网络的输入。此外,本文尝试了多种信息融合方法对计算结果的影响,并且我们将本文方法与一些现有的句对匹配模型对比都取得了最好的计算效果。(本文来源于《中国科学技术大学》期刊2019-05-01）
张文田[10]（2019）在《基于相似度的BP神经网络迁移学习算法》一文中研究指出传统的机器学习算法不仅要求有大量的带标签训练数据,还要求训练数据和测试数据满足同分布。但是在实际应用中,常常缺乏与测试数据同分布的带标签的训练数据,因此如何运用其他领域中不同分布的带标签的训练数据,辅助目标任务的完成是亟需解决的问题。迁移学习是解决这一问题的一种有效方法。而在大多数迁移学习中都要求源领域与目标领域之间存在一定的相似度,在迁移学习框架中利用相似度学习可以提高迁移的效果。BP神经网络算法是一种应用比较广泛的机器学习算法,其在带标签样本数据少的领域中分类准确率较低。针对上述问题,本文研究了基于相似度的BP神经网络迁移学习算法,其主要的研究工作如下:(1)提出了基于相似度的BP神经网络单源迁移学习算法(TL-BP)。该算法首先得到了源领域的最优权重参数并得到了源领域与目标领域之间的最优相似度;然后结合该相似度把源领域的最优权重参数信息迁移到目标领域中;最后构建了适用目标领域的BP神经网络模型。以BP神经网络算法以及TrAdaBoost算法作为对比算法,使用Letterrecognition数据集、Wine Quality数据集以及20Newsgroups数据集对算法进行了实证分析。实验结果表明,在大部分实验组合下,该算法的平均分类准确率和分类时间都有明显的优势,但是在个别实验组合中出现了“负迁移”问题。(2)针对TL-BP算法中出现的“负迁移”问题,提出了基于相似度的BP神经网络多源迁移学习算法(MTL-BP)。该算法是在TL-BP算法的基础上增加了源领域的个数,把各个源领域的最优权重参数信息结合对应的最优相似度迁移到目标领域中。为了验证算法的有效性,在Letter-recognition数据集以及20Newsgroups数据集上进行实验。最终实验结果表明,与MultiSourceTrAdaBoost算法相比,该算法无论是在分类时间上还是平均分类准确率上都有明显的优势;与TL-BP算法以及BP算法相比,该算法在分类时间接近的前提下有更高的平均分类准确率。综上表明了该算法的有效性以及避免了“负迁移”问题。(本文来源于《华南理工大学》期刊2019-04-18）
相似度网络论文开题报告
（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：
异质网络相似度学习,即分析两个不同类型对象间的相关程度.不同类型对象在异质网络中的重要程度不同,它们在相似度学习过程中的发挥的作用也不同.针对异质网络,提出了一种基于节点影响力的相似度度量方法NISim,该模型既考虑了网络中的链接结构,也保留了网络中的语义信息,同时区分不同类型节点对异质网络的作用.在异质信息网络环境下,通过启发式规则区分并量化不同类型节点的影响力权值,并结合网络链接结构和节点间语义关系,解决了提高相似度学习准确性的问题.实验结果表明,该方法能够有效地对异质信息网络不同类型节点进行相似度度量,可以应用在网络搜索、推荐系统以及知识图谱构建等不同领域.
（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。
相似度网络论文参考文献
[1].马铁民,周福才,王爽.基于用户相似度的随机游走社交网络事件推荐算法[J].东北大学学报(自然科学版).2019
[2].刘露,胡封晔,牛亮,彭涛.异质网络中基于节点影响力的相似度度量方法[J].电子学报.2019
[3].关晓菡,韩建辉.基于双向字交互卷积网络的句子相似度计算[J].计算机工程与设计.2019
[4].史爱静,王盼盼.面向D2D移动社交网络的用户相似度分析方法[J].电脑知识与技术.2019
[5].张文田,凌卫新.基于相似度的神经网络多源迁移学习算法[J].科学技术与工程.2019
[6].靳丽.结合神经网络的文本语义相似度研究[D].山东大学.2019
[7].杨润琦.用于语义相似度评估的基于句法树的神经网络研究[D].南京大学.2019
[8].李伟民.基于相似度聚类的网络异常快速识别方法研究[J].信息与电脑(理论版).2019
[9].孙阳.基于卷积神经网络的中文句子相似度计算[D].中国科学技术大学.2019
[10].张文田.基于相似度的BP神经网络迁移学习算法[D].华南理工大学.2019