1. 研究目的与意义（文献综述包含参考文献）
文 献 综 述1. 前言人类已经进入大数据时代，数据规模随时间呈指数级增长，虽然当前摩尔定律仍然在起作用，人类的算力也随时间指数级增长，但是如果考虑数据之间的相互联系，数据之间的关联使得我们在处理数据之间形成的网络时，面临的最坏情况是指数级的规模，而数据本身又是指数级增长的，这就使得数据处理的难度在这个意义上要远远超出人类算力增长的速度。
在实际场景中，大数据往往是以关联数据的形式存在，社交网络、基因组、金融网络、交通网络、物联网网络等等。
这就告诉我们，如何有效的表征复杂的网络，简化网络之间的复杂关系，对于高效、精确处理复杂网络数据至关重要。
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
2. 研究的基本内容、问题解决措施及方案
1. 拟研究或解决的问题(1) 如何在基于图表示的数据下，将图中的节点或边表征为一个低维向量，并且尽可能保持图中的信息？(2) 当把图中的节点或是边用向量表征之后，采取什么样的方法才能既考虑图本身的结构特性，同时又可以使用传统机器学习的方法处理特征向量？(3) 选取一个或多个典型的场景，验证本课题方法的有效性。
2. 拟采用的研究手段（途径）(1) 熟悉并掌握复杂网络的基本概念和相关网络分析方法(2) 基于传统图表征方法得到baseline(3) 学习使用相关图神经网络学习框架如dgl，采取合适的分析方法(4) 实现主流的图神经网络的基本算法包括但不限于GCN,GAT,GraphSAGE等方法(5) 尝试从以上的方法中寻找合适的图表征方法，并且将其应用于一个或多个典型场景中(交通流预测、聚类、节点分类等)
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
